从过去办理一份证明需要在多个部门之间来回奔波,到现在一个网站、APP就能一站式提供各类政务服务;从过去千头万绪的城市治理让人焦头烂额,到现在实现了“一屏观全域、一网管全城”的统筹化管理,智慧城市和数字政府在过去几年中创造出的作用和价值有目共睹。
在今年6月,国务院印发《国务院关于加强数字政府建设的指导意见》,提出了到2025年基本形成政府数字化履职能力、安全保障、制度规则、数据资源、平台支撑等数字政府体系框架的要求,政府的数字化变革在新时期又有了新的挑战、使命和任务。在服务数字政府、数字经济的发展中,紫光股份旗下新华三集团沉淀了丰富的经验,积累了众多的案例。
从城市到政府,以数字化牵引模式变革
在一座城市的发展和变革中,城市的精细治理、公共服务和产业发展,共同构成了智慧城市的建设体系,在这其中,数字政府的建设往往是“先行破局”的关键领域。在新华三集团看来,以政府自身的数字化建设牵引整个城市层面的数字化,进而让数字化的红利和价值延伸到产业和民生的各个领域,已经成为了一种愈发显著的趋势,政府数字化变革每一次的“多走一步”,都可能会驱动整个智慧城市发展实现巨大的变革。
因此,如何能进一步加强数字政府的建设,成为了当下各地政府关注的重中之重,数字化也必然成为构建政府履职能力体系中不可或缺的一个环节。从二十年前电子政务“两网四库十二金”建设,到政务信息系统的整合共享,数字政府在过去多年已经有了深厚积累。随着社会发展给政府履职能力提出了新的要求,政府需要以更加敏捷、高效的方式应对各种复杂的治理难题,而《国务院关于加强数字政府建设的指导意见》中提出的“加强”数字政府建设,正是代表过去“百花齐放”的数字政府建设在走到一个阶段之后,需要有高位统筹、顶层设计、协同步骤,对建设内容有一定的约束、规范。
“一网统管”,予力数据共享共治
如今,从智慧城市的建设,到数字政府的落地,“一网统管”平台的建设已经成为了共识。过去,政府治理体系往往是一个“川”字型的架构,各个部门、科室“各自为战”推动着垂直领域的数字化变革,在纵向维度上完成了各自的信息化、数字化建设。但在今天,面对传统架构中流程割裂、业务不畅的难题,数字政府的架构正在完成从“川”字向“王”字的转型,通过数字化手段,将业务流程梳理、贯通,数据汇集、分析。其中,“王”的三条横线象征着城市、区县和街镇的三级整合,而一条竖线代表着垂直领域的指令、事件、任务的统一上传下达,在纵横交错之中重构城市和政府数字化变革的平台。
在新华三集团看来,数据共享是横向打通的第一步,业务的重构和融合才是当下数字政府建设的关键。过去智慧城市中数据价值难以落地的一个根本原因,就在于没有和业务之间实现真正的融合。上海去年的“一网统管”平台实现了市、区级的整体贯通,是政府数字化变革的一个开端。同时,浙江也通过“数字化改革”的推进和落地,实现了多跨场景应用,推动了高质量发展。这些省市的创新和探索充分印证了“王”字型架构的作用,所有的任务都可以通过“一网统管”中统一的任务/事件中枢进行上传下达,提升了整个治理体系运行的效率。
数据共生,以“城市数字大脑”释放价值
如今,随着“一网统管”承运系统的建立,“城市数字大脑”具备了从感知、归集、治理、分析和应用数据的全生命周期能力,让智慧应用在众多场景中有了试点和创新的平台。以“数字抗疫”为例,如果数据的统计分散在疾控、医疗、教育等不同部门,数据无法实现打通和共享,那么往往就会出现统计的“错位”,但如果能够在统一的平台和系统中进行统计,那么就能解决数据应用过程中遇到的实际问题,最大程度上释放数据的价值。
在此之上,“数字孪生”的创新正在成为智慧城市体系中的重要维度。智慧城市能够在“一网统管”的统一平台之上,实现12345、物联中枢等各类数据的感知和归集,并在统一平台的基础上将数据进行交叉印证,不仅能够为城市管理者提供一张张二维的表格,更能够以三维的视角将各类数据映射到城市的孪生体系上,让城市决策者、管理者和每一家企业、每一位居民能够更好地审视和理解城市。未来,数字政府能够在长期运营中从互联网、公共服务等领域中吸纳更多数据,进一步细化城市数字孪生的维度,在车路协同、国土规划、应急防灾等场景中发挥更大的价值。
无论是“最多跑一次”等显性的变化,还是城市绿化等“隐形”的变化,数字化创新都在城市的变革中发挥着更大的价值。作为数字化解决方案领导者,新华三集团将在“云智原生”战略的指引下,以“数字大脑”为依托,发挥紫光云与智能事业群的全面数字化能力,与城市和政府的数字化一路同行,从底座建设到平台构建,全方位赋能政府履职数字化、智能化水平的持续提升,让更多人享受到数字化创新的红利。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。