随着人工智能技术的深入发展，以AI大模型为核心的智慧城市管理已成为提升城市治理效能的重要手段。通过AI大模型对城市管理相关数据进行深度挖掘与分析，助力城市管理从被动响应向主动优化的转变。我市近年来在智慧城管建设方面取得了不俗的成绩。在基础设施方面，我市的城市运行管理服务平台整合接入公安、市场监管、交通运输等32个部门（区市）数据，建成涵盖供热供气、环境卫生、综合执法等26个城市管理细分领域的58个专题数据库。共享全市5万余路视频，智能抓拍市容秩序、环境卫生等32类城管问题，汇聚建筑工地、环卫设施等物联感知数据。在数据资源方面，截至2024年年底，我市已全量汇聚电子公文、交通等数据超2240亿条，发布首批高质量数据共享开放清单454项，在工业制造、海洋等领域形成高质量数据集800余个，政务数据共享需求满足率超99.7%。然而，青岛在迈向AI大模型驱动的城市管理智慧化精细化过程中，仍面临大模型技术应用深度不够、大模型应用场景扩展受限等问题。

一、存在的问题

（一）AI大模型技术应用深度有待提升

一是现有的智能分析算法相对基础。我市已实现的对多类常见问题的自动识别抓拍，主要基于规则识别和传统AI的机器视觉技术，针对违停、垃圾倾倒等显性问题效果良好，但由于未充分运用生成式、多模态AI大模型等前沿技术，所以对处理复杂场景理解、隐患预判、趋势分析等深层次问题的能力还需加强。另一方面，现有系统的自然语言处理能力不足。平台月均处置数十万件问题，汇集了大量的例如投诉文本等语料，但在对于这些语料的智能分析等方面没有进一步利用，无法深度挖掘民意数据中的舆情信息和趋势。二是现有系统缺乏深度预测分析，目前主要是"识别发现问题-智能派遣处置"的事后闭环流程，但在基于历史数据和多维因素的趋势预测、风险预警方面能力是有限的。也就是说，虽然能监测燃气、供热等设施实时运行状态，但却无法基于AI大模型提前去进行故障预测和维护优化建议，还是“被动响应”，所以决策支持智能化水平不高，因为现在的系统主要基于统计分析，缺乏AI大模型驱动的深度洞察和智能决策建议，在资源配置优化、政策效果预测、应急响应策略等方面，还需要更强的AI决策支持能力。

（二）AI大模型训练数据优化不足

AI大模型的训练效果和应用准确性直接依赖数据质量。我市虽已汇聚海量数据，但针对AI大模型所需的数据更新和清洗机制尚需提升，各路监控采集的数据会因为数据噪声和延迟，影响AI预测准确率。另一方面，多模态数据融合不深。现有的数据主要以文本、监控视频等模态为主，但语音、传感器等异构数据整合不足，会制约大模型的多维分析能力。

（三）AI大模型应用场景和相关人才有限

我市智慧城市管理现有的20多个应用场景主要基于传统信息化手段，AI大模型仅在部分领域如智能问答、自动报告生成等初步落地，缺乏对综合业务和公众服务的深度渗透，治理效率提升空间有限。同时，人才和技术支撑薄弱，真正适用城市管理的城市AI大模型需要定期使用本市数据进行fine-tune（微调）迭代升级，而且出于信息保密原则，不能用公有云模式，需要本地部署本地微调，这些技术需要专业人才，但青岛相关团队规模较小，缺乏国内大厂团队系统化的微调和部署经验，影响模型后续的迭代速度和模型能力。

二、国内外先进经验做法

（一）新加坡

新加坡的Smart Nation 2.0在交通管理方面广泛应用了智能交通系统，AI优化交通系统，利用实时数据优化交通流量，减少了15%的交通拥堵。在能源与环境管理领域，新加坡通过无线传感器网络收集数据，进行环境监测，包括空气质量、噪音水平和水资源管理，改善城市管理和安全。其99%的政府服务在线完成，并通过IMDA（新加坡资讯通信媒体发展局）与劳动力合作，转型工作流程提升生产力。Smart Nation 2.0模式强调整体性政府视角，结合AI，实现资源数据化运营。

（二）上海

上海推出“智云上海”，完成全球最大规模城市级数智化底座的部署与能力集成，系统间任意两点之间1毫秒即可“握手”，整体运力提升7倍，TB级数据分钟级到达，百公里存算分离拉远训练算效达97%以上，实现了“算力、平台、数据、模型、应用”五位一体的深度融合与创新应用，全方位提升城市能级。进而构建“上海有AI、智惠全城”的城市智能服务体系。“以革命性AI惠及城市民生”的创新发展理念，为全球提供可复制、可推广的“AI CITY”范式。

三、意见建议

（一）强化AI技术深度应用，提升智能管理水平

一是基于现有城市运行管理服务平台，与国内大厂合作，引入最新的多模态开源模型而非单一模态模型，升级现有规则识别算法，实现复杂场景理解和隐患预判。同时，针对自然语言处理不足，利用平台汇集的群众诉求数据，部署大模型进行舆情分析和趋势挖掘。

二是加强深度预测分析能力。开发AI大模型驱动的预测分析系统。支持各部门利用AI工具对数据进行深度挖掘与分析，精准提升模型性能。充分利用已有的燃气智能监测、建筑垃圾监管等行业管理场景的实时数据，结合天气、节假日、社会事件等外部因素，构建基于深度学习的多维度预测模型。重点在设备故障预测、问题高发区域预判、异常趋势识别等方面实现突破，推动城市治理从“被动响应”向“主动预防”转型。

（二）优化AI大模型训练数据

一是完善城市数据更新和清洗机制。对公共安全视频和传感器数据建立实时数据处理规范，引入专业数据管理人才，提高时效性和准确性，并对数据质量达标的部门给予表彰。

二是推进多模态数据融合。制定融合评估标准，定期抽检数据质量，将文本、视频、语音和传感器等各类模态数据整合，建立统一的AI训练数据仓库，推动数据从单一模态向多模态转型。

（三）扩展AI大模型应用场景并加强人才支撑

一是建议借鉴深圳《加快打造人工智能先锋城市行动计划（2025—2026年）》的围绕五大政务领域每年开放100个以上应用场景的“城市+AI”开放场景模式。建设市、区两级应用场景开放中心，打造“一区一品牌”典型场景应用，推动全面提升超大规模城市治理水平。

二是构建场景级应用框架，我市平台从现有场景继续扩展，重点渗透综合评价和公众服务领域。

三是加强人才和技术支撑。由市人力资源社会保障局牵头，联合驻青高校，与国内AI大厂合作，打造本地AI人才培训平台，提供系统化本地化部署经验，为未来的城市大模型迭代速度和能力提升做好人才储备。