在基于大模型的实验室非现场监管场景中，监管人员对智能分析出的违法线索进行初步确认，派发现场核查任务。受访者供图

　　编者按近年来，大数据、云计算、区块链、人工智能等前沿技术不断发展，城市治理也变得更智慧、更高效。日前，由北京市政务服务和数据管理局等单位主办、北京市长城企业战略研究所等单位承办的2024北京市智慧城市场景创新需求清单（第一批）暨成果发布会上，一批涉及数字政务、城市治理等重点领域的国内首创场景成果亮相。即日起本版推出“智慧城市场景”系列报道，展现这些首创场景，为智慧城市建设提供借鉴。

　　正值客流高峰，管理人员在北京西站地区感知大数据平台的显示屏幕前，实时掌握站前广场、进站口、出租车候车区等各个区域的客流情况。一旦平台监测到某处客流量大、人员拥挤，管理人员便能迅速响应，排除安全隐患。这是在北京西站落地的智能监测监管场景。

　　两大智能监测监管场景——大流量客流智能监测场景和基于大模型的实验室非现场监管场景，被列入北京市11项国内首创场景成果。面对更加复杂多元的监测监管需求，智能监测监管场景的落地，让城市管理更省人力、更有效率。

　　增强感知能力 加大监测力度

　　作为特大型综合性立体交通枢纽，北京西站具有空间面积大、客流量大、室内外区域多等特征。它也是城市级复杂场景的缩影。

　　“在与场景开放单位北京市重点站区管理委员会沟通后，我们搭建了北京西站地区感知大数据平台，并将其接入北京西站应急指挥中心，作为大流量客流智能监测场景建设的重要组成部分。”北京数原数字化城市研究中心城市感知技术负责人唐舟进说。

　　大流量客流智能监测场景集成了多项技术。唐舟进举例道，利用多模态数据融合技术，场景可引接北京西站已有设施中的海量数据，构建包含文本、图像、视频等数据的实时全域多模态数据集。场景中的北京西站数字孪生模型则通过时空大模型技术构建，实现了“一张图”容纳“人、物、场”全要素表征，有效提升了场景中感知的时间连续性、语义一致性、区域颗粒度和精度确定性。

　　大流量客流智能监测场景，无需增加感知硬件，便可轻松实现客流监测、大客流预警、人员定位、轨迹跟踪、车流感知。该场景不仅拥有“无线+视觉”的多模态感知能力，还能巧妙利用北京西站原有的摄像头和无线设备，为每一位旅客的安全保驾护航；同时它也能通过多模态感知手段，准确识别潜在安全风险，并及时向管理调度人员发出预警。

　　唐舟进介绍，目前，大流量客流智能监测场景已在北京西站重点区域落地。场景覆盖面积约8.4万平方米，实时接入40路视频数据，采集127个Wi-Fi接入点和3个温湿度传感器数据，每日处理超过亿级无线消息和TB级视频数据，日客流监测峰值约30万人。

　　节省人力资源 提高监管效率

　　作为北京市唯一的国家级经济技术开发区，北京经济技术开发区（以下简称“北京经开区”）的监管对象分类及其涉及的业务领域众多。“尤其是实验室数量多、分布广，需要检查的内容专业、详细、严格。”北京宏诚创新科技有限公司副总经理韩思淼说，在与场景开放单位北京经开区综合执法局沟通需求时，他们了解到，面对庞大的实验室数量，监管人力明显不足，传统的现场核查核实监管手段费时费力，监管效率难以提升。

　　按照北京经开区综合执法局和北京经开区营商环境建设局的需求，北京宏诚创新科技有限公司依托北京经开区亦智政务大模型能力，研发实验室重点事项非现场监管系统，助力基于大模型的实验室非现场监管场景落地，为智慧城市的非现场监管探索了新路径。

　　韩思淼介绍，场景集成了多源异构数据采集技术和深度学习等人工智能技术，采用多系统对接、跨部门共享、物联采集等方式，汇集了运输备案、危废处置等多源多模态异构数据，并运用自然语言处理、影像分析等手段对数据进行自动处理，调用风险模型筛查问题事项。

　　过去需要人工审核的备案文件，在新场景中可被自动分析识别。一旦出现与现行政策、标准不符的条款或缺失的关键内容，就会迅速形成改进建议和监管执法线索，有效提升实验室整体监管效能与管理水平。为防范化解实验室潜在安全风险，以危险化学品管理为例，新场景通过整合多源监管数据，对“进”“用”“出”三端信息进行智能AI筛查比对，实现跨领域自动采集与智能分析，发现问题数据，生成执法线索，为监管部门提供高效非现场监管支撑。

　　基于大模型的实验室非现场监管场景，形成了“监管数据多源汇聚、问题线索智能筛查，现场执法非现场驱动”的闭环监管模式，做到“无事不扰、无处不在”。目前，该场景已在北京经开区落地，监管范围覆盖数百家实验室，使问题发现率提升70%。

　　“新的监管场景让监管人员能有的放矢发现问题，也减少了对被监管企业的扰动，双方都能从中获益。”韩思淼说。

　　持续开放场景 促进供需平衡

　　智能监测监管场景建设初见成效，两大场景也有望在更大范围内推广。大流量客流智能监测场景的监测效果得到北京市重点站区管理委员会的认可；基于大模型的实验室非现场监管场景也展现出可复制性，通过物联感知等多元数据接入、创新数据挖掘以及风险模型矩阵的扩展，可在危废管理、职业卫生监管等更多领域发挥作用。

　　在推进场景落地的同时，唐舟进也提出了场景建设中存在的问题。经过在北京西站的实践探索，北京数原数字化城市研究中心发现，预训练大模型往往难以满足行业应用的具体需求，需要通过微调训练和蒸馏进行模型增强。这就需要依托用户私有数据构建训练数据集。

　　视频监控信息、人员身份信息等私有数据具有强安全、强隐私属性，模型训练只能依托本地有限的数据开展。但不同场景下的数据，即使类型和属性相近，也难以构建统一数据集。因此，唐舟进认为，在确保安全隐私的前提下，构建面向大模型的多模态公共数据集，对于智能监测监管类场景未来的进一步建设非常重要。

　　而在韩思淼看来，场景建设前期，场景供需双方密切沟通、共同打磨场景，是促成智能监测监管场景顺利落地的重要保障。

　　“智慧城市场景创新需求清单的发布，让我们对技术的应用场景有了新的认知。也正是因为场景开放单位提供了平台，我们的技术成果才有了更多实践和优化的机会。”韩思淼说，希望有监测监管需求的相关部门，能够继续加大场景开放力度，为企业提供更多场景机会。（记者 沈唯）