NVIDIA 智慧城市 AI 智能体正从试点走向公共运营

NVIDIA 已在欧洲及周边九个以上市场的项目中推出智慧城市 AI 智能体，推动这项技术更接近日常公共运营。这些部署覆盖建筑、港口、交通、安全、无障碍设施和市政管理等领域。然而，核心问题不在于城市能否运行先进的 AI 模型，而在于它们能否在不放弃对公共数据或基础设施控制权的前提下，将这些模型转化为可问责的服务。

10 月 13 日的公告汇集了城市、区域主管部门、软件开发商、系统集成商和硬件供应商。NVIDIA 提供计算平台、开放模型、视频分析组件和模拟软件；本地合作伙伴则将这些组件调整用于解决具体的运营问题。

这种结构让两项相互竞争的优先事项直接碰撞。NVIDIA 希望合作伙伴能在不同部门和国家之间复用通用计算技术栈。欧洲主管部门同样希望实现互操作性、本地治理，并避免被供应商锁定。如果各城市能够在走出小规模演示的同时保留这些公共要求，这些项目才真正具有意义。

NVIDIA 智慧城市 AI 智能体正进入真实市政工作

这项公告之所以重要，是因为它将 AI 智能体与具体的公共资产、决策和工作流程相连，而非又一次推出泛泛而谈的智慧城市平台。

NVIDIA 表示，项目正在比利时、芬兰、法国、意大利、荷兰、波兰、瑞典和英国开展。更广泛的公告还涵盖泽西岛和迪拜的部署。软件参与方包括 Akila、Galene.AI、K2K、Milestone、ThinkDeep、Younite 以及其他多家区域专业企业。

这些项目将智能体式 AI 与数字孪生相结合。AI 智能体是能够解读信息、推理完成任务，并采取或建议一系列行动的软件。数字孪生则是由数据支持的实体资产、系统或流程的虚拟表征。

NVIDIA 将其技术定位为可共享的基础构件。Cosmos 模型帮助系统理解物理环境，Nemotron 模型则支持语言和推理任务。Omniverse 库提供模拟层，Metropolis 视频搜索与摘要蓝图则将视频流转化为可搜索的运营信息。

该公司的城市运营公告介绍了从道路维护到危险物质处理等多种应用场景。智能体可以整合摄像头画面、传感器读数、历史记录和基础设施文件。工作人员随后可以搜索这些信息，或在数字孪生中测试应对方案。

法国提供了该公告中最成熟的案例。Côte-d’Or 省与 Akila 和 ThinkDeep 合作，为 500 多栋公共建筑开发了智能体。该系统在本地治理的数字孪生中整合了传感器、基础设施和历史数据。

据 NVIDIA 称，这些智能体支持能源管理、法规合规、安全和气候韧性。该公司表示，过去需要数周完成的文档检索如今只需数分钟。它还报告称，总运营成本降低了 10%，并计划在更大规模下实现 30% 的降幅。

这些数字来自 NVIDIA 及其合作伙伴，并非独立评估结果。不过，与许多智慧城市演示相比，它们仍为该项目提供了更清晰的运营基线。下一个问题是，在将部署、集成、维护和监管成本纳入后，类似的节省效果是否依然明显。

意大利采用了不同的模式。Galene.AI、Dell Technologies 和 TD Synnex 正在米兰附近的 Cinisello Balsamo 部署一座本地运营的 AI 工厂。AI 工厂是为准备数据、运行模型和提供 AI 服务而设计的计算基础设施。

初期服务包括实时翻译、市民聊天机器人、采购辅助和资金申请支持。合作伙伴计划将该系统扩展至另外四个市镇。NVIDIA 表示，这些应用有望将部分数据访问任务从数小时缩短至数秒。

“本地运营”这一表述至关重要。市镇并非只是订阅远程聊天机器人，而是在尝试保留对公共服务所用数据、模型和计算环境的运营控制权。

其他项目仍更接近探索或测试阶段。利物浦城市区域正与 K2K 合作，研究用于交通出行、安全和规划的潜在 AI 工厂。贝尔法斯特创新城市正在探索相关试点，而泽西岛则在考察交通出行、清洁能源和公共服务领域的应用。

这种部署与试点并存的情况需要谨慎解读。NVIDIA 已构建起相当可观的区域项目组合，但并非每个被提及的项目都代表生产系统。“探索”“测试”和“部署”代表着不同程度的技术与制度投入。

为什么城市正从仪表板转向运营智能体

城市正在测试智能体，因为传统仪表板只能呈现状况，而智能体有望将这些状况与文件、模拟和建议行动连接起来。

交通仪表板可以显示拥堵情况。智能体则可以将拥堵与道路施工、活动日程、天气状况和可用应对方案联系起来。工作人员可以询问瓶颈为何形成，在模拟中测试变化，并获得建议的干预措施。

同样的模式也适用于建筑。当团队能够将能耗读数与设备历史、维护文件、使用率和合规要求关联时，这些读数会更有价值。智能体可以为这些信息来源提供统一的交互界面。

NVIDIA Cosmos 和视频搜索蓝图将这种方法扩展至视觉数据。该公司表示，开发者可以构建识别交通拥堵、设备状况、闲置空间或安全隐患的系统。Nemotron 模型随后可支持针对生成信息的自然语言查询和推理。

视频是多个项目的核心，因为城市和港口早已运营着广泛的摄像头网络。传统计算机视觉会检测预先定义的物体或事件。较新的多模态模型能够解读更多样的场景，并接受自然语言提问，但其可靠性仍取决于训练数据和本地条件。

在比利时安特卫普-布鲁日港，Milestone 和 Dell 正在测试用于处理复杂事件的智能体视觉系统，包括石油泄漏预警。由于罕见紧急事件的真实案例稀缺，合作伙伴计划使用由计算机生成的训练材料——合成数据。

这正是将智能体与模拟相连的一个实际理由。城市无法为了收集训练样本而安全地制造真实石油泄漏、大规模人群失控或基础设施紧急事件。数字环境让开发者能够在系统接入实时运营前生成受控的各种变化情形。

这种方法也存在一个基本限制。合成场景反映了设计者作出的假设。模型可能在模拟条件下表现良好，却漏掉意外的光照、天气、人类行为或设备故障情况。

哥德堡的项目较少关注紧急事件检测，而更侧重无障碍体验。Younite 正在欧盟 Citiverse 倡议下开发基于 Omniverse 的数字孪生体验，旨在让人们在抵达活动现场前预览入口、座位和人群状况。

这一应用表明，数字孪生不必复现城市中的每一个物体。其有用范围取决于政策问题。无障碍服务需要可靠的路线、入口、场馆和人群信息，而不是一座城市中每栋建筑的电影级模型。

欧盟委员会将本地数字孪生定义为实体资产、流程和系统的虚拟表征。它们可将历史数据和实时数据与分析技术及机器学习相结合。委员会还强调，各城市必须在选择技术前明确问题、范围、治理模式和所需功能。

这个顺序至关重要。从政策问题出发，有助于构建一个可衡量性能的有限系统。从宽泛平台出发，则可能形成一个昂贵却在寻找公共用途的模型。

NVIDIA 的项目组合同时包含这两种方法。Côte-d’Or 拥有可识别的建筑管理工作流程和已报告的成本成果。一些交通出行和安全项目仍被定位为探索领域。它们的价值将取决于主管部门能否将广泛愿景转化为可测试的服务目标。

本地 AI 工厂让公共控制与平台依赖相互对立

主要矛盾在于 NVIDIA 可复用的技术栈与欧洲对本地治理、可互操作公共基础设施的需求之间。

NVIDIA 认为，城市需要靠近其数据和运营环节的计算能力。其基础设施合作伙伴包括 Cisco、Dell Technologies、HPE、Lenovo 和 Supermicro。它们将加速计算、网络和存储打包成在本地运营的 AI 工厂。

Nebius 和 Net Zero Compute 也在为智能体服务建设基础设施。Accenture 和 EY 则提供集成工作，旨在将新应用与现有市政系统连接起来。这一生态系统减少了每座城市都必须独立组装所有组件的需求。

这一模式的吸引力可以理解。地方政府通常运营着碎片化的数据库、老旧软件、分散的采购合同和按部门划分的流程。可重复使用的架构能够缩短部署时间，并为多项服务建立共同基础。

本地运营也能提供比将敏感信息发送到通用云服务更多的控制权。城市可以决定模型在何处运行、记录如何保留，以及哪些工作人员或承包商可以获得访问权限。它们还可以围绕本地文件和运营语言定制模型。

然而，本地硬件并不会自动带来制度独立性。一座城市可以将数据留在其管辖范围内，却依赖某一家供应商的加速器、模型格式、模拟工具和集成合作伙伴。当应用同时依赖多个专有层时，迁移就会变得困难。

因此，欧洲数字政策强调共享规范和可移植组件。委员会的智慧城市计划支持可复用工具、参考架构、开放标准和通用技术规范。其既定目标是帮助社区构建能够适应不同需求和技能水平的数字孪生。

Citiverse 倡议将这一战略推进至跨国层面。它旨在连接本地数字孪生，并让城市能够共享或复用服务。根据委员会的Citiverse 概览，已有 14 个欧盟国家加入该倡议，目标是在 2026 年前让 100 个城市参与其中。

委员会还报告称，已通过 Digital Europe Programme 投资逾 8000 万欧元，用于本地孪生和 Citiverse 相关工作。这笔公共投资赋予欧洲主管部门一定的话语权。如果城市从一开始就将互操作性列为采购要求，就不必接受它只能作为后续功能提供。

NVIDIA 对开放模型的使用有助于缓解部分担忧。开放的模型权重可以让开发者拥有更大的自由度，以检查、调整或在不同环境中部署模型。然而，模型层面的开放并不能保证整个应用具备可移植性。

完整系统还包括数据连接器、编排软件、仿真资产、访问控制、监控和硬件优化。市政部门必须评估每一层的退出路径。否则，即便系统在技术上部署于本地，仍可能形成长期依赖。

因此，真正的竞争并非本地部署计算与云计算之争，而是在可复用能力与持久公共控制之间展开。城市希望快速部署，但也需要在供应商变化时保持采购竞争性和业务连续性。

这种张力对市政技术团队和集成商的压力将大于对 NVIDIA 本身的压力。他们必须证明，一个通用平台能够支持本地规则，而不会让每一项定制都成为永久例外。他们还需要说明，在合同变更时，数据和应用如何迁移。

公共部门采购方应直接提出问题。其他供应商能否运行数据层？接口是否有文档记录？仿真资产能否迁移至其他引擎？谁控制模型更新？如果更新影响受监管工作流，城市能否延后更新？

这些问题并不否定 NVIDIA 智慧城市 AI 代理的价值。它们决定了早期价值能否贯穿整个采购和运营周期。

效率声明仍未能证明什么

早期成果令人鼓舞，但大多数项目仍缺乏足以证明自动化影响公共决策具有正当性的独立衡量数据。

Côte-d’Or 所报告的 10% 运营成本下降，是 NVIDIA 公告中量化程度最高的主张。该降幅值得关注，因为它覆盖的是现有建筑组合，而非假设中的城市模型。然而，公告并未提供评估周期、基线方法或完整成本类别。

它也没有区分由 AI 代理产生的节省，与更好的传感器、统一记录或常规流程再造带来的节省。这些组成部分往往会同时出现。可信的评估必须识别出哪些变化产生了哪些结果。

30% 的目标则更具不确定性。目标描述的是一种愿景，而非已经观察到的结果。更大规模的部署可能带来规模经济，但也可能暴露在较小规模试点中被掩盖的集成问题。

对于市政数据访问时间将从数小时缩短至数秒的说法，也应保持同样谨慎。聊天机器人可以迅速检索答案，但响应速度并不等同于准确性。公共部门员工仍然需要引文、权限、版本控制，以及纠正错误答案的机制。

行政代理面临的风险不同于建筑控制代理。错误翻译可能让居民感到困惑。错误的采购答复可能影响正式流程。虚假的安全警报可能耗费应急资源，而漏报则可能造成现实伤害。

因此，每个使用场景都需要设定自己的人工审核门槛。城市不应将“agentic”视为完全自主的许可。在许多工作流中，最安全的角色是由代理汇集证据并提出行动建议，同时由具备资质的员工继续承担责任。

视频分析带来了隐私和公平性问题。摄像头可以帮助识别拥堵、泄漏或设备故障，也可能拍到从未同意参与 AI 系统的人员。

项目必须明确处理哪些视觉特征、记录保留多久，以及是否确有必要识别身份。欧盟委员会此前已强调，匿名化、数据所有权、数据质量和法律责任是数字孪生的核心问题。

数据质量是另一项结构性风险。数字孪生可能看起来很有权威性，却依赖不完整的维护记录或不一致的传感器数据流。加入语言模型并不能修复底层记录。

委员会的数字孪生指南将可用性、质量和互操作性列为基础要求。指南还指出，城市在构建高级仿真之前需要具备治理和技术基础。这些是运营依赖项，而非行政细节。

罕见事件系统尤其需要严格测试。合成训练数据可以覆盖现实中难以采集的场景，但也可能遗漏导致真实应急系统失效的特定条件组合。

测试漏油检测的港口运营商应报告在不同天气、光照、摄像头和水域条件下的误报率与漏报率。他们还应测试传感器意见不一致或网络访问失败时会发生什么。模型的平均准确率不能取代针对具体场景的安全评估。

当代理连接视频、基础设施控制系统、文档和市政网络时，网络安全变得更加复杂。每一个连接器都会扩大潜在攻击面。自然语言界面还可能向本不应获得直接数据库访问权限的用户暴露信息。

访问控制必须遵循底层数据，而非迎合聊天机器人界面的便利性。未经授权，代理不应将单独看来无害的记录组合成敏感答案。审计日志必须显示系统访问了什么，以及为何生成某项建议。

采购带来了最后一项风险。试点项目通常会得到供应商和研究合作伙伴集中提供的技术支持。日常运营则需要为数据清理、模型监控、软件更新、员工培训、安全审查和事件响应编列预算。

一个系统可能在技术上成功，却在组织层面失败。市政员工必须信任其建议、理解其局限，并知道何时应予以覆盖。居民需要获得清晰易懂的渠道，以质疑具有实质影响的决定。

这些要求使一项有用的区分成为可能。成功的演示表明代理能够完成某项任务。成功的公共服务则表明，该机构能够反复、透明地治理这项任务，并将错误率控制在可接受范围内。

欧洲数字孪生需要共享数据，而非更好的图形效果

最困难的扩展问题并非渲染一座城市，而是跨部门、供应商和相邻辖区连接可靠数据。

数字孪生经常通过细致的三维场景呈现。这些视觉效果有助于规划者理解空间并传达提案。然而，如果其记录已经过时或彼此不兼容，那么即便视觉上令人印象深刻的孪生系统，运营价值也十分有限。

道路维护代理需要资产清单、检查历史、工单、交通信息和预算。活动管理代理需要场地布局、运输能力、人群信息、无障碍数据和应急程序。这些记录往往属于不同组织。

欧盟委员会因此推动建立共同的城市数据空间。目标是打造一个环境，让公共和私营组织能够在共同的技术、法律和安全安排下共享信息。

这种做法不同于将每一条记录都集中在同一个数据库中。数据空间可以让信息仍由原始保管方持有，同时规定获授权系统如何发现和使用这些信息。这一模式符合欧洲对分布式控制的重视。

NVIDIA 的合作伙伴网络可以帮助城市连接碎片化系统。集成商已经熟悉企业软件、身份管理、网络和运营支持。硬件供应商可以为内部能力有限的市政部门打包可重复部署的基础设施。

危险在于，集成可能演变为一系列一次性项目。定制连接器或许能为第一座城市发挥作用，但当另一个市政部门使用不同的模式、语言或采购规则时，可能会失效。届时，扩展意味着重复昂贵的咨询工作。

共享标准提供了另一条路径。如果城市以一致方式描述道路、建筑、活动和维护记录，应用程序便能更容易地迁移。为一个市政部门创建的模型仍然需要接受本地测试，但开发者不必从零开始重建数据基础。

这正是 NVIDIA 的公告与 Citiverse 的交汇之处。哥德堡的无障碍项目被描述为一项更广泛欧洲计划的一部分，而不是孤立部署。其长期重要性取决于其他城市能否复用底层组件和数据规范。

复用将改变较小市政部门的经济模式。大型城市可以资助定制团队和基础设施。较小社区则需要经过验证的模块、共享采购指南，以及无需庞大 AI 部门即可使用的服务。

委员会的本地数字孪生工具箱正是围绕这一需求设计。它包括可复用工具、参考架构、开放标准和技术规范。其既定意图是让不同规模的城市都能使用先进的规划和运营系统。

如果其应用符合这一框架，NVIDIA 及其合作伙伴便可从中受益。一个共同的欧洲市场可能为计算、模型和集成创造可重复的需求。遵循共享规范也会让城市采购方更愿意签订长期合同。

因此，平台公司与公共主管部门的利益在一定程度上保持一致。双方都希望实现可重复部署。分歧在于，这些部署应在多大程度上依赖单一技术栈。

结果将体现在平常的细节中。采购文件将明确导出权、接口要求以及模型失效的责任归属。技术团队将衡量连接器复用情况，而不只是推理速度。

开发者还应关注城市是否公开数据模型和评估方法。共享基准将使采购方能够比较不同供应商的系统。缺少这些基准时，每一家供应商都可以用自己偏好的指标定义成功。

知识管理在此变得相关，因为运营型 AI 依赖可信的上下文。团队需要持续维护有关政策、决策、文档和过往事件的记录。一个可搜索的知识库可以在机构允许代理提出行动建议之前，就先支持人工工作。

这一顺序有助于风险控制。首先让信息可搜索、可追溯。然后衡量代理是否改善了明确界定的工作流。最后，仅在证据支持的情况下考虑更高程度的自主性。

三个信号将显示这些系统能否扩展

下一项考验在于，城市是否会公布可衡量的生产结果、可移植的部署模式，以及能够延续至试点阶段之后的治理规则。

第一个信号是来自 Côte-d’Or 和意大利各市的独立运营证据。采购方应寻找明确的基线、评估周期和完整实施成本。他们还应期待看到文档检索和面向市民回答的准确性指标。

如果整合和支持成本计入后，所报告的 10% 运营成本降低仍能持续，那么建设楼宇管理智能体的理由将更具说服力。若能进一步向 30% 的目标推进，这一理由会更强。缺乏方法论说明或基准不断变化，则会削弱这一主张。

第二个信号是跨市复用。Galene.AI 计划从 Cinisello Balsamo 扩展至另外四个市镇。K2K 正在利物浦城市区域、泽西岛和贝尔法斯特开展工作，这也提供了检验可移植性的机会。

成功复用应当只需要配置、本地数据映射和政策审查，而不应要求完全重建。采购方应询问：从首次部署中有多少代码、基础设施和培训材料能够转移到后续项目。

这一信号同样适用于 Citiverse。如果哥德堡项目的无障碍组件能够适配其他欧洲数字孪生体，其意义将更加重要。可复用的服务将支持欧盟的共享基础设施战略；孤立的视觉体验则较难证明其具备区域规模化能力。

第三个信号是采购与治理措辞。城市应公布对审计日志、人工审核、模型更新、网络安全、数据保留和供应商退出机制的要求。这些条款能够揭示，本地控制究竟是实际可执行的机制，还是仅用于宣传。

治理机制应与各项任务的风险相匹配。翻译助手无需采用与影响应急响应的系统相同的审批流程。城市应在供应商将智能体扩展至各部门之前，先定义这些类别。

定于 11 月 3 日至 11 月 5 日在巴塞罗那举行的 Smart City Expo World Congress，将提供一个即时观察节点。预计 NVIDIA 及其合作伙伴将在会上展示其实体 AI、智能体 AI 和本地基础设施工作。真正有价值的公告应包括部署状态和可量化结果，而非又一份潜在应用场景清单。

技术采购方应留意试点、生产系统与计划扩展之间是否有清晰区分。他们还应询问：谁拥有运营数据，以及其他供应商能否接手责任。如果应用无法迁移，本地服务器本身并不够。

开发者应关注模型、仿真系统和公共数据系统之间的接口。标准化连接器将为竞争性模型和专业应用创造空间；封闭接口则会让更多价值与控制权集中于原始平台周围。

居民则有另一组问题。他们需要知道智能体何时会影响一项服务、使用哪些数据，以及谁能够纠正错误。更快的市政响应，只有在人们能够信任其背后流程时才有价值。

NVIDIA 智慧城市 AI 智能体如今已进入拥有明确资产、机构和公共服务目标的项目。这是超越泛泛智慧城市营销的一个重要进展。但这仍不足以证明一套共享 AI 技术栈能够满足每座城市的全部要求。

决定性证据将来自日常运营。支持费用计入后，成本是否仍然较低？工作人员是否依赖这些建议？居民能否对错误提出异议？城市能否在无需重建服务的情况下替换其中一个组件？

这些问题为公共机构提供了切实可行的下一步：选择一项可衡量的工作流程，记录其基准情况，并从第一份合同起就要求数据可移植性与人工问责。随后公开结果，包括失败案例，让下一座城市能够作出更好的决定。