为了满足新时代发展改革要求,达成公安机关向数据要警力的目标,把握深入推进“情指勤舆”一体化实战化运行机制改革会议精神,响应公安部下发的“情指勤舆”建设任务书需求,四维图新旗下数字孪生城市生态服务商世纪高通依托自身二三维数字孪生底座、高精度融合定位能力、多维业务数据融合能力、时空技战分析模型及电子沙盘能力支撑,研发了“情指勤舆”一体化实战平台。
世纪高通“情指勤舆”一体化实战平台以公安部“情指勤舆”建设任务书为基础,以公安机关一体化实战需求为导向,以“最大限度利旧,关键环节新建”为原则,充分对接现有警务信息化系统,可实现 “情报、指挥、勤务、舆情”的有机结合,助力公安机关实现“大融合、高共享、深应用”建设目标,构建情报先导、警力合成、纵向贯通、横向联动的警务新模式。
平台定位

平台价值
1. 打造情指勤舆数据中心,实现数据汇聚共享
对接人力情报系统、110接处警系统、执法办案系统、勤务管理系统等公安现有系统,充分汇聚公安内部业务系统数据,并预留外部系统对接接口,实现情指勤舆全要素数据汇聚。
2. 打造模型技战中心,实现模型驱动-挖掘数据价值
依托并扩展现有PGIS建设的技战法模型,以时空关联分析模型、活动规律分析模型、多人轨迹分析模型等作为驱动,进行同行人车、疫情防控同乘/住分析、落脚点、围堵预警等信息挖掘,充分发挥模型能力,挖掘数据价值。
3. 打造一体化实战中心,实现情报先导、精准辅助
以数据中心为支撑、以模型技战中心为驱动,打造集情报、指挥、勤务、舆情为一体的一体化实战平台,纵向体现各领域业务信息;横向发挥情报先导,横向关联,多部门协作的模式,支持快速精准处置警情、案事件、线索信息。
4. 打造全流程推演中心,助力警务预/方案查缺补漏
以电子沙盘基础支撑为依托,与日常业务、预案、行动相结合,通过集成警务标号规范图标,对业务、预案、行动进行关键任务拆解,动态构建推演场景,辅助进行全过程动态推演,助力查缺补漏。

平台应用场景
1. 态势感知
掌握警情、警力、重点人员、重点场所、实时视频等关注信息,实现信息全面感知,呈现公安机关打击犯罪、服务管理社会总体态势。

2. 情报中心
支持情报看板总览、情报专题深化、情报技战支撑、情报一键查询、警务合成研判等,相关服务贯穿情报看、查、研、用各个环节,充分发挥情报先导作用。
1) 情报看板总览:充分对接情报系统、接处警系统等现有系统,构建情报看板,了解今日情报特征,提供重点情报关注方向,实现全方位信息感知。

2) 专题数据融合:围绕重点人员专题、重大活动安保专题、专项行动、警情专题等,呈现警情、重点人员特征,重大活动安保态势及专项行动关键线索,挖掘情报价值,深化情报数据应用。

3) 技战模型支撑:集成技战法模型,提供由案找人、异常行为识别、隐性重点人挖掘、临控预警分析等多场景分析应用,支持追溯细节识别风险。

4) 智搜一键定位:通过关键字、身份证号、车牌号、案件号等信息快速定位要素对象,实现多维度进行情报画像关联展示,快速调取情报资源。

5) 合成研判任务构建:可根据发起的研判任务,选择研判小组,进行合成信息研判,提取关键信息,为警务指挥提供情报参考。

3. 指挥中心
提供流程化指挥和合成化指挥两种指挥模式,用户可根据事件等级及需求,自由选择指挥模式,实现实战应用的纵向指挥与横向联动相结合。
1) 流程化指挥模式(指挥模式一):支持周边分析、调取预案、制定警务行动方案、快速下达指令、处置进展跟踪等,全流程支撑警情处置,助力决策层快速高效处置。

2) 合成化指挥模式(指挥模式二):支持情报先导、勤务合成、舆情辅助、指挥调度,实现情指勤舆一体化联动处置。

4. 勤务中心
呈现辖区勤务一张图的同时,以四色预警网格图+模型的方式,提供勤务执勤优化方案:
1) 勤务信息汇聚:对接勤务管理系统,支持静态勤务和动态勤务上图,一图总览当前勤务状态。

2) 预警网格分析:接入警情安全四色网格图,通过未来区域安全的预测,给出推荐警力执勤点,实现以情报引领勤务,为勤务排版优化提供参考。

5. 舆情中心
了解社情民意、把握舆情动向、快速做出反应:可及时有效的掌握城市舆情动态,做好正向导控、提前识别风险,进行疏导化解。

6. 推演中心
警务活动任务拆解、助力查漏补缺:支持关键活动流程化拆解、动态场景构建,支撑方/预案动态推演与流程优化。

世纪高通“情指勤舆”一体化实战平台,在满足情报、指挥、勤务、舆情纵向条线业务的同时,以线索或警情为中心,建立研判机制,实现横向业务联动与共享、数据融合与共享,推动情报先导模式、助力高效指挥,辅助公安机关开启新时代警务模式新篇章。
好文章,需要你的鼓励
据《华尔街日报》报道,在马斯克针对OpenAI的诉讼失败后,OpenAI正加速推进IPO计划。CEO萨姆·奥特曼希望公司最快于今年9月上市,目前已与高盛、摩根士丹利合作,并可能在数日或数周内秘密提交上市申请。与此同时,马斯克旗下SpaceX的IPO文件也预计近期公开。两家公司的上市竞争,标志着马斯克与奥特曼的博弈从法庭转移至资本市场。
KAIST团队提出策略助推方法,通过强制分配解题方向引导AI探索多样思路,仅用八份样本就超越了消耗八倍资源的传统方法。
调查显示,51%的专业人士认为AI生成的低质量内容(即"workslop")正在降低生产效率,45%的人因此对职场使用AI更加谨慎。这类内容表面精致却缺乏准确性和实质价值。专家建议两步应对:一是重塑AI生产力思维,推行"AI先行、人工复核"的工作模式;二是保持持续投入,深入掌握AI工具的有效用法。企业领导者强调,真正从AI中受益需要坚持与学习,而非浅尝辄止。
要理解这项研究,先得明白现在的AI是怎么"画"图的。 可以把AI生成图片的过程想象成一个特殊的厨房。当AI要学会画图时,它不会像人类画家那样一笔一画地描绘,而是采用一种叫做"自回归"的方式——简单说就是"一个食材接一个食材地添加"。但问题在于,AI厨房处理的"食材"不是真实的图像像素,而是一种被压缩过的"标准化食材包"。 这个压缩过程,叫做"离散分词",由一个叫"分词器"(tokenizer)的设备完成。打个比方,分词器就像一台高级的食材切片机,它把一整张图片切成很多小块,然后给每一小块贴上一个"编号标签",对应到一本"标签字典"(也就是研究者口中的"码本")里的某个条目。比如,标签001可能代表"蓝天的一小块",标签002代表"绿草的一小块"。 这种做法的好处是大幅简化了AI的工作量——它不用记住几百万个像素,只需要记住一串编号就行了。这就是为什么如今像Chameleon、Emu3这些大名鼎鼎的多模态AI模型都用这种技术。 但问题也恰恰出在这里。当切片机以16倍的压缩率工作时(也就是说原本256个像素被压缩成1个标签),很多细节就被无情地丢弃了。蓝天少一些云彩、草地少几根草尖,人眼几乎看不出来。可一旦切到了文字或人脸,灾难就发生了——一个英文字母"e"和"c"的差别可能就在那么几个像素,一张脸上眉眼的位置稍微挪一挪,整个人就变了样。 研究团队发现,认知科学研究早就指出,人类的视线会不自觉地被文字和人脸吸引,对这两类内容的细节扭曲特别敏感。换句话说,AI画其他东西糊一点没关系,但文字和脸糊了,用户立马就能察觉。 之前的研究者也意识到了这个问题,他们的解决思路通常是"加大切片机的容量"——比如把标签字典从1万6千条扩展到26万条,或者让每张图用更多的标签。但这就像为了切好一根胡萝卜而把整个厨房改造成大型工厂,成本高得离谱,而且效果也不见得好。 清华和微软的团队提出了一个完全不同的思路:与其让切片机变得更大,不如教它学会"看重点"。 二、给切片机装上"火眼金睛"