导读：
一般而言，智慧城市的前期投入的侧重在于通过对数据的收集、分析和可视化来提高流程的透明度、协调各方面规划和辅助决策，强调“可视”和“洞察”，更多地发生在指导层。而认知化城市的侧重则在于推广形成数据闭环的智能单元，和它们的有机关联，强调“适应”和“学习”，更多地发生在体验层、治理层和效率层。长远来看，不同层面的发展是保持互动和不断迭代的，每一个层面的扩展和更新都会催生其他层面的进化。
认知化城市不仅仅需要智能单元的集合作为其基础层为人群提供体验类服务，还需要提供额外数据支持、连接支持、知识库支持、网络连接和算力支持等，促成多角色、跨部门的有效率的运营和协作，做到大范围的甚至是全局的更新和优化。下图展示了构建认知城市的全面的框架结构。
体验层：即前文解释的智能单元的集合
治理层：跨单元数据流层，提供跨项目跨场景的数据治理和自动化
效率层：以过程驱动的场景的集合，追求完成既定任务的流程效率的提升
指导层：知识库层，整合多种数据源，提供多角度洞察和全局优化的可能
纵向支柱：高速网络连接，算力提供，开发者平台，终端用户平台
认知框架的不同层面需要有机结合，相辅相成，总体架构呈金字塔状。作为基础层的大量智能单元，为使用不同空间的人群提供适应性体验，可以调用其他平台的数据，其产生的数据也有向上汇集汇入中层和顶层的其他数据平台的可能。跨单元的数据流（datapipeline）和可能需要的更规范化、耦合更紧密的数字主线（digitalthread），有效支持跨角色、跨空间的过程驱动的智能场景，实现效率层的扩张。在框架中层和高层，需要有额外的公共可调用的数据集合、知识库和优化能力，一般由基于单一信息源的（包括实时数据和历史数据）的分析洞察的大数据平台或者城市级大脑项目提供。有机连接了体验层、效率层和指导层的整体架构，可以形成长链的数据闭环，拥有更新频度较低，但是覆盖范围广的整体层面上的认知能力。
一般而言，智慧城市的前期投入的侧重在于通过对数据的收集、分析和可视化来提高流程的透明度、协调各方面规划和辅助决策，强调“可视”和“洞察”，更多地发生在指导层。而认知化城市的侧重则在于推广形成数据闭环的智能单元，和它们的有机关联，强调“适应”和“学习”，更多地发生在体验层、治理层和效率层。长远来看，不同层面的发展是保持互动和不断迭代的，每一个层面的扩展和更新都会催生其他层面的进化。
虽然现阶段对智慧城市的认知能力的讨论还在初期，实际意义上的智能单元却并不少见，比如智能停车场、智能通行、智能生活垃圾识别、智能园区物流等。智慧城市在向认知化过渡中按场景覆盖、数据关联和运营模式等不同的阶段性重心，可以分五步走：
体验推广期‒推广独立的智能单元阶段，如单个小区的智能门禁，提高特定空间里的人群体验。这些智能单元之间无须互动，或者与城市数字驾驶舱等其他智慧城市项目发生关联。这个阶段着重于落地更多的惠民体验种类、覆盖更多的空间、提高闭环数据流的数量。
数据关联期‒建立单元间或者层间数据关联的阶段，智能单元与其他项目发生关联和产生数据调用，如调用车辆管理和交通数据的智能小区停车场管理；如街区和社区内的安全事故探测，可以实时汇总纳入区级治安或者医疗系统的智能统筹系统，并能够建议甚至触发行动。这个阶段着重于从点到面，或者从上到下的数据治理，并推广更多的以过程驱动的智慧场景。
成熟运营期‒逐渐增加的离散的智能场景需要运营服务，对城市级运营平台的依赖性逐步增强，并催生运营业态、开发市场生态和数据生态的形成、开发流程的合规度的提高，以及智能单元解决方案的模块化。这个阶段着重于开发者生态，以及方案运行和维护的商业模式的成熟。
敏捷创新期‒有成熟运营和开发生态的市场，会催生更多跨场景联动的敏捷创新，或者同类场景的精细化和学习能力进一步提升，并可以由终端用户（尤其是消费者群体）发起更精细体验的智能单元的请求，如某社区家长团体可发起与智能校园和智能社区精细联动的请求，实现特定的未成年儿童群体进出校区和社区的智能化确认。这个阶段着重于认知框架的三个核心能力的全面提升，包括智能单元的覆盖面、跨场景连接的数量，跨场景数据互动的频度，可启动接入消费群体的平台功能。
智能认知期‒基础层的成熟度会形成跨场景跨空间的长链数据闭环，带来更高层面的自学习自适应能力，使城市可以从不同层面为不同群体提供适应性体验、高效率服务和整体寻优指引；新的智能服务可以随时被部署，旧的单元可以被淘汰，也因此具有全局意义上的自学习性和自适应性。这个阶段的智慧城市具备了多层面上的认知能力，可以适应不同人群和不同时期的发展需求。
达到智能认知期的智慧城市，可以在真正意义上做到“智能”为所有民众服务，并且形式丰富、与时俱进。认知城市的数据资产也是真正意义上的治理度、流动性、利用率兼具的数据资产。认知能力是智慧城市的“以人为本”的价值主张的集中体现，是智慧城市架构的最高层。
支撑认知化框架的关键技术
认知化能力需要的技术主要包括：
开发和部署智能单元需要的人工智能和物联网技术，也可以合并为智能物联技术（AIoT）。
实现可靠数据连接的数据治理、数据目录、数据虚拟化、数字主线、数字工程等技术。
提供单一信息源和全局优化可能的大数据平台，包括可以支持定制化服务的数据超市、数据可视化、先进分析和机器学习等技术。
纵向支柱需要的数据中心、5G网、云平台、增强算力资源等技术。
支持创新生态的开放开发者平台技术。
保障安全的数据保护、加密和设备隔离技术。
其中，无论是体验基础层，还是高层的认知能力都需要依赖人工智能技术。人工智能是新一代软件技术的代表，与传统软件显著不同，其输出响应弱依赖编码逻辑，而强依赖算法模型。算法模型由数据训练生成，并具有一定程度的不确定性和不可解释性。人工智能类应用的鲜明特征之一，是当训练用数据在模型使用中形成反馈闭环后，模型可以自我学习、自我纠正，以适应运行环境的变化。
数据闭环是人工智能类方案具备较高的可用性和自提升能力的前提。数据闭环的建立依赖持续供应和保障质量的数据流，与物联网设备的数据感测能力正好吻合，促成反馈环的形成。随着物联网传感器不断地收集现场数据，并具备在边缘设备轻量升级算法模型的能力，智能单元可以快速重复训练、更新和自我学习，它远远超越了传统的物联网应用的实现设备间泛通信的范畴，具有丰富的想象维度和扩张空间。自2018年左右兴起之后，智能物联的概念已经在不同行业得到重视和应用，尤其在以下几个方向：设备管理、运营协同、体验升级，也与智慧城市的三大类智能场景贴合：设施驱动的场景、过程驱动的场景和空间驱动的场景。
抽象来看，物联设备的数据采集端可以看作AIoT的感官来完成数据收集工作，其内置的或者在边缘系统部署的智能应用层则相当于大脑，两者合力形成数据闭环，提供限定空间和体验场景的认知能力。
综合看人工智能和物联网这两个技术市场，未来几年的发展趋势包括：
人工智能主导的市场趋势：（1）多场景应用‒在2022年就有至少55%的大型企业在超过一半的客户体验、系统安全、设备管理、采购等流程加入人工智能辅助元素；（2）边缘加速‒到2023年有75%的大企业会不同程度地采用边缘部署的人工智能方案，其中30%会依赖异构的加速方案；（3）技能平民化‒到2025年，自动机器学习和端到端的数据与模型管道会使可以完成数据分析和数据科学工作的人群增至现在的三倍；
物联网主导的市场趋势：（1）安全社交距离‒在今年，25%的福布斯1000强企业为需要在一线与人接触的员工提供自动感知安全社交距离的可佩戴设备；（2）设备即服务‒到2023年，40%的大企业会启用“设备即服务”的合约，以按使用付费并缩短设备更新周期；（3）数物融合‒到2025年，各种纳入数物融合概念的“现场2.0版”将为体育比赛和演出等带来实际的收入增长。
同时，新超级计算架构将对人工智能和物联网技术市场都带来深度影响，到2026年，新的超级计算能力如量子计算和深度学习芯片会促使10%左右的历史难题得到解决。
这些发展趋势也都会在城市认知化中的多个发展阶段中有所体现，如下举例：
在五个认知能力的发展阶段里，基础层的智能单元的推广具有持续的跨阶段的重要性。综合了两个维度-体验种类和物理空间数量的场景覆盖百分比，也是体验层认知能力的成熟度的重要指标，如同生命体的神经元一样，数量越多，代表学习的潜能越大，从惠民角度来看，带来的实际便利也越多。
互联互通社区
互联互通社区-IT智库，是互联互通社区IT架构、前沿技术平台。包含科技趋势、总体架构、产业架构、技术架构、系统架构、业务架构等内容，内容简练，皆属干货，
