本文将详细介绍五种重要的数据格式： •CSV •JSON •Parquet •Avro •ORC 在大数据时代，数据源之间的数据迁移和存储需要更具策略性的方法。如果没有优化的决策，通过 ETL 流程处理 TB 级数据可能会耗费大量时间和成本。本地部署系统虽然相对容易发现问题，但其基础设施不会自动适应新的情况，问题必须手动解决。 然而，在云端，资源可以自动扩展。虽然我们可能认为一切运行顺畅，但一些被忽略的小步骤却可能导致数万元的不必要成本。在我看来，根据项目需求选择合适的数据格式是大数据时代最关键的决策之一。 存储在 S3 中的物联网数据应该采用 CSV 格式还是 Parquet 格式？每周销售报告文件的最佳格式是什么？大小文件是否应该使用相同的格式？只有充分了解每种数据格式的特性，才能有效地做出这些决策。 近年来，某些格式——尤其是 Parquet 和 Avro——越来越受欢迎。尽管它们存在一些缺点，但它们的灵活性，尤其是在云环境中，极大地促进了它们的应用。在本文中，我将解释这些格式的特性、优势和劣势，并讨论哪种格式最适合特定场景。 一 CSV CSV是一种基于文本的表格数据格式，其中每一行代表一条记录。记录中的列或字段通常用分隔符（最常见的是逗号）分隔。第一行通常包含列名作为标题。CSV 格式被广泛支持，因此成为数据交换的热门选择。 1.编码 CSV 文件通常采用UTF-8编码，这样可以确保字符兼容性并使文件可压缩。 2.优势 •易于阅读： CSV 文件易于阅读和理解。 •通用性强： 几乎所有编程语言和工具都支持它。 •易于使用：可以手动生成、编辑和检查。 •兼容性：与电子表格和临时分析工具兼容。 3.缺点 •我认为，这种格式最大的缺点之一是它不存储元数据，不强制执行模式或数据类型，并且默认情况下将所有数据都视为文本。（例如，当使用其他工具读取 CSV 文件时，包含年龄等数值的列可能会被解释为整数，但这完全是一种解释，可能不正确，需要手动验证。否则，错误在所难免。） •由于其体积庞大且 I/O 速度慢，因此对于大型数据集来说效率低下。与 Parquet 格式相比，根据具体情况，它可能占用大约 10 倍的空间。 •CSV格式不适用于嵌套数据，这是由于CSV格式本身的设计缺陷造成的。例如，在更适合嵌套数据的格式（例如JSON）中，嵌套结构如下所示： { "user" : { "id" : 123 , "name" : "Alice" } , "actions" : [ { "type" : "click" , "time" : "2025-11-05T12:00Z" } ] } 相同的 CSV 数据必须以 JSON 字符串的形式表示在单个单元格中： user_id,user_name,actions 123,Alice,"[{""type"":""click"",""time"":""2025-11-05T12:00Z""}]""[{" "type" ":" "click" "," "time" ":" "2025-11-05T12:00Z" "}]" 这使得阅读、筛选和分析变得更加困难。 4.何时选择 CSV 格式 •适用于对人类可读性要求较高的中小型数据集。 •应用程序、分析师或团队之间轻松共享数据。 •不支持二进制或列式格式的系统或工具。 •快速原型制作或从电子表格（Excel、Google Sheets）导出。 二 JSON 多年来，JSON 一直是最流行的数据格式之一。它可以被视为一种通用语言，使不同的应用程序能够相互理解。其主要目的是促进 Web 服务和应用程序之间的数据交换。在 JSON 出现之前，XML 曾被广泛用于此目的，但它存在诸多缺陷。 XML格式非常冗长，难以阅读，尤其是在处理冗长且嵌套结构的情况下。它占用大量存储空间，解析XML文件会消耗大量的CPU和内存资源，因此不适合处理大数据。此外，XML的兼容性也有限，通常需要专门的库才能解析。 一个简单的 XML 结构示例： <user> <id> 1 </id> <name> Alice </name> <is_active> true </is_active> <address> <city> Berlin </city> <postal_code> 10115 </postal_code> </address> <hobbies> <hobby> music </hobby> <hobby> cycling </hobby> </hobbies> </user> JSON 随后应运而生，它是一种更简洁、更紧凑、人机可读且通用兼容的格式，极大地简化了跨语言数据交换。JSON以文本格式存储键值对数据。它支持嵌套和层级结构，能够自然地表示复杂且深度嵌套的数据。其通用性使其被广泛用于 API 数据传输和配置文件。 一个简单的JSON结构示例： { "id" : 1 , "name" : "Alice" , "is_active" : true , "address" : { "city" : "Berlin" , "postal_code" : "10115" } , "hobbies" : [ "music" , "cycling" ] } 1.编码 UTF-8 通常被使用，因为它既兼容 ASCII，又支持国际字符。由于采用了 UTF-8 编码，JSON 文件可以在不同的平台上无缝共享。 2.优势 •人类可读： JSON 文件是基于文本的，易于人类阅读。 •支持嵌套数据：可以自然地表示复杂和分层的数据结构。 •通用互操作性：几乎所有现代编程语言都支持。 •无模式灵活性：每条记录可以有不同的字段；不需要严格的模式。 •API友好： REST和GraphQL服务的标准格式。 3.缺点 •存储效率低下：每个记录中都重复出现键，这会增加大型数据集的大小。虽然它适用于消息传递，但并不适合大规模存储。 •不强制类型：数字、布尔值或空值均被视为文本；正确的类型由应用程序自行决定。这种缺乏强制的做法可能是一个缺点，尤其是在 ETL 流程中，新数据可能需要持续关注以避免类型错误。 •解析成本：与二进制格式相比，CPU 和 RAM 使用率更高，尤其是对于大文件而言。 •无元数据： JSON 中不包含最小值、最大值或空计数等信息。 •大文件处理：大文件需要流式传输或分块传输；一次性将整个文件加载到内存中是不切实际的。 4.何时选择 JSON •API 数据交换（REST/GraphQL）： JSON 非常适合在不同系统和编程语言之间传输数据。它为 Web 服务、微服务和移动应用程序提供了一种标准、快速且易于解析的格式。 •适用于快速原型设计和共享的中小型数据集：虽然 JSON 不是存储大型数据的最佳选择，但对于中小型数据集来说效果很好。 •人的可读性很重要：与 XML 或二进制格式相比，其基于文本的键值结构使得错误和缺失字段更容易识别和调试。 •嵌套和分层数据： JSON 自然地支持嵌套对象和数组，可以轻松地以清晰有序的方式表示复杂的结构，例如包含地址和订单的用户对象。 三 Parquet Parquet 是当今最流行的数据格式之一，专为Apache Hadoop 生态系统中的大数据分析而设计。它的主要目标是在高效存储大型数据集的同时，优化查询和分析性能。其最重要的特性是列式结构，这显著提升了查询和存储性能。从很多方面来看，Parquet 都可以被视为大数据时代的主流。 Parquet文件的结构 Parquet文件由三个主要层组成： Parquet 文件 •行组： Parquet 文件的一部分（例如，100 万行一组）。 •列块：行组中特定列的数据(e.g., user_id, age, country)。 注意：每一列（例如，country）并没有存储在整个文件的单个连续块中，而是作为每个行组中的单独列块存储。 行组允许并行读取和基于行的过滤（谓词下推），从而只读取必要的行块，降低 I/O 成本并提高读取性能。 1.编码 Parquet 格式以二进制列式结构存储数据。虽然 Parquet 中的文本数据可能使用 UTF-8 编码，但其效率并非源于编码本身，而是源于其他特性，我们将在下文讨论这些特性。 2.优势 （1）列式结构 采用列式结构可以显著提高 Parquet 格式的效率。其最大的优势在于，在大型查询中，系统只会读取所需的列，而忽略不必要的列。这不仅提高了I/O 性能，还降低了成本。 对基于行的格式（例如 CSV）和基于列的格式（例如 Parquet）的数据进行查询的方式如下： （2）基于行的查询（CSV） 在 CSV 文件中，所有行都以文本形式存储： 1，爱丽丝，30，美国，100 2，鲍勃，25，美国，200 3，卡罗尔，40，德国，150 4，戴夫，35，德国，300 5，伊芙，28，美国，250 查询： “美国客户总消费额”→ 仅需要列country和spend 因为 CSV 是基于行的，所以会读取和解析所有行，包括id、name、age。 I/O 成本： 5 行 × 5 列（读取整个文件）。 （3）列式查询（Parquet） 在 Parquet 格式中，列存储在单独的块中： 列ID：1、2、3、4、5 ； 列名称：Alice、Bob、Carol 、Dave 、Eve； 列年龄：30、25、40、35、28 ； 列国家/地区： US 、US、DE 、DE、US ； 列消费金额：100、200、150、300、250 •查询： “美国客户总支出”→ 仅读取country和spend列块。 •id、name 和 age 不会从磁盘读取，从而降低了 I/O 和 CPU 开销。 •列式格式结合字典编码、游程编码（RLE）和位打包（bit-packing）可减小文件体积并加速读取。 格式 ｜ 读取的数据 ｜I/O -----｜-------------｜------ CSV（行式）｜所有行 + 所有列｜高 Parquet（列式）｜仅 country 和 spend 的数据块｜低 （4）行组 行分组不仅按列划分数据，还按行划分数据，具体如下： •提高I/O 性能 •减少过多的随机磁盘访问 例如：一个文件有 3 个行组，每个行组有 50 万行： 如果我们只查询 ` idA` 和 ` ageB`，就不会访问 `C` name、country`D` 和 `D`salary中的 450 万行数据，从而节省大量资源。行组也可以并行读取，进一步提升性能。 如果我们需要的数据只在一个行组中，则跳过其他行组，从而节省高达 80-90% 的 I/O。 （5）字典编码 Parquet 的另一个效率提升之处在于字典编码。重复值存储在字典中，并通过索引进行引用，从而减少了高度重复数据的存储空间。 例子： 列：[美国, 美国, 德国,美国,德国, … ] 字典：{ 0 :美国, 1:德国} 编码列： [ 0 , 0 , 1 , 0 , 1 , … ] 如果我们有 10K 行：6K United States+ 4K Germany，我们存储索引而不是完整的字符串，最多可以节省约 90% 的空间。 原始文本（CSV）： 6,000 × 13 = 78,000字节4,000 × 7 = 28,000字节总计：106,000字节≈ 103.5 KB字典编码（Parquet ） 10,000行→ 2个类别→每行1字节（或至少1位）总编码：10,000字节≈ 9.8 KB （6）游程编码（RLE） RLE 对连续重复的值进行数值计数： 列： [ 0 , 0 , 0 , 1 , 1 , 2 , 2 , 2 , 2 ] RLE： [ (0 , 3 ) , (1 , 2 ) , (2 , 4 ) ] # 前三个值为 0 等 •数值使用最少位数。 例如：值为 0-3 的列只需要2 位而不是 32 位。（7）模式强制执行与元数据 Parquet 文件包含有关文件及其数据类型的元数据。 元数据存储模式和数据类型，以便下游消费者可以信任数据类型，而无需重新定义模式或依赖自动检测（自动检测容易出错）。 元数据还包括 Parquet 版本、创建者、写入工具（Spark、Pandas 等）、列最小值/最大值（启用谓词下推）、空值计数和值计数。 3.缺点 Parquet 格式不具备可读性：它是一种二进制格式；直接读取它只会显示原始二进制数据。需要使用专门的工具（例如 PyArrow、Pandas、Spark、DuckDB）来检查或处理数据。 小型数据集的写入开销：元数据、编码信息和字典表会使 Parquet 文件比小型 CSV 文件大得多。例如，一个包含几百行的 CSV 文件可能只有 10 KB，而相同数据的 Parquet 文件则可能需要 100 KB。 兼容性问题：并非所有系统或轻量级工具都直接支持 Parquet 格式，包括： •遗留系统 •基本电子表格或商业智能工具 •小型嵌入式或基于脚本的解决方案 •通常需要中间库（例如 Pandas、PyArrow、Spark）才能读取。 4.何时选择Parquet •大规模分析和大数据查询： Parquet 格式非常适合拥有数百万甚至数十亿行数据的数据集，尤其适用于对查询性能和 I/O 效率要求极高的情况。其列式结构允许仅读取必要的列，从而减少磁盘和内存使用量。 •嵌套或复杂的数据结构： Parquet 支持结构体、数组和映射等复杂数据类型，使其适用于分层或半结构化数据，而这些数据在 CSV 等基于行的格式中会显得很繁琐。 •云存储和成本效益：在云环境中，仅读取所需列可降低 I/O 和计算成本。Parquet 的压缩和编码特性可进一步减少存储占用。 •ETL管道和分析框架： Parquet可与Spark、Hive、Presto和DuckDB等大数据工具无缝集成。当数据将被多个下游分析系统使用时，它堪称完美之选。 •基于列值过滤场景：当查询涉及基于列值进行过滤时（例如，WHERE country = 'US'），Parquet 的行组和元数据允许跳过不相关的数据块，从而大幅提高查询速度。四 Avro Apache Avro 是 Apache Hadoop 生态系统中最古老、最成熟的数据格式之一。它由 Hadoop 的创建者 Doug Cutting 开发。其主要目的是解决数据可移植性和模式定义方面的不足。Avro基于行，与早期格式不同的是，它采用二进制而非文本格式。这使其更高效、更快速、更节省空间。 例如，考虑一个 10 位数： 1234567890 •在 CSV 或 JSON 格式中，每个数字都存储为一个字符（每个数字占用 1 个字节）： '1' → 00110001 '2' → 00110010 ... '0' → 00110000 •总计：10 字节。解析需要将每个字符转换回整数。 •在像 Avro 这样的二进制格式中，该数字以 int32（4 字节）形式存储，节省了约 6 个字节，并且允许直接内存访问而无需解析，从而显著提升了速度。 Avro 也像 Parquet 一样提供模式强制执行，这意味着模式存储在文件元数据中。 1.文件结构 Avro 文件由三个主要部分组成： Avro 文件 •头部：包含描述数据结构的“魔数”和模式定义（JSON 格式）。 •数据块：以压缩二进制形式存储实际数据。数据块支持并行处理；程序可以跳过不需要的数据块以加快访问速度。 •同步标记：充当断点，帮助在文件损坏时恢复数据。 编码 •Avro 以二进制格式存储数据，比 JSON 或 CSV 格式小得多。 •无需进行文本解析，因此CPU 使用率低。 2.优势 •模式演化与类型强制执行 •该模式嵌入在文件中，确保类型安全和向前/向后兼容性。 向后兼容性示例： 旧模式： { "type" : "record" , "name" : "User" , "fields" : [ { "name" : "id" , "type" : "int" } , { "name" : "name" , "type" : "string" } ] } 旧数据（二进制表示，以 JSON 格式显示）： { "id" : 1 , "name" : "Alice" } { "id" : 2 , "name" : "Bob" } 新增模式，添加了字段（is_active）及其默认值true： { "type" : "record" , "name" : "User" , "fields" : [ { "name" : "id" , "type" : "int" } , { "name" : "name" , "type" : "string" } , { "name" : "is_active" , "type" : "boolean" , "default" : true } ] } 使用新模式读取旧文件会产生以下结果： { "id" : 1 , "name" : "Alice" , "is_active" : true } { "id" : 2 , "name" : "Bob" , "is_active" : true } •旧数据不包含新字段，但Avro 会使用默认值填充该字段，从而确保向后兼容性。向前兼容性则以相反的方向实现。 紧凑二进制格式 •比文本格式小得多（大约是 JSON 大小的 10-20%），但比 Parquet 大。 快速序列化和反序列化 •序列化和反序列化数据时 CPU 使用率极低，使其成为Kafka、Flink 和 Spark Streaming 等实时系统的理想选择。 与语言无关 •模式在 JSON 中定义，数据是二进制的 → 可以轻松地在 Python、Java、Go、C++、Scala 等中使用。 非常适合流媒体播放 •基于行的结构意味着每个记录都是独立的，非常适合基于事件的处理（Kafka 主题、消息传递系统）。 3.缺点 人类无法阅读 二进制格式无法直接读取；需要 PyArrow、Avro 工具或 Spark 等工具进行检查。 基于行的结构 SELECT AVG(price)对于分析查询（例如，在大数据集上），列式格式（Parquet/ORC）效率较低。 读取模式所需 没有模式就无法读取数据。模式必须嵌入在文件中或可从外部获取。 压缩技术不如Parquet/ORC先进 行式存储限制了压缩效率；列式格式可以实现更好的存储空间缩减。 4.何时选择 Avro 流式传输和消息传递系统： Kafka、Flink、Pulsar 等，其中事件需要快速序列化。 模式管理和向后兼容性：跨版本自动模式演化。 类型安全：与 JSON 不同，Avro 强制执行数据类型。 适度的存储优化：比文本格式小，但不需要列式压缩。 高频 ETL 和微服务：适用于服务间数据流密集的系统。 五 ORC（优化行列式） ORC 是一种专为 Hadoop 生态系统开发的高性能列式二进制数据格式。它专为分析海量数据而设计，因此具有很高的查询效率和压缩率。它也像 Parquet 一样具有模式强制执行功能。 1.文件结构 ORC 文件包含三个主要部分： Postscript：数据以大块形式存储，每列都是独立的。也就是说，一个条带包含一组行的逐列数据。 Footer：包含所有架构、统计信息和条带位置。 Stripes：提供有关压缩、文件格式版本和页脚长度的信息。 下面我们通过一个例子来更清楚地理解这三个部分； 假设我们有一个客户表； ORC 文件 2.编码方法 ORC 的编码方式与 Parquet 非常相似；我们在此不再赘述。您可以在上面的 Parquet 部分阅读相关内容。不过，我们可以大致讨论三种基本方法； 字典编码：对于重复值，创建一个字典，并存储字典中的索引而不是数据本身。 游程编码（RLE）：连续相同的值用一个值及其重复次数表示。 位打包：对于数值，使用最少的位数，例如，对于 0 到 3 之间的值，只需 2 位就足够了。 3.优势 •高压缩比： ORC 具有很高的压缩比。这主要是因为数据是按列存储的，并且相似的数据是连续存储的。我们在 Parquet 部分已经提到过这一点，并指出这种方法称为游程编码 (Run-Length Encoding)。 •模式强制执行：与 Parquet 格式一样，ORC 也具有模式强制执行机制。我们前面已经讨论过它的重要性。 •快速分析： ORC 与 Parquet 类似，仅在需要时才访问数据，从而显著提升读取性能。更多详细信息，请参阅 Parquet 部分。 4.缺点 ORC的缺点与Parquet的缺点非常相似；简而言之，这些缺点包括： •不可读：由于 ORC 是二进制格式，因此无法浏览或读取。 •基于行的更新很困难：它专为追加或批量分析而设计，而非事务性的行级更新。它更侧重于分析，因此不适合行级更新。这是因为数据以列为单位存储在较大的数据块（条带或行组）中；更改单行需要重写所有相关的列数据块。 •小数据集的元数据开销：对于非常小的表，元数据和条带开销可能会使 ORC 比 CSV 或 Avro 更大。 •工具依赖性：某些轻量级工具或旧系统可能不支持 ORC 原生支持。 5.何时选择 ORC •对大型数据集进行分析查询： ORC 在读取密集型分析工作负载（如 Hive 或 Spark 中的聚合、过滤和连接）中表现出色。 •需要高压缩率：重复性或低基数数据集可受益于 ORC 的列式压缩。 •Hadoop 生态系统集成：与 Hive、Spark、Presto、Impala 或 HDFS/S3 存储配合使用时非常理想。 •谓词下推/更快的过滤： ORC 的条带级元数据可以高效地跳过不必要的数据。 •具有批量追加功能的稳定模式：非常适合追加密集型管道，但不太适合事务性行更新。 6.Parquet 与 ORC区别 这两种文件类型都是二进制、列式存储，并且在许多方面都使用非常相似的方法。然而，它们在某些方面也存在差异。首先，ORC 格式的优化更为激进。因此，在某些情况下，ORC 格式可以获得更好的压缩效果，并且由于其元数据更详细、更全面，因此也能提供更好的读取性能。 我们将在平台上使用的工具也很重要。ORC 主要面向 Hive 和 Hadoop，因此在这里速度可能更快；而 Parquet 在云端和异构系统中表现更佳，具有更强的平台兼容性和通用性。虽然这两种工具通常都适用于批量分析，但使用 ORC 添加少量数据或进行基于行的数据更改效率较低。Parquet 在这方面则更加灵活，可以根据具体情况用于此类操作。让我们简要比较一下这两种工具： 今天，我们介绍了大数据生态系统中的关键数据格式：CSV、JSON、Parquet、Avro 和 ORC。我们分析了它们的主要特性、优势、劣势以及各自最适用的场景，包括存储、性能、模式强制执行、压缩和兼容性等方面的考量。您可以在下方找到总结表。 来源（公众号）：数据驱动智能
2025年中央城市工作会议明确部署“坚持把城市作为有机生命体系统谋划”，为新时代城市发展贯穿系统性思维与生态化理念。在此背景下，国家发展改革委等部门印发《深化智慧城市发展 推进全域数字化转型行动计划》（以下简称《行动计划》），既是对中央城市工作会议精神的精准落地，更是数字中国战略在城市领域的深化拓展。作为城市生命体的“数字血脉”与“神经中枢”，全域数字化转型正重塑城市生长逻辑、治理范式与发展动能，推动现代化人民城市从“写意勾勒”迈向“工笔细描”。深入把握《行动计划》的理论内核与实践路径，需从数字化与城市生命体的共生关系、系统构建的协同生态、蓝图落地的实践突破三个维度，明晰其时代价值与深层逻辑。 一、共生共荣：数字化与城市生命体的本质联结 城市作为人口、产业、资源的聚合载体，绝非冰冷建筑的简单堆砌，而是具备自我调节、动态演化特征的有机生命体。《行动计划》的核心要义，在于以数字化为“血脉”与“神经”，激活城市生命体的感知、协同、进化能力，实现“人-城-境-业”的共生共荣。这种联结并非技术层面的简单叠加，而是对工业化时代城市发展规律的深度重塑。 （一）生命体视角：重构城市数字化本质认知 传统智慧城市建设多聚焦技术应用的单点突破，《行动计划》则将城市视为“有机生命体”，突出数字化转型的“全域性”与“系统性”。这一视角革新，意味着城市数字化不再是“给机器装芯片”，而是为城市生命体构建全域“循环系统”——通过数据要素流动，打通城市“资源代谢、要素配置、安全防控”等核心功能，实现从“物理集聚”到“数字协同”的质变。 正如人体需血液输送养分、神经传递信号，城市生命体的健康运行，同样需要数据作为“养分载体”、数字基础设施作为“传导网络”。《行动计划》提出的“设施联通、数据融通、平台互通、业务贯通”，本质是为城市生命体搭建“四通”循环体系，让数据像血液般渗透到城市治理、产业发展、民生服务的每一个“细胞”，让数字技术像神经般串联起城市运行的每一个“器官”。其中，城市信息模型（CIM）、国土空间信息模型（TIM）、建筑信息模型（BIM）的协同应用，以及实景三维中国数据的开发利用，更是为“四通”循环体系提供了空间维度的技术支撑，推动城市从“平面管理”向“立体治理”升级。 （二）互塑机制：构建人城境业数字协同新范式 城市生命体的核心是“人”，数字化转型的终极目标是让城市更宜居、更韧性、更有温度。《行动计划》通过“数智赋能治理”“数字美好生活”等行动，构建“城育人、人塑城”的互塑机制：一方面，城市通过数字化升级为市民提供更精准的服务（如高效处置“一件事”、高效办成“一件事”）、更安全的环境（如城市生命线监测预警），其中医疗电子处方流转、费用一站结算、诊疗数据共享、社会保障卡居民服务“一卡通”跨省通用等高频民生场景的落地，让服务精准度与便捷性显著提升；另一方面，市民通过数据反馈、场景参与（如民意速办、接诉即办、未诉先办）反向塑造城市生命体的数字化自修复能力，形成“需求-响应-迭代”的良性循环，而基层报表“一数一源”“统采共用”机制的建立，则进一步降低了市民与基层组织的数据填报负担，让参与渠道更畅通。 这种互塑不仅体现在人与城之间，更延伸至“境”与“业”：通过城市数字更新行动，推动基础设施数字化改造，让生态环境（境）治理更精细（如智慧环保监测）；通过数字经济赋能行动，以数据要素价值化实现“以城带产、以产促城”，让产业（业）成为城市生命体的“肌肉组织”，支撑城市持续生长。 （三）进化逻辑：实现城市治理能力质的跃升 城市生命体的核心特征是适应环境变化的进化能力。《行动计划》通过“城市智能中枢建设”“适数化改革”等部署，为城市生命体注入“学习能力”——通过数据沉淀形成的“城市知识图谱”、算法迭代构建的“决策模型”，让城市能够从历史数据中提炼规律、从实时数据中感知异常、从多元数据中预判趋势，实现从“事后处置”到“事前预防”的跨越。 正如超大特大城市率先建设的“智慧高效治理新体系”，本质是为城市生命体安装“智慧大脑”，通过“一网统管”实现对交通拥堵、环境污染、公共安全等“健康指标”的实时监测与动态调节；而“城市运行体征指标体系”的构建，则如同为城市建立“健康体检报告”，让治理者精准把握城市运行状态，推动治理从“经验决策”转向“数据决策”。 二、八网联动：六项行动构筑城市数字生态体系 《行动计划》部署的六项行动（智慧高效治理提升、数字美好生活、数字经济赋能、城市数字更新、数字化转型筑基、适数化改革创新），并非孤立割裂的任务清单，而是以数据流为纽带，构建起“设施网、数据网、业务网、知识网、创意网、产业网、民心网、安全防护网”八网联动的数字生态体系，为城市生命体提供全维度支撑。这一体系的核心，是打破“条块分割”的传统壁垒，实现“网网相连、网网赋能”。 （一）基础支撑网：筑牢城市生命体“骨骼”与“血脉” 城市生命体的正常运行，依赖强健的“骨骼”（基础设施）与畅通的“血脉”（数据流动）。《行动计划》通过“城市数字更新行动”“数字化转型筑基行动”，构建“设施网”与“数据网”协同支撑格局： 设施网以“物联、数联、智联”为目标，整合感知终端、算力网络、通信设施，如同为城市生命体打造“神经网络末梢”，实现对交通流量、管网状态、环境质量等细微变化的实时感知。例如，“城市数字基础设施”的集约建设，避免了“重复开挖”“系统孤岛”，让设施资源像骨骼般形成整体支撑；而低空数据基础设施的适度超前布局、智能化路侧基础设施与云控基础平台的建设，则进一步为低空经济、自动驾驶等新兴场景提供了设施保障，提升车路协同水平。 数据网通过“公共数据一本账”“数据产权制度探索”，推动数据跨部门、跨区域、跨层级流通，如同为城市生命体打通“血液循环系统”。《行动计划》提出的“数据要素价值化实现”，正是让数据从“沉睡资源”变为“流动养分”，通过“数据券、模型券”等创新工具，激活数据在民生服务、产业创新中的价值潜能。 （二）功能协同网：激活城市生命体“肌肉”与“大脑” 如果说基础支撑网是“硬件”，那么“业务网”与“知识网”则是城市生命体的“肌肉”（治理能力）与“大脑”（决策智慧）。《行动计划》通过“智慧高效治理提升行动”与“适数化改革创新行动”，推动治理能力与知识沉淀协同升级： 业务网以“一网统管”“高效处置一件事”为核心，打破部门壁垒，构建“监测预警-事件流转-指挥调度-闭环落实”全链条机制，如同为城市生命体训练“协同肌肉”，让交通管理、应急处置、民生服务等功能形成“联动反应”。例如，“数字化城市综合运行和治理中心”的建设，实现了城市运行、应急管理等系统的“多脑协同”，避免了“各自为战”的治理困境。 知识网依托“城市智能中枢”“模型即服务”生态，沉淀治理经验、产业规律、服务模式为可复用的算法模型，如同为城市生命体构建“记忆与学习系统”。《行动计划》提出的“超大特大城市率先落地一批先进可用、自主可控城市大模型”，正是让城市能够从海量数据中提炼知识，实现治理与服务的“智能迭代”。 （三）发展活力网：培育城市生命体“细胞”与“灵魂” 城市生命体的活力，源于“细胞更新”（产业创新）与“精神共鸣”（民心凝聚）。《行动计划》通过“数字经济赋能行动”“数字美好生活行动”，构建“产业网”“创意网”“民心网”协同发展格局： 产业网以“以城带产、以产促城”为路径，通过“数据创新型产业 ”“城市首试首用体验场”，推动数字技术与实体经济融合，如同为城市生命体培育“活力细胞”。例如“数字产业集群”的发展，既提升了产业竞争力，又为城市创造了就业机会，实现“产城共生”；而数据保险、数据信托等金融服务产品的探索，则进一步丰富了产业网的支撑工具，降低企业数据创新风险。 创意网鼓励“智创品质生活”“数字友好人居环境”，支持市民、企业、社会组织参与数字化场景创新，如同为城市生命体注入“创新基因”。《行动计划》提出的“城市首试首用体验场”，让市民从“被动接受服务”变为“主动参与创造”，催生了智慧养老、 微治理等个性化场景。 民心网聚焦“高效办成一件事”“民意速办服务”，让市民感受到数字化带来的便利与温度，如同为城市生命体凝聚“精神共识”。智慧 建设中提出的数字惠民服务生活圈、幸福邻里综合体，让民心在“数据血脉”的流动中更加凝聚；同时，针对老年人、儿童、残障人士等群体的公共空间与数字服务适老化、适幼化、无障碍改造，以及“一老一小”公共服务资源一站式集成，进一步让民心网覆盖更广泛群体，弥合数字鸿沟。 （四）安全防护网：守护城市生命体“免疫系统” 城市生命体的健康成长，离不开“免疫系统”的守护。《行动计划》通过“数字化转型筑基行动”中“筑牢数字化转型安全防线”的部署，构建“安全防护网”，为城市数字生态保驾护航：一方面，强化网络安全、数据安全防护能力，健全政务云网安全保障体系，实现城市数据基础设施的可信接入、安全互联、跨域管控、全栈防护；另一方面，推进数据安全治理，建立数据安全风险防控体系，强化数据分类分级保护与全生命周期安全管理，完善个人信息保护制度，压实政府、企业、社会组织等各类主体的安全责任，确保数据在流动与应用中“安全无虞”，为城市生命体的数字化进化提供稳定环境。 三、落地突破：从蓝图到实景的实践进阶 如果说2024年《关于深化智慧城市发展推进城市全域数字化转型的指导意见》是全域转型的“发令枪”，那么《行动计划》则是具体的“路线图”与“施工图”。推动蓝图落地，需把握目标锚定的阶段性特征、路径创新的关键突破、因地制宜的差异化推进，让城市生命体的数字化成长既见实效、亦具特色。 （一）目标锚定：2027年标杆引领与2035年远景展望的衔接 《行动计划》明确提出“到2027年建成50个以上全域数字化转型城市”，这一目标并非简单的数量指标，而是对城市生命体数字化成熟度的阶段性定义。转型城市的核心标志，在于形成“智慧高效治理、美好生活普惠、数字经济活跃、数字更新有序”的良性生态，具备可复制、可推广的转型经验；同时，超大特大城市需率先建成智慧高效治理新体系，落地一批先进可用、自主可控城市大模型，形成头部引领效应。 从长远看，《行动计划》还明确了“到2035年，涌现一批具有国际竞争力、全球影响力的现代化城市”的远景目标，与2027年阶段性目标形成“短期突破-长期跃升”的完整时间轴。从具体指标看，“高效处置一件事”覆盖城市运行重点事件，意味着城市治理的“响应速度”与“解决效能”大幅提升；“高效办成一件事”覆盖高频民生事项，标志着市民“获得感”的实质性增强；“自主可控城市大模型”落地，体现了城市“智慧大脑”的自主进化能力。这些指标共同构成城市生命体数字化成熟的“体检标准”，指引各地精准发力。 （二）路径创新：制度供给与主体协同的双轮驱动 从蓝图到实景，关键在于突破“制度壁垒”与“协同难题”。《行动计划》通过“适数化改革创新行动”，构建制度与技术双轮驱动的落地路径： 制度创新聚焦“流程再造”与“规则重构”，例如“加快城市运行管理服务平台体系建设，完善城市运行管理工作机制”“跨部门数据合作机制”“线下网格与线上网络联动协同机制”等城市综合治理机制，打破传统治理的“条块分割”，让城市生命体的“协同反应”更顺畅；同时，加快推进数据确权规则、数字权证应用、行政管理与政府采购等制度改革，为数据要素流通扫清制度障碍。“长效运营运维模式”则通过“用户满意度导向的运营预算与评价考核机制”，建立运营运维评价动态反馈和发布机制，强化评价结果运用，确保数字化建设“建得好、用得久、管得优”，避免“重建设轻运营”的短期行为。 主体协同强调“政府引导、市场主导、社会参与”，让多元主体像“细胞协作”一样形成合力。例如，“数据要素价值化”通过“数据即服务”“模型即服务”生态，吸引企业、科研机构参与数据开发，激活全社会创新活力；而“立体化运营体系”（涵盖数据运营、场景运营、设施运营）的建立，则进一步明确政府、企业、社会组织在运营中的权责分工，形成协同闭环。 （三）因地制宜：差异化发展塑造城市数字竞争力 城市生命体的魅力在于其独特性，数字化转型同样不能“千城一面”。《行动计划》鼓励各地立足资源禀赋、发展阶段，分类分级有序推进：超大特大城市可聚焦“智慧高效治理新体系”，利用人才与数据优势，在城市大模型、跨区域协同治理上率先突破；中小城市可侧重“数字基础设施补短板”与“特色场景创新”，例如结合农业优势发展智慧农业、依托文旅资源打造数字文旅场景；资源型城市可强化“数字赋能绿色发展”，通过智慧环保、碳足迹监测等场景，实现生态保护与经济发展的平衡。这种差异化发展，如同自然界中不同物种的“生态位分化”，让每座城市在数字中国的大生态中找准定位，形成“百舸争流、各具特色”的生动局面。 （四）组织保障：多方联动与能力建设的支撑 《行动计划》落地需强化“顶层统筹-基层落实-能力支撑”的全链条保障：在国家层面，由国家发展改革委数据局会同财政部、住房城乡建设部、自然资源部等部门加强工作指导，分类分级有序推进，强化部门协同与上下联动；在地方层面，支持各地建立高层级统筹推进机制，针对重大需求、重大场景、重大改革集中发力；同时，加大对数字化转型技术攻关、重大项目、试点试验的资金支持，强化数字化转型、数据合规、数据服务等专业人才队伍建设，并通过优秀实践与典型案例的提炼推广、深化国际交流合作，为各地提供经验借鉴与能力支撑，确保转型路径不偏、力度不减。 结语：迈向数字文明时代的现代化人民城市新图景 从“数字福州”的探索到“数字重庆”的实践，从“一网通办”的便民到“一网统管”的高效，我国城市数字化转型已走过十余年历程。《行动计划》的出台，标志着这一进程进入“系统重构、质效提升”的新阶段——不再是技术的简单叠加，而是城市生命体的“系统性重塑”；不再是单点的创新突破，而是全域生态的“整体性进化”。站在新的历史起点，推进全域数字化转型，需以系统思维呵护城市生命体的健康成长，以创新精神破解转型中的难点堵点，让数字化真正成为滋养城市、服务人民的“源头活水”，为中国式现代化注入澎湃的城市高质量发展动能。 作者： 中央财经大学政府管理学院城市管理系主任 王伟 来源（公众号）：北京数据
城市是推进数字中国建设的核心载体，更是中国式现代化建设的主战场与动力源。近日，《深化智慧城市发展 推进全域数字化转型行动计划》（以下简称《行动计划》）正式发布，明确了推进城市全域数字化转型的思路与目标，并从六个方面系统规划了扎实推进转型的重点任务与具体举措，为城市数字化转型提供了行动指南。《行动计划》深入贯彻中央城市工作会议精神，深刻把握并主动适应我国城镇化和城市发展的形势变化，以数据赋能城市经济社会发展全局为核心理念，充分发挥数据要素在城市高质量发展中的协同优化、复用增效与融合创新作用，不仅为提升城市治理智能化精细化水平提供了清晰路径，更为满足人民群众美好生活需要注入了动能，为现代化人民城市建设提供了强大支撑。 一、聚焦三大核心领域全维度赋能城市发展 建设现代化人民城市具有深刻的理论内涵与实践意义。“人民城市”彰显了中国特色城市发展的本质属性，“现代化”则涵盖创新、宜居、美丽、韧性、文明、智慧等多元维度，是对城市发展质量与水平的综合性要求。《行动计划》锚定建设现代化人民城市的目标定位，坚持数据驱动、应用导向，聚焦城市智慧高效能治理、高品质生活、高质量发展三大核心领域，致力于全领域、全方位、全过程赋能城市经济社会发展。 一是以数据驱动城市高效能治理。当前我国城市工作重心正发生重大转变，亟需打破“重建设、轻治理”的传统思维与惯性做法，加大治理投入，推动城市向高水平运营、高效能治理转型。《行动计划》紧密结合治理需求，统筹发展与安全，提出实施城市智慧高效治理提升行动，围绕城市运行、安全风险、社会服务与治理等关键领域，明确了构建城市智慧高效治理体系、数智赋能城市应急安全保障、提升民意速办服务效能等重点举措。其中，深化“一网统管”建设，构建城市运行体征指标体系，建立数据赋能、分级协作、闭环落实的智慧高效治理机制；围绕城市风险早期预警、灾前防范、应急处置等关键环节强化数智赋能；在社会治理中深化数字化应用，提升社情民意实时感知与精准服务水平等举措，均有助于将风险防控深度嵌入城市管理系统，助力建设安全可靠的韧性城市，提升城市平急联动协同能力。 二是以数据创造高品质生活。人民群众对美好生活的向往是城市工作的出发点与落脚点，宜居则是践行人民城市理念的基本要求。《行动计划》提出开展数字美好生活行动，着力建设舒适便利的宜居城市。重点聚焦医疗、健康、教育、新就业群体服务管理等重点应用场景，推进智慧公共服务升级；打造数字赋能文旅、体育、数字消费等新型数字生活场景，推动人工智能在消费场景的深度应用，发展智创品质生活；精准识别老年人、儿童、残障人士等群体的服务需求，推动城乡数字基本公共服务均衡化，优化数字友好型人文环境。一系列举措紧扣民生所需、推动精准普惠，充分彰显了城市数字化转型的“温度”，生动诠释了“人民城市为人民”的发展理念。 三是以数据引领高质量发展。建设富有活力的创新城市，精心培育创新生态，在发展新质生产力上持续突破，是我国当前及今后一段时期城市工作的重点任务。《行动计划》立足城市内涵式发展的战略取向，统筹建设与治理关系，提出实施数字经济赋能行动，从发挥城市功能的角度推动经济高质量发展。在依托城市集聚优势、推进数据要素价值化实现“以城带产”的同时，更强调“以产促城”，利用数字技术推动城市功能改造，建设创新型产业 、商务 ；依托产业园区促进传统产业、新兴产业、未来产业的科技创新成果落地转化；构建城市经济运行协同调度与监测体系，支持有条件的地区开展城市数字经济监测分析，为建设活力之城、机遇之城提供有力支撑。 二、聚焦存量提质增效推进城市数字更新 城市全域数字化转型需置于我国城镇化和城市发展的历史方位中审视。从我国新型工业化、城镇化进程来看，尽管城镇化仍有较大空间与潜力，但增速已整体趋稳，城市空间布局和基础设施建设已大体成型，多数城市建成区面积与开发强度已达较高水平，城市发展已难以延续外延式扩张态势。在我国城镇化从快速增长期转向稳定发展期、城市发展从大规模增量扩张转向存量提质增效为主的阶段，推动城市全域数字化转型必须以坚持城市内涵式发展为主线，以推进城市更新为重要抓手。 《行动计划》深刻把握我国城市发展阶段性特征，提出推动城市数字更新行动，注重通过盘活存量带动增量发展。一方面，优先解决安全与韧性问题，加快城市基础设施数字化更新改造。在风险高发区域有序实施城市泛在感知工程，运用人工智能等技术深化城市生命线安全工程建设，同时建立健全数字基础设施与市政基础设施同步规划、同步建设机制。另一方面，深化智慧 建设，着力提升城市功能与品质。支持有条件的地区改造建设一批高品质智慧 ，完善 嵌入式服务设施，按需配置、优化升级 数字服务能力，发展智慧物业；打造数字惠民服务生活圈，建设涵盖一站式托育助老、亲子阅读、 康养等服务的幸福邻里综合体，通过高品质生活空间的打造实现城市有机“新陈代谢”。 三、聚焦城市新“硬件”构建统筹集约数字底座 新时代以来，我国新型城镇化水平和城市发展能级不断提升，城市面貌发生历史性变化，城市功能实现历史性跃升，城市发展取得历史性成就，城市发展的传统“硬件”设施已达到较高水平，部分特大超大城市更是走在世界前列。但与此同时，面对新一轮科技革命和产业变革加速演进、人民群众需求日益升级的新形势，我国城市在数字基础设施建设方面仍有较大提升空间。 《行动计划》提出实施数字化转型筑基行动，强调大力推进城市数字基础设施建设，集约布局感知、网络、算力等基础设施，推进全国一体化算力网建设，在国家算力资源统筹规划下，推动跨区域多元异构算力资源的统筹管理与灵活调度；强化数据资源供给，积极探索数据产权归属认定、合规流通、权益分配等制度建设，建立动态更新的城市公共数据资源目录，逐步构建公共数据“一本账”；完善城市智能中枢，构建统一规划、统一架构、统一标准、统一运维的一体化中枢系统，加强城市数据汇聚治理与融合利用；高度重视数字化转型安全，强化网络安全、数据安全一体化防护能力。一系列具体行动围绕基础设施、数据资源、智能中枢、安全防护四个主要维度形成实施城市新“硬件”发展“路线图”，为现代化人民城市构筑了坚实的数字底座。 四、聚焦激发城市活力深化适数化改革 建设现代化人民城市，需要通过持续深化改革破解矛盾难题，加快培育壮大城市发展新动能。当前，许多城市的政策、标准体系形成于大规模扩张时期，而数字化领域的政策制度仍不健全，亟需破除数字化转型的制度性堵点，加快构建与城市发展新阶段、新目标、新任务相适应的政策制度体系，在适数化改革中实现突破。 《行动计划》坚持系统观念与问题导向，提出开展适数化改革创新行动。重点围绕城市治理需求推进适数化改革，依托城市智能中枢创新跨部门数据合作机制，构建线下网络与线上平台联动协同机制，开展有利于数字化转型的数据确权规则、数字权证应用、行政管理、政府采购等制度改革；针对城市运行效能提升，创新长效运营运维模式，探索建立以用户满意度等应用效果为导向的运营预算与评价考核机制；尤其注重发挥标准的基础性、引领性作用，推动形成涵盖数字底座、转型场景、运营运维等领域的标准规范体系，并围绕服务主体评价，制定城市全域数字化转型规划咨询、建设实施、运营运维三类服务主体评价标准，构建闭环管理体系。相关适数化改革既强调跨部门、跨层级、跨区域统筹协调，又注重鼓励和支持各城市因地制宜，差异化探索全域数字化转型之路，有助于持续激发城市活力，提升现代化人民城市建设的整体效能。 作者： 国务院发展研究中心公共管理与人力资源研究所综合研究室主任、研究员 赵峥 来源（公众号）：北京数据
在数字化转型的进程中，“数据”、“平台”、“组织”被喻为必须翻越的“三座大山”。其中，数据是核心驱动力，软件平台是技术支撑，而组织则是实现转型的基础与保障。唯有构建灵活高效的组织机制，才能推动数据治理落地、释放数据价值，最终实现数字化转型的目标。通过最近走访的一些头部高校，对学校的数据部门的工作调研，促使我思考该如何建立数据治理团队，IT部门如何构建敏捷组织。 一、敏捷组织：数字化时代的组织新范式 （一）敏捷组织的核心定义 敏捷组织（Agile Organization）是指能够灵敏感知内外部环境变化并快速响应的组织形态。麦肯锡研究将其形容为“生物型组织”——如同生命体般具备自我调节、快速进化的能力。与传统金字塔型层级结构不同，敏捷组织以扁平化架构、跨职能团队、端到端责任为特征，强调“小团队作战”与“动态协同”，从而打破层级壁垒，提升决策效率。 （二）敏捷组织的五大核心特征 1.架构灵活：从“层级管控”到“扁平协同” 传统组织依赖金字塔结构实现权力集中，但层级越多，沟通成本越高、响应速度越慢。敏捷组织通过消除上下级壁垒，将组织拆解为小型跨职能团队，团队规模控制在1-5人左右，采用"部落-小队"模式（Tribe-Squad），每个小队承担特定数据治理任务，如教学数据质量提升、科研数据标准化等专项工作。这种结构在企业中已实现决策效率提升30%以上，在高校中可有效解决教务处、科研处、学工处等部门的数据割据问题。 2.数据驱动：从“权威指令”到“数字决策” 数据成为敏捷组织的“神经中枢”。不同于传统高校依赖经验决策的模式，敏捷组织强调"用数据说话"，通过构建统一数据中台，实现教学评价、科研管理、学生服务等场景的量化决策。例如某双一流高校通过分析学生行为数据，将图书馆借阅量、在线课程参与度等12项指标纳入学业预警模型，使挂科率下降18%。 3.员工能动：从“被动执行”到“自我驱动” 敏捷组织将员工定位为“专家型参与者”，而非“任务执行者”。通过目标对齐（OKR）、自主决策、团队协同模式，激发员工主人翁意识。通过OKR（目标与关键成果法）替代传统KPI考核，赋予教师、科研人员、技术人员充分的决策自主权。荷兰代尔夫特理工大学的实践表明，这种模式能使数据治理项目的参与度提升40%，显著改善行政人员与一线教师的协作效率。 4.领导赋能：从“控制管理”到“方向指引” 管理者角色从“指令下达者”转变为“资源协调者”与“方向洞察者”。IT部门负责人从控制者转变为赋能者，聚焦数据战略制定而非具体事务审批，直接牵头协调资源，消除部门本位主义。斯坦福大学数据治理委员会的"方向指引+资源保障"模式，成功推动全校17个业务系统的数据互联互通。 5.动态资源：从“权力分配”到“市场调配” 资源配置摆脱“部门壁垒”，建立市场化资源调配机制。改变传统高校按编制分配资源的固化模式，采用"数据项目入库"，由跨部门团队根据治理需求申请资源，如利用教育教学课题立项申报，通过竞争性申报机制，使有限资源向高价值治理项目倾斜。 二、数据治理为何需要敏捷组织？ 在数字化浪潮下，数据需求呈现“易变性、不确定性、复杂性、模糊性”（VUCA）特征。传统组织因层级僵化、部门割裂、决策滞后，难以应对数据治理的动态需求。敏捷组织通过“柔性架构+数据驱动+全员协同”，成为破解数据治理难题的关键。 （一）数据治理的本质：从“管控数据”到“释放价值” 数据治理的核心目标不是“管理数据”，而是通过数据创造业务价值。这一目标具有显著的动态演进特征：从初期的"消除数据孤岛"，到中期的"构建数据应用场景"，再到长期的"形成数据驱动文化"，每个阶段的重点任务差异明显。传统高校的常设性数据管理部门往往因职责固化，难以适应目标切换需求。而传统层级组织的“层层上报、跨部门协调难”问题，往往导致数据治理沦为“形式化合规”。 （二）敏捷组织可以破解数据治理三大痛点 1.打破“IT部门孤军奋战”困境 传统数据治理多由IT部门主导，业务部门被动配合，导致“数据与业务脱节”。敏捷组织通过IT与业务深度融合，组建跨职能项目团队（如“业务+技术+数据”铁三角），确保数据标准、质量规则与业务场景紧密结合。 2.应对“需求动态变化”挑战 高校数据治理本质上是持续优化的渐进式过程，而非一蹴而就的工程建设。无论是数据标准制定、治理工具开发还是治理文化培育，都需要通过快速迭代响应实践反馈。传统"大而全"的治理方案往往因无法适应实际需求变化而导致项目失败。敏捷组织通过短周期冲刺（Sprint）、快速验证（MVP）机制实现数据治理“小步快跑、敏捷迭代”。 3.构建“全员共治”文化 高校数据治理涉及教学、科研、管理、服务四大领域，治理对象呈现出显著的复杂性：从数据类型看，既有结构化的学籍数据，也有非结构化的科研文献；从数据主体看，涉及师生、管理者、科研团队等多元角色；从治理环节看，覆盖数据采集、存储、共享、应用全生命周期。数据治理需“人人参与”，而非“数据部门专属责任”。敏捷组织通过员工自我驱动、激励机制对齐，推动数据意识渗透到业务全流程。 三、组织架构：从"科层壁垒"到"网络协同" 构建适配高校特点的敏捷数据治理团队，需要从组织架构重构、运行机制设计、能力体系建设三个维度系统推进。这一路径既要吸收企业敏捷实践的成熟经验，又要充分考虑高校学术组织的特殊性，构建具有教育行业特色的治理模式。 从学校整体层面而言，打破传统高校按行政职能划分的组织边界，实现战略层、协调层、执行层的有机衔接： 战略决策层：设立校级数据治理委员会，由校长担任主任，分管信息化副校长任副主任，成员包括教务处、科研院、人事处等核心部门负责人及数据领域专家教授。目前国内很多高校已经成立了类似的委员会，可以通过治理驾驶舱实时监控重点项目进度，有效避免委员会沦为形式化机构，建立"决策-执行-反馈"闭环工作机制。 跨域协调层：学校信息化部门实际上是数据治理常设协调机构，负责将战略层决策转化为具体任务。关键职能包括制定数据治理标准规范（如《高校数据分类分级指南》）、统筹跨部门数据项目、开展数据治理成熟度评估等。 敏捷执行层：信息化部门的数据业务部或信息系统部则是数据治理的执行层，构建多元化执行团队体系，进行敏捷组织建设是数据治理成效的关键。负责日常数据治理工作，如数据质量管理团队（监控数据质量KPI）、数据安全合规团队（处理隐私保护问题），采用"7+2"人员配置模式（7名专职技术人员+2名业务部门人员）。针对临时性治理任务，如"智慧迎新"，任务完成后自动解散。采用"3×3"组建原则：3个核心部门（学工、信息、教务）+3个关键角色（产品负责人、技术负责人、业务负责人）。上述方法可以灵活配置团队规模，有效缓解数据部门人员不足的问题。 四、运行机制：从"行政指令"到"价值驱动" 建立适配敏捷治理的全流程运行机制，通过目标管理、协作模式、激励机制的创新，激发团队内生动力： 目标管理机制：引入OKR（目标与关键成果法）替代传统任务分解模式，通过"校级战略-部门级战术-个人级执行"三级联动，确保治理目标上下对齐。 迭代协作机制：采用Scrum敏捷框架，将治理项目分解为2-4周的冲刺周期，通过"每日站会-冲刺评审-回顾会议"实现持续改进。 激励约束机制：构建多元激励体系，在项目奖励、职称评审、教学成果认定等方面设计激励政策。同时建立柔性约束机制，通过数据治理成熟度评估，将评估结果与部门绩效考核挂钩。 五、能力体系：从"单一技能"到"复合素养" 敏捷组织需要“懂业务+懂技术+懂数据”的T型人才，除技术能力外，强调“问题解决能力”“跨团队沟通能力”。数据治理团队需要从五个方面进行建设。 （一）以客户为中心：从“部门视角”到“用户视角” 用户需求是数据治理的起点，敏捷组织需建立“客户洞察-数据响应-价值交付”的工作闭环。基于用户旅程 Mapping，梳理用户全流程数据触点，识别关键痛点。对新数据应用场景（如个性化推荐）先进行小范围测试，用小步验证方式，获取用户反馈并快速调整。 （二）以数据驱动：从“经验决策”到“数字洞察” 数据是敏捷组织的“血液”，需构建“数据采集-整合-分析-应用”全链路能力。通过协作工具（如飞书、Jira）、低代码平台（如Power Apps）、数据中台支撑小团队快速行动。搭建实时数据平台，通过数据湖、流处理技术（如Flink）实现业务数据实时接入。推广普及自助分析工具，为业务人员提供低代码分析平台（如Tableau、Power BI），减少对IT部门的依赖。 （三）重新定义IT：从“成本中心”到“价值引擎” 敏捷组织要求IT成为业务创新的“发动机”。IT部门努力实现三个转型，一是从“业务支撑”到“业务驱动”，IT人员要嵌入业务一线，IT工程师与业务部门工作人员共同主导数据治理；二是从“技术实现”到“生态整合”，通过引入外部技术供应商（如云服务、AI工具）弥补内部能力短板，与第三方合作搭建平台，降低数据处理成本；三是从“系统运维”到“能力中台”，构建可复用的数据中台、业务中台，支撑前端快速创新。 （四）业务与IT深度融合：从“部门协同”到“组织共生” 打破“业务不懂技术、IT不懂业务”的壁垒，实现“技术赋能业务、业务反哺技术”。IT人员可以到业务部门轮岗，业务人员参与系统开发。通过双向奔赴，培养“既懂业务又懂大数据”的复合型骨干。业务与IT团队共享目标，联合OKR设定，双方协同完成数据埋点、模型优化、运营活动设计等环节。 （五）培养复合型人才：从“单一技能”到“多元能力” 数据团队需要“懂业务+懂技术+懂数据”的T型人才，除技术能力外，强调“问题解决能力”“跨团队沟通能力”。加强内部培训，开设“数据治理专项培训”“业务场景工作研讨”；对数据创新成果给予额外奖励，在教学成果申报、论文认定、专利软著申请等方面给予支持。 五、结语：敏捷组织——数据治理的“胜负手” 数字化转型的本质是“用数据重构业务逻辑”，而敏捷组织则是这一过程的“组织容器”。从“架构灵活”到“数据驱动”，从“员工能动”到“业务IT融合”，敏捷组织通过系统性变革，将数据治理从“合规任务”转化为“业务增长引擎”。未来，只有那些能够快速感知数据价值、灵活调整组织形态组织，才能立于不败之地。 正如管理学大师彼得·德鲁克所言：“动荡时代最大的危险不是动荡本身，而是仍然用过去的逻辑做事。”敏捷组织，正是应对数据时代不确定性的“新逻辑”。 来源（公众号）：数智转型洞察
在之前的文章中，我们探讨了什么是数据中台。数据中台本质上是实现数据“汇聚整合”与“服务化输出”的核心载体。
Gartner研究副总裁高挺（Arnold Gao）表示：“2026年对技术领导者而言是至关重要的一年，变革、创新与风险将在这一年以空前的速度发展。2026年的各项重要战略技术趋势将密切交织，折射出一个由人工智能（AI）驱动的高度互联化世界的现实图景。 在这样一个世界，企业机构必须推动负责任的创新、卓越运营和数字信任。这些趋势不仅代表了技术变革的方向，还是促进业务转型的催化剂。今年不同于以往的一点是变革速度——这一年涌现的创新成果远超以往。由于下一轮创新浪潮已近在眼前，只有当下采取行动的企业才能应对市场波动和决定未来数十年的行业走向。” 以下是2026年重要战略技术趋势。（小编根据10大趋势内容做了一个图表供大家更快速的参考阅读，版权归属Gartner公司） Part 01 AI超级计算平台 AI超级计算平台整合了CPU、GPU、AI ASIC、神经系统计算和替代性计算范式，使企业能够统筹复杂工作负载，同时释放更大的性能、效率与创新潜力。这些系统融合了强大的处理器、海量存储、专用硬件及编排软件，可处理机器学习、仿真模拟和分析等领域的数据密集型工作负载。 Gartner预测，到2028年，将混合计算范式架构应用于关键业务流程的领先企业将达到40%以上，较当前8%的水平大幅增长。 高挺表示：“该技术已在推动各行各业的创新。例如医疗和生物技术企业已将新药建模时间从之前的数年缩短至仅需数周；金融服务机构通过模拟全球市场降低了投资组合风险；在公共事业领域，服务商通过建立极端天气模型提升电网性能。” Part 02 多智能体系统 多智能体系统（MAS）是由多个AI智能体组成的集合，它们通过交互实现复杂的个体或共同目标。这些智能体既可在单一环境中交付，也可在分布式环境中独立开发部署。 高挺表示：“通过使用多智能体系统，企业可实现复杂业务流程的自动化、提升团队技能并开创人类与AI智能体的新协作方式。采用模块化设计的专业智能体通过在各工作流中重复使用成熟解决方案提升效率、加快交付速度和降低风险。这种方案还便于扩展运营规模和快速适应需求变化。” Part 03 特定领域语言模型（DSLM） 首席信息官（CIO）和首席执行官（CEO）正要求AI创造更多商业价值，但通用大语言模型（LLM）往往难以胜任专业任务。特定领域语言模型（DSLM）凭借更高的准确性、更低的成本和更好的合规性填补了这一空白。DSLM是在针对特定行业、功能或流程的专用数据上训练或微调的语言模型。不同于通用模型，DSLM能更加精准、可靠且合规地满足特定业务需求。 Gartner预测，到2028年，企业使用的生成式AI（GenAI）模型中将有超过半数属于特定领域模型。 高挺表示：“上下文正成为决定代理部署成功与否的关键因素之一。基于DSLM的AI代理可解读特定行业的上下文，即使在陌生场景中也能做出合理决策，因而具有出色的准确性、可解释性和决策合理性。” Part 04 AI安全平台 AI安全平台为第三方及定制AI应用提供了统一防护机制，它能够进行集中监测、强制执行使用策略并有效防范AI特有风险，如提示注入、数据泄露、恶意代理行为等。此类平台可帮助CIO有力执行使用政策、监控AI活动并在全AI系统中建立统一防护边界。 Gartner预测，到2028年，使用AI安全平台保护AI投资的企业比例将达到50%以上。 Part 05 AI原生开发平台 AI原生开发平台使用GenAI实现空前快速、便捷的软件开发。进入业务部门的软件工程师作为“前沿部署工程师”可使用这些平台协同领域专家开发应用。企业只需维持现有开发人员规模，通过组建微型团队配合AI即可开发更多应用。目前，领先的企业正在组建微型平台团队，在安全和治理框架范围内让非技术领域专家能够自主开发软件。 Gartner预测，到2030年，80%的企业将通过AI原生开发平台将大型软件工程团队转变为更小、更敏捷的团队并通过AI赋能这些团队。 Part 06 机密计算 机密计算重塑了企业处理敏感数据的方式。由于工作负载被隔离在基于硬件的可信执行环境（TEE）中，因此即使面对基础设施所有者、云提供商或任何拥有硬件物理访问权限的实体，机密计算也能保持内容与工作负载的私密性。这对受监管行业、面临地缘政治与合规风险的跨国公司以及竞争对手间的合作尤为重要。 Gartner预测，到2029年，75%以上在非可信基础设施中处理的业务将通过机密计算保障使用安全。 Part 07 物理AI 物理AI通过赋能具有感知、决策和行动能力的机器与设备（例如机器人、无人机和智能设备），将智能带入到现实世界。它能为自动化、适应性和安全性至关重要的行业带来可观的收益。 随着该技术的日益普及，企业需要融合IT、运营与工程知识的新型技术人才。这一转变虽带来了技能提升与协作机会，但也可能引发人们对就业的担忧，因此需要采取谨慎的变革管理。 Part 08 前置式主动网络安全 随着企业面临的网络、数据及联网系统威胁成倍增长，前置式主动网络安全正成为趋势。Gartner预测，到2030年，随着CIO从被动防御转向主动防护，前置式主动防御解决方案将占到企业安全支出总额的一半。 高挺表示：“前置式主动网络安全的核心在于运用AI驱动的安全运营、程序化阻断与欺骗技术在攻击者行动前实施干预，这项技术通过预测实现防护。” Part 09 数字溯源 随着企业日益依赖第三方软件、开源代码及AI生成内容，数字溯源验证已成为一项重要的需求。数字溯源指对软件、数据、媒体及流程的来源、所有权和完整性进行验证的能力。企业可使用软件物料清单（SBoM）、认证数据库、数字水印等新工具验证和追踪供应链中的数字资产。 Gartner预测，到2029年，在数字溯源方面投入不足的企业将面临高达数十亿美元的制裁风险。 Part 10 地缘回迁 地缘回迁指企业因考虑到地缘政治风险而将数据与应用从全球公有云迁出至主权云、区域云服务商或自有数据中心等本地平台。云主权这一概念曾仅限于银行与政府机构，如今随着全球局势动荡加剧而影响到各类企业。 高挺表示：“将工作负载转移至主权立场更强的服务提供商可帮助CIO加强对数据驻留、合规及治理的控制力。这有助于提高对本地法规的遵从性并获得关注数据隐私或国家利益的客户的信任。” Gartner预测，到2030年，欧洲和中东地区将有超过75%的企业把虚拟工作负载回迁至降低地缘政治风险的解决方案，而2025年的这一比例不足5%。 今年的主要战略技术趋势聚焦未来五年将为CIO、IT及高科技领导者带来重大变革与机遇的趋势。Gartner客户可通过《2026年重要战略技术趋势》专题报告了解更多详情。 来源：Gartner公司
近年来，“场景”一词在各类政策文件、产业报告和创新实践中频繁出现——从“数字政府场景化建设”到“AI+ 工业场景落地”，从“消费端场景创新”到“公共服务场景优化”。“场景”已不再是单纯的“情境描述”，而是成为新技术落地、新需求挖掘乃至问题解决与新价值创造的核心载体。 究其本源，当人工智能、物联网、大数据、边缘计算等新技术不断突破壁垒后，如何避免技术沦为“空转工具”，使其精准对接真实需求，成为创新的关键命题？而“场景”，正是链接技术与价值的重要桥梁。基于实践和研究总结，本文将场景归纳为“问题场景、需求场景、应用场景、案例场景”四阶框架，系统厘清从“发现问题”到“创造价值”的完整逻辑链条，以期为新技术时代的创新实践提供行动参考。 从“问题场景”入手，精准锚定价值源头 在新技术加速渗透的当下，创新实践往往面临“伪痛点”干扰——部分看似亟待解决的问题，要么脱离实际需求，要么缺乏技术适配基础，最终导致资源错配与创新低效。而“问题场景”的核心价值，在于依托新技术的感知、分析能力，穿透表象，识别核心矛盾，精准锚定“具体问题 + 价值缺口”。 借助数据监测、用户画像等技术工具，“问题场景”能够摆脱“模糊感受”的局限，将抽象的“不便”转化为可量化、可界定的具体矛盾：明确“谁在什么情境下遇到了什么阻碍”，以及“这一阻碍会造成怎样的价值损失”。这种精准锚定，使创新从源头就瞄准真正的价值“靶点”，避免技术投入“无的放矢”，也为后续价值创造筑牢了基础。 明晰勾勒“需求场景”，准确反映目标诉求 如果说“问题场景”是价值创造的“起点”，那么“需求场景”便是连接问题与技术的“转换器”。它将问题背后的价值缺口系统拆解为可落地的分层诉求，为新技术应用提供清晰指令。 “需求场景”的勾勒需紧扣“技术适配性”与“价值完整性”：既要关注直接解决问题的显性需求，明确技术应用的核心方向；也要重视支撑价值落地的隐性需求，保障技术应用的实际体验——若忽略隐性需求，即便技术功能达标，也可能因“体验缺陷”难以落地；还需考虑技术联动的关联需求，推动价值形成闭环，避免出现“解决老问题、引发新矛盾”的情况。 在此过程中，要警惕走入“技术先行”的误区，始终坚持以价值为导向，让需求牵引技术应用，而非让技术定义需求，确保每一项诉求都能服务于创造价值的最终目标。 打造“应用场景”，融合新技术创造新价值 “应用场景”是“需求场景”的具象化落地载体，也是新技术真正转化为实际价值的“最后一公里”。它聚焦于“在具体情境下，如何通过技术方案满足需求并创造价值”，核心在于实现技术与场景的深度适配。 打造“应用场景”需充分考量场景的约束条件——包括成本预算、环境限制、用户能力等，拒绝脱离实际的“通用方案”，而是要结合场景特性定制技术组合。“应用场景”通过将新技术与场景需求深度融合，使技术从“空中楼阁”的功能堆砌转变为嵌入实际场景的实用工具，既解决核心问题，又契合场景特性，最终创造出可感知、可量化的新价值。 这种“场景定制化”的技术应用，不仅能提升创新效率，更能确保价值落地的稳定性与可持续性。 用好“案例场景”，迭代推广实现价值升级 “案例场景”并非简单的成果展示，而是兼具“内部优化”与“外部推广”双重价值的闭环环节，既是前序场景的验证与修正载体，也是价值经验跨场景、跨区域扩散的核心纽带。在新技术赋能的创新生态中，单一案例的价值往往局限于内部，只有通过系统化推广，才能将局部经验转化为行业级、区域级的规模化价值增量。 一方面，“案例场景”需通过真实实践完成内部校准——验证“问题—需求—应用”链条的合理性，发现漏洞、反馈优化；另一方面，更需构建“可推广的经验模板”，通过提炼案例中的“共性逻辑”与“适配方法”，形成标准化的推广框架。同时，可依托数字化平台搭建案例共享库，整合不同领域、不同规模的案例经验，配套“场景适配指南”，帮助推广对象快速判断案例适用性，降低试错成本。 这种“内部迭代 + 外部推广”的双轮驱动，既能让案例价值从单一场景延伸至更广领域，实现“一点突破、多点受益”，又能通过推广中的反馈进一步丰富案例内涵，形成“迭代—推广—再迭代”的良性循环，推动价值创造从“局部优化”走向“系统升级”。 四阶场景联动，构建价值创造的系统闭环 “问题场景、需求场景、应用场景、案例场景”并非线性的步骤流程，而是围绕价值创造形成的相互校准、动态优化的系统闭环——“问题场景”锚定价值源头，若锚定偏差，后续环节便会偏离方向；“需求场景”拆解技术指令，若拆解不完整，应用场景便难以落地；“应用场景”实现价值转化，若适配不足，价值便无法有效生成；“案例场景”推动价值优化与推广，若反馈缺失或推广乏力，价值创造便难以突破局部局限、实现规模化增量。 这一闭环框架的核心意义，在于为新技术时代的创新实践提供一条清晰的从“技术”到“价值”、从“局部”到“全局”的转化路径，让创新不再依赖“经验判断”，而是基于系统逻辑实现精准发力与规模化扩散。在新技术加速创新的背景下，唯有依托四阶场景的联动，才能让技术真正嵌入社会经济肌理，成为推动价值创造从“单点创新”走向“生态化突破”的核心力量，为产业升级、公共服务优化、消费创新等领域提供坚实支撑。 来源（公众号）：浙江数字经济
为进一步深化智慧城市发展、推进全域数字化转型，充分发挥数据赋能城市经济社会发展作用，近日，国家发展改革委、国家数据局、财政部、住房和城乡建设部、自然资源部组织制定了《深化智慧城市发展 推进全域数字化转型行动计划》。 内容如下： 为贯彻落实党中央、国务院决策部署，进一步发挥数据要素在城市高质量发展中的协同优化、复用增效和融合创新作用，扎实推进城市全域数字化转型，着力建设便捷高效的智慧城市，提升城市治理体系和治理能力现代化水平，更好满足人民群众美好生活需要，制定本行动计划。 一、总体要求 以习近平新时代中国特色社会主义思想为指导，深入贯彻党的二十大和二十届二中、三中全会精神，全面贯彻习近平总书记关于城市工作的重要论述，坚持和加强党的全面领导，认真践行人民城市理念，坚持稳中求进工作总基调，坚持数据驱动、应用导向，统筹发展和安全，把城市作为推进数字中国建设的综合载体，以数据赋能城市经济社会发展全局为重点，以城市数字底座建设为支撑，以适数化改革为保障，推进设施联通、数据融通、平台互通、业务贯通，全领域推进城市数字化转型，全方位增强转型支撑，全过程优化转型生态，提升城市治理智能化精细化水平，为推进现代化人民城市建设注入强大动力。 到2027年底，数据赋能城市经济社会发展取得明显进展，“高效处置一件事”覆盖城市运行重点事件，“高效办成一件事”覆盖高频民生事项，数字经济成为城市发展新动能，在城市智慧高效治理、便捷普惠服务、城市数字更新等重点领域和关键环节取得突破性进展，建成50个以上全域数字化转型城市。超大特大城市率先建成智慧高效治理新体系，落地一批先进可用、自主可控城市大模型。到2035年，涌现一批具有国际竞争力、全球影响力的现代化城市。 二、实施城市智慧高效治理提升行动，提高平急联动协同能力 （一）构建城市智慧高效治理体系。深化“一网统管”建设，构建城市运行体征指标体系，建立数据赋能、分级协作、闭环落实的智慧高效治理机制。鼓励有条件的城市建设数字化城市综合运行和治理中心，探索建立基于智能中枢的多级贯通智能化平台，推进城市运行、综合治理、交通管理、应急管理等系统互联接入，提升监测预警、事件流转、指挥调度、决策支持等核心能力。加强基础平台功能整合、协同发展，完善城市信息模型（CIM）平台。强化实景三维中国数据开发利用。推动国土空间信息模型（TIM）、城市信息模型（CIM）、建筑信息模型（BIM）等在城市管理中的应用。加快城市运行管理服务平台建设，完善城市运行管理工作机制，探索实施全流程数字化报建，推进建立历史文化街区、建筑物、地下管廊等数字档案。构建房屋安全隐患动态监测和智能预警技术体系，提升房屋建筑管理智慧化水平。优化城市交通流量和交通信号灯控制，提高道路通行效率。深化国土空间规划实施监测网络建设，推进国土空间治理数字化转型。推动生态环境监测网络数智化转型，支撑污染防治等绿色低碳数字化应用。 （二）数智赋能城市应急安全保障。鼓励有条件的城市建设城市安全风险监测预警体系，建立公共安全、生产安全、自然灾害等城市风险的信息共享和应急联动机制，提高风险早期识别预警能力。探索利用大模型开展暴雨、台风等极端天气快速综合研判，优化预警信息发布流程，加强提升灾前防范能力。建立覆盖全域、全灾种的城市安全事件应急处置数字化预案库，支持有条件的地区开展多视角、跨领域智慧应急场景仿真推演。推动无人机、机器人等在公共安全、应急救援等领域的应用。 （三）提升民意速办服务效能。推动完善党建引领基层治理体系，健全多元治理力量全过程参与机制。用好市民服务热线等机制，加快整合政务服务、基层网格、12345热线、舆情信访等渠道数据，推进民意速办、接诉即办、未诉先办。坚持依法治市，深化数据赋能网格管理、 治理、志愿服务和矛盾解纷等数字化应用，提升社情民意实时感知与精准服务水平。建立健全基层报表“一数一源”“统采共用”机制，有序推进基层信息填报渠道整合，探索拓展信息社会化、自动化采集等新模式。 三、开展数字美好生活行动，助力民生服务精准普惠 （四）推进智惠公共服务。支持各地增加“一网通办”特色事项，推动银行、医院、电信等更多公共服务集成办理，压减整体办理时长和跑动次数。加快拓展医疗电子处方流转、费用一站结算、诊疗数据共享等应用场景，推广远程会诊、检查检验结果互认等服务。发展健康管理、保险快速理赔等数据融合应用。推进人工智能全学段教育和全社会通识教育，拓展“人工智能+教育”“一网通学”等应用场景。加快推进社会保障卡居民服务“一卡通”跨省通用、一卡多用、线上线下融合发展。 （五）发展智创品质生活。打造数字赋能文旅、体育、数字消费等新型数字生活场景，推动人工智能在消费场景应用。强化数智技术在文旅内容创作、场景生成、导游导览等方面的创新应用，推进博物馆文物、古籍文字、历史建筑等文化遗产活化利用。加快推进体育场馆等文体设施数字化改造，推进健身场地共享共用。推动传统商圈数字化改造，打造智慧商店、人工智能产品体验店等数字消费新场景，积极发展消费新业态。鼓励有条件的地区开发碳足迹核算、碳交易等创新应用。支持建设城市跨领域信用服务体系，实现医疗、出行等服务信用认证、无感畅享。 （六）优化数字友好人居环境。利用数据分析精准识别老年人、儿童、残障人士等群体服务需求，持续推动城乡公共空间、数字服务适老化、适幼化和无障碍改造。推进医疗机构、康养机构、托育服务机构、家政机构数据有序共享、开发利用，强化“一老一小”公共服务资源一站式集成，推进助餐、助洁、助急等个性服务。开展覆盖全民的数字素养和技能培训，实施城市间结对数字帮扶行动，推动人才、资金、技术等资源跨区域、跨城乡流动，弥合数字鸿沟，促进城乡融合。 四、实施数字经济赋能行动，激发产城融合新动能 （七）推进数据要素价值化实现以城带产。发挥城市产业集聚、人才集聚、数据集聚优势，强化场景开放创新，促进城市数据资源汇聚；加快培育数据要素市场，打造数据产业创新发展高地，推进数据产业与低空经济、无人驾驶、具身智能等数据密集型产业融合发展。支持有条件的地区培育城市可信数据空间，推动公共数据、企业数据、个人数据融合应用，推动数字产业发展。因地制宜发展“数据即服务”“模型即服务”等新业态，培育数字经济创新型企业，打造具有生态引领力的行业龙头企业。探索发放数据券、模型券等奖补机制，降低企业创新投入成本。 （八）发展数字经济推动以产促城。利用数字技术推动闲置商业楼宇、老旧厂区、老旧街区等功能改造，打造数据创新创业载体，建立数据创新型产业 、商务 。依托产业园区构建数字公共服务体系，建设数字化转型产品和解决方案资源池，推动传统产业、新兴产业、未来产业科技创新成果落地实践，打造城市首试首用体验场。支持有条件的地区和城市群发展数据产业集聚区，探索数据保险、数据信托等金融服务产品，梯次培育数字产业集群。加强现代化城市群和都市圈数字化协同发展，支持有条件的地区推动数据要素互联互通，数字服务跨区共享。 （九）推动城市经济智慧调度监测。构建城市经济运行协同调度与监测体系，推动产业发展、消费就业、物价波动、项目投资、金融运行等多元数据的全域汇聚与智能分析，构建经济监测预警模型，提升宏观经济前瞻研判能力。建立企业服务支撑体系，利用多维数据画像，实现惠企政策精准直达、产融高效对接。支持有条件的地区开展城市数字经济监测分析。 五、推动城市数字更新行动，改善提升人居环境品质 （十）加快城市基础设施数字化更新改造。有序实施城市泛在感知工程，在管道泄漏爆管风险点、道路边坡风险点、地质灾害易发点、防洪排涝关键节点、易涝积水点、城市桥梁隧道等风险高发区域，统一规划、集约部署城市智能感知终端设备。运用人工智能等技术深化城市生命线安全工程建设，推动城市燃气、供水、排水、供热、桥梁、隧道、综合管廊等基础设施数字化改造和智能化管理，加强城市道路塌陷隐患排查整治。建立健全数字基础设施和市政基础设施同步规划、同步建设机制。支持有条件的地区适度超前布局低空数据基础设施，支撑城市巡检、物流配送、生产作业等场景，推动智能化路侧基础设施和云控基础平台建设，提升车路协同水平。 （十一）深化智慧 建设。支持有条件的地区改造建设一批高品质智慧 ，完善 嵌入式服务设施，按需配置、优化升级 数字服务能力，发展智慧物业。打造数字惠民服务生活圈，完善一站式托育助老、亲子阅读、 康养等服务的幸福邻里综合体。建设智能充电桩等便民设施，加快停车设施智能化改造和建设，推广高楼消防预警、高空抛物监测、电动自行车智能阻止等数字应用。推进绿色智能建筑建设，深化全屋智能应用，探索推动具身智能机器人进 、进家庭。面向群众开展“问需于民”等活动，鼓励居民、企业、社会组织等多元主体积极参与智慧 设计、建设和运营。 六、实施数字化转型筑基行动，打造统筹集约数字底座 （十二）建设城市数字基础设施。集约建设感知、网络、算力等基础设施，实现城市“物联、数联、智联”。构建高效弹性的数据传输网络，促进不同平台、专网间数据高速传输、互联互通。按照统一目录标识、统一身份登记、统一接口要求建设和运营城市数据基础设施，鼓励城市间数据基础设施互联互通，促进数据跨域高效流动。在国家算力资源统筹规划下，持续优化热点应用区域需求保障，有效统筹本地异构、异属算力设施，优化改造城市内“老旧小散”算力设施，面向社会提供普惠便利的数据服务。支持低空经济、自动驾驶等产业发展热点城市，建设低时延、高频率、高可靠、高安全推理算力。 （十三）强化数据资源供给。探索建立动态更新的城市公共数据资源目录，逐步构建公共数据“一本账”，加强整合共享、开放开发、授权运营，推动公共数据资源管理标准化、规范化。开展数据智能分类与标注，构建行业知识库、高质量数据集。建立城市数据资源体系，完善城市基础信息库，按需建设主题库和专题库，强化政务数据回流，促进跨层级、跨地域、跨系统、跨部门、跨业务政务数据安全有序高效共享利用。 （十四）完善城市智能中枢。构建统一规划、统一架构、统一标准、统一运维的城市智能中枢，健全云网、感知、组件、数据、算法模型等一站式管理与调度。加强城市数据汇聚治理，有序融合城市运行感知、政务服务、市场主体等多元异构数据，深化数据融合利用。打造城市共性技术能力支撑体系，推进数字孪生等共性功能组件共享复用。加强人工智能公共服务能力建设，探索集约构建多模融合的城市大模型，打造城市智能体应用。鼓励超大特大城市有序推进人工智能赋能全域转型。 （十五）筑牢数字化转型安全防线。强化网络安全、数据安全防护能力。健全政务云网安全保障体系。加强城市数据基础设施安全保障，实现可信接入、安全互联、跨域管控、全栈防护等安全管理。推进数据安全治理，建立健全数据安全风险防控体系，强化城市数据分类分级保护和全生命周期安全管理，完善数据安全制度规范，加强个人信息保护，压实各类主体安全责任，提升数据安全保护水平。 七、开展适数化改革创新行动，破除数字化转型制度堵点 （十六）推进城市治理适数化改革。充分利用城市智能中枢，创新跨部门数据合作机制，构建线下网格与线上网络联动协同机制，支持有条件的城市探索构建数字赋能的城市综合治理体制，明确权责划分、优化城市管理流程，推进跨部门、跨层级高效协同联动。开展有利于数字化转型的数据确权规则、数字权证应用、行政管理、政府采购等制度改革。 （十七）创新长效运营运维模式。建立城市数据运营、场景运营、设施运营的立体化运营体系，探索建立以用户满意度等应用效果为导向的运营预算和评价考核机制。建立运营运维评价动态反馈和发布机制，强化运营运维评价结果运用。 （十八）建立健全标准体系。发挥标准的基础性、引领性作用，加快形成涵盖数字底座、转型场景、运营运维等标准规范体系。建立城市全域数字化转型成熟度标准，促进城市数字化转型规范化、高质量发展。制定城市全域数字化转型规划咨询、建设实施、运营运维三类服务主体评价标准，形成闭环管理体系。 八、组织实施 国家数据局会同有关部门加强工作指导，分类分级有序推进城市全域数字化转型，强化部门协同、上下联动，确保重点任务落地见效。支持各地面向城市全域数字化转型重大需求、重大场景和重大改革，建立健全高层级统筹推进机制。鼓励各地加强交流合作，量力而行、因地制宜，统筹利用各类资金，加大对全域数字化转型的技术攻关、重大项目、试点试验等方面的支持。强化数字化转型、数据合规、数据服务等专业人才队伍建设。加强城市数字化转型优秀实践、典型案例提炼推广。深化城市全域数字化转型国际交流合作。 来源（网站）：国家数据局
数据标准的宗旨在于为业务、技术及管理提供全方位的服务与支持。数据标准构成了实现数据驱动管理和数据驱动创新的坚实基础，数据治理必须要过数据标准管理这一关！ 一、三个方面认识数据标准 1.业务方面 数据标准是解决数据不一致、不完整、不准确等问题的关键基础。各业务部门对数据形成统一的认知和理解，消除数据的“二义性”，从而提升业务的规范性，降低因数据不一致而产生的沟通成本，进而提高业务处理效率。 2.技术方面 统一标准化的数据及其结构是信息共享的基石。标准的数据模型和标准数据元为新建系统提供有力支撑，显著提升应用系统开发及信息系统集成的实施效率。此外，数据标准为数据质量规则的建立和稽核提供了重要依据，是数据质量管理不可或缺的输入。 3.管理方面 通过对业务术语、主数据、参考数据及指标数据等定义统一的标准，为精准数据分析奠定坚实基础。统一的数据标准使业务人员能够轻松获取数据，从而为数据分析和数据挖掘创造可能。 二、数据标准的四项内容 一套完善的数据标准体系是数据管理和应用的基础，有助于实现数据底层的互联互通，提升数据的可用性，消除数据业务中的歧义。数据标准通常涵盖四个方面的内容： 1.数据模型标准 数据模型标准对每个数据元素的业务描述、数据结构、业务规则、质量规则、管理规则及采集规则进行详尽的定义，以确保数据具备可理解性、可访问性、可获取性和可用性。数据模型不仅体现了对业务的理解和定义，还能有效构建组织内部及组织间的沟通桥梁。此外，数据模型有助于识别缺失和冗余数据，并在ETL过程中精准记录数据映射。 在设计数据模型标准时，需重点考虑以下方面： 首先，是否符合设计规范，如遵循统一命名规则、确保元数据与数据的一致性； 其次，实体和属性的含义是否定义清晰且准确； 第三，术语和标准是否与实际情况相符，包括数据名称、属性和规则等； 最后，是否便于查阅，布局是否合理。 2.基础数据标准 基础数据构成系统的数据字典。在系统初始化阶段即已嵌入系统数据库，扮演着结构性和功能性支撑的角色。基础数据标准通常涉及国际标准、国家标准及行业标准。在定义数据实体或元素时，可引用相关标准，并依据组织部门实际需求持续补充完善、更新优化和积累，从而更有效地支撑业务应用开发、信息系统集成及企业数据管理。 基础数据标准包含业务、技术和管理三大属性： 业务属性:描述基础数据业务信息，供业务人员理解，包括标准主题、分类、编码、中英文名称、业务定义、规则、引用标准、来源及依据等； 技术属性:描述技术信息，支持系统实现，涉及数据类型、格式、长度、编码规则、取值范围等； 管理属性:描述管理信息，便于数据管理操作，涵盖定义者、管理者、使用者，以及版本、应用领域、使用系统等。 3.主数据与参考数据标准 主数据是用于描述核心业务实体的数据，如教师、学生、财务、教学、资产等。它具有高业务价值，能在学校内跨业务部门重复使用的“核心数据”。 参考数据则是用于将其他数据进行分类或目录整编的数据，规定了数据属性的域值范围。主数据标准包括主数据分类、主数据编码和主数据模型。主数据分类依据主数据的属性或特征，按照一定原则和方法进行区分和归类，建立相应的分类体系和排列顺序。主数据编码是为事物或概念（编码对象）赋予具有规律性、易于计算机和人识别处理的符号，形成代码元素集合。 4.指标数据标准 学校各业务域和部门设有业务指标，部分指标名称相同但业务含义不同，部分指标名称差异大却指向同一内容。若不进行指标数据标准化处理，同一指标在不同系统统计结果可能不同且难辨准确结果，构建或变更分析主题时需重新定义指标，耗费大。此外，当前大数据分析倡导业务人员自助分析，若无指标数据标准，业务人员难从不同系统获取所需数据，自助式分析难以实现，数据分析报告沦为空谈！ 指标数据标准是基于实体数据，通过增加统计维度、计算方式、分析规则等信息加工而成的数据。它对业务指标所涉及的指标项进行统一定义和管理。指标数据标准与基础数据标准相似，同样涵盖业务属性、技术属性和管理属性三部分： 业务属性:包括编码、中英文名称、主题、分类、类型、业务定义、业务规则、数据来源、取数规则、统计维度、计算公式、显示精度及相关基础数据标准等。 技术属性:涵盖来源系统、使用系统、数据源表、数据类型、度量单位、取值范围、生成频度、计算周期、取数精度等。 管理属性:涉及归口管理部门、业务和技术负责人、权限范围等。指标数据标准化适用于业务数据描述、管理、分析和可视化，促进业务部门间、业务与技术间形成共识。 三、推进数据标准的六个阶段 数据标准管理从需求发起到落地执行，通常需经过标准梳理、标准编制、标准审查、标准发布和标准贯彻及管理办法的发布六个阶段。 1.数据标准梳理 根据行业标杆经验和本校实际确定实施范围，制定数据标准优先级和难易度。梳理和定义数据标准步骤如下： 首先，依业务划分业务域，识别关键业务活动并梳理定义，处理活动输入输出的业务单据和用户视图，梳理其数据对象； 其次，分析数据对象，明确所含数据项，提炼业务域的数据指标和数据项，定义数据元标准，详尽描述业务逻辑； 第三，梳理抽象数据实体和指标的关联关系，定义数据间关系，明确数据对象的数据关系； 第四，经上述梳理分析定义，确定企业数据标准管理主体范围，基于系统逻辑归纳抽象，形成数据标准模型，此过程可能涉及数据对象的合并或拆分。 2.数据标准编制 数据标准编制是依业务需求和数据管控要求，对数据对象及其数据项明确定义的过程，涵盖数据项名称、编码、类型、长度等方面。编制可参考国际、国家或行业标准，也可依本校业务需求制定校级标准。数据标准制定分三步实施： 标准制定推进会：召集相关干系人开会推进数据标准制定，讨论标准定义，标识记录数据对象、业务术语和关键指标，得出精确定义以达成共识。该方法有助于识别对象、定义标准、提升效率，解决含义不清和歧义问题。 标准差异专项分析：先查询数据标准是否已有定义，若有则结合需求确定附加信息或修改定义，形成完整可接受的元数据定义和规范。若存在多对象标准，分析是否一致，接受、修改或创建定义以达成共识，删除多余定义。 标准影响风险评估：数据标准管理易出现新旧系统、部门和业务冲突，处理不当会致标准化失败。落地时要做好影响评估和干系人沟通，通过业务影响分析识别对业务的影响范围、程度、价值及风险，确定业务人员可接受范围和程度，为后续沟通做准备。 3.数据标准审查 审查数据标准初稿，评估其是否符合应用、管理需求及数据战略要求，直至满足发布条件。数据标准审查从需求符合性、实用性等方面综合判断是否契合需求与管理现状。 数据标准征集意见：拟定初稿广泛征集意见，降低不可用或难落地风险，包括初步培训和宣贯。征求意见设期限（依业务范围定），规定时间无意见则默认接受。 数据标准专家评审：标准制定和执行依赖专家团队，成员需深入了解业务领域，提供权威定义建议、解决歧义。执行中协调解决部门争议，完善标准体系。 4.数据标准发布 数据标准意见征集工作完成后，经过严格审查，正式发布数据标准。数据标准一旦发布，各部门及各业务系统必须严格遵循执行。对于遗留系统的存量数据，存在一定风险，应进行全面的影响评估，以妥善应对潜在问题。 5.数据标准贯彻 数据标准的贯彻是将已发布的数据标准应用于信息系统建设和改造，消除数据不一致性。将数据标准与业务系统映射，明确标准与现状关联，识别受影响应用。对于新建系统，直接采用已定义的数据标准；旧系统则建立数据映射关系、进行转换，逐步落地标准。同时，要加强对业务人员的数据标准培训和宣贯。宣贯方法有： - 文件传阅：以正式文件发布数据标准供各部门传阅，作为数据维护参考。 - 集中培训：制定培训计划，落实场地等开展宣贯培训，学员反馈心得，老师总结经验。 - 专题培训：针对不同业务领域开展专题培训，通过上机实操强化效果，推动标准落地。 6.数据标准管理办法 数据治理应结合实际情况，制定科学的数据标准管理办法。该办法旨在提供规范性的指导和约束，保障前期数据标准的顺利落地与有效执行。 一份完整的数据标准管理办法通常涵盖但不限于以下内容：数据标准的目的、适用范围及具体细则，数据标准的管理组织架构、管理流程、执行要求、考核机制以及附则等。 四、数据标准的四个常见误区 数据标准管理核心目标是确保信息系统建设和集成遵循标准，保障数据标准完整适用并有效执行。贯彻数据标准要在业务部门和信息系统逐步推行，争取管理层与系统开发部门支持配合。 1.业务驱动，不可一意孤行：数据标准源于业务、归于业务，本质是管理问题，应从业务层面解决。建立数据标准是为促进系统数据互通和业务部门共识，制定时要逐个业务域梳理，靠业务人员努力，技术工具用于固化执行。 2.循序渐进，不可急于求成：从价值链和业务流程角度分段实施数据管理标准，结合业务需求、系统改造和新系统建设契机，选合适落地范围和层次，优先解决紧迫问题，明确业务部门数据职责，确保数据与业务流程匹配。 3.动态管理，不可一劳永逸：数据标准管理要保持定义、设计和使用一致，但标准并非固定不变。新业务需增标准，无价值标准要废弃，数据变化时标准要与时俱进、有前瞻性，建立更新体系和治理平台，有序管理版本。 4.应用为王，不可断章取义：数据标准化是信息化建设基石，工作要着眼信息系统规划、应用方向和需求，做到标准统一。高质量标准化为后续分析建模奠基。建设标准要服务业务、提升效率，结合IT 系统现状，以应用为目标，以国标、行标为基础，减少对现有系统影响，确保标准实用有效，回归业务应用。 五、小结 数据治理的成功很大程度上取决于数据标准的合理性和统一实施程度。数据标准体系构建的过程是信息化部门推进技术与管理深度融合的过程，不仅考验信息化部门的专业化水平，更考验工作人员沟通协调能力。 来源（公众号）：数智转型洞察
“您是否知道，许多‘小型’人工智能模型在性能上优于较老、较大的模型——而且仅使用了一小部分资源？” 想象一下，直接在你的智能手机上运行强大的AI助手，无需访问云端，即可在几毫秒内处理你的请求。这并非科幻小说——小语言模型正在将这一切变为现实，触手可及。 连续三年，人工智能界一直痴迷于一个简单的等式：越大越好。 科技巨头们投入数十亿美元构建庞大的语言模型，每一个模型都比上一个更大： •据传拥有万亿个参数的 GPT-4 •克劳德拥有数千亿 •Meta 的 LLaMA 突破极限，达到 700 亿 每一次突破似乎都遵循同样的模式——更多的参数、更大的功率、更多的可能性。 但2025年发生了一件意想不到的事情。 一 改变一切的剧情转折 随着企业人工智能部署从概念验证阶段过渡到生产阶段，一个令人惊讶的事实浮出水面：越大并不总是越好。 英伟达一项突破性研究表明，40%至70%的企业级人工智能任务可以通过小型语言模型（SLM ）更高效地处理——这些紧凑而强大的模型参数少于100亿，具有以下特点： ✓速度比同类巨型设备快 10 倍 ✓部署和维护成本降低 5-20 倍 ✓更可靠，适用于特定业务任务 ✓设备端处理，注重隐私 大型语言模型（LLM）曾经需要昂贵的GPU来运行推理。但最近的进展为经济高效的CPU部署打开了大门，尤其对于小型模型而言。三大变革促成了这一转变： 1.更智能的模型——SLM 的设计旨在提高效率并不断改进。 2.CPU 优化运行时— llama.cpp 、GGUF等框架以及 Intel 的优化可实现接近 GPU 的效率。 3.量化——将模型从 16 位 → 8 位 → 4 位转换，可以大幅减少内存需求，并在几乎不损失准确性的情况下加快推理速度。 二 认识一下小型语言模型 当各大媒体都在追逐最新的十亿参数里程碑时，小型语言模型正在悄然赢得真正的胜利——实际业务部署。 1.市场信号：智能体人工智能正在蓬勃发展 据英伟达称，智能体人工智能（多个专业人工智能代理协作的系统）市场预计将从2024 年的 52 亿美元增长到 2034 年的 2000 亿美元。 2.思想领袖视角：40倍的增长代表了近年来最快的技术普及速度之一。这对企业高管来说意义重大：未来十年人工智能的发展将取决于普及规模，而非参数规模。 3.技术视角：要达到这种规模，人工智能必须从云端转移到边缘环境——智能手机、工厂车间、零售设备、医疗仪器等等。而这只有通过服务层级管理（SLM）才能实现，因为它们对计算和内存的需求更低。 三 快速演化时间线 语音语言模型的发展历程与自然语言处理（NLP）的发展紧密相连： •2017 年之前：基于规则和统计的模型像n-gram和word2vec 这样的模型捕捉到了基本的词语关联，但缺乏深入的理解。 •2017 年：Transformer 革新了 NLP Transformer 架构 的引入（在著名的“Attention is All You Need”论文中）使得深入的上下文理解成为可能。 •2018–2020 年：大型语言模型诞生 BERT、GPT-2 和 T5 带来了数十亿个参数，达到了最先进的基准。 •2021-2023 年：规模之战 OpenAI、Google、Anthropic 等公司通过将模型规模扩大到数百亿甚至数千亿个参数来展开竞争。 2023年至今：小即是美时代。 随着效率成为首要考虑因素，企业开始训练诸如LLaMA、Mistral、Phi、Gemma和TinyLLaMA等紧凑型模型，这些模型可在笔记本电脑、边缘设备甚至手机上运行。 四 小型语言模型究竟是什么 在了解 SLM 之前，我们先来了解一下什么是语言模型（LM）。 1.语言模型（LM） 一种经过训练的人工智能系统，能够通过预测序列中的下一个单词来理解和生成类似人类的文本。 2.小型语言模型（SLM） 一种轻量级的语言模型，参数更少，针对特定任务或设备端任务进行了优化，成本更低，性能更快。 •参数范围：通常为 1 亿至 30 亿个参数。 示例：认识小型人工智能领域的明日之星 3.大型语言模型（LLM） 一种功能强大的语言模型，拥有数十亿个参数，在海量数据集上进行训练，能够处理复杂的通用任务。 •参数范围：通常为 100 亿到 1 万亿以上参数。 例如：LLaMA 3 70B → 700亿、GPT-4 → 估计约 1 万亿、克劳德3号作品 → 数千亿。 大型语言模型 (LLM) 提供一流的推理能力，但需要大量的计算、内存和存储空间。而小型语言模型 (SLM) 则针对速度、效率和设备端使用进行了优化。LLM 能够处理广泛而复杂的任务，而 SLM 则擅长特定任务，能够更快地获得结果并降低成本。得益于量化和 GGUF 格式等技术，SLM 现在无需依赖昂贵的云基础设施即可为实际应用提供支持。 你可以把LLM和SLM的区别理解为： •大学图书馆藏书量（LLM）与专业专家的个人藏书量（SLM） •一把拥有100种工具的瑞士军刀与一把用于手术的精密手术刀。 4.其他值得了解的LM （1）检索增强型语言模型（RLM） 这是一种混合语言模型，它结合了语言生成和从外部来源（例如数据库、知识库或网络）实时检索信息的功能。这使得模型无需重新训练即可访问最新、真实且特定领域的数据，从而提高准确性并减少错误预测。 主要特性：集成检索（搜索）和生成（响应）。 参数范围：取决于基础模型——可构建于 SLM 或 LLM 之上。 示例：ChatGPT 与 Browse / GPT 与 RAG 集成；Perplexity AI（基于 RAG 的搜索助手）；Microsoft Copilot（带图形检索功能）；基于 LlamaIndex 或 LangChain 的 RAG 系统。 （2）中等语言模型（MLM） 中等语言模型 (MLM) 的规模介于小型语言模型 (SLM) 和大型语言模型 (LLM) 之间，通常包含 10 亿到 70 亿个参数，旨在平衡通用性和效率。它比小型语言模型更能有效地处理复杂任务，同时又比大型语言模型更经济高效。 主要特点：具有广泛的通用性，计算需求适中，通常采用 8 位量化进行优化。 参数范围：10 B–70 B 参数。 示例：Meta LLaMA 3 13B、Mistral Mix Medium 13B、Falcon 40B、GPT-3.5 Turbo（~20 B）。 ⚙️ SLM 的特性 •参数更少— 通常少于30 亿个参数，使其结构紧凑、重量轻。 •快速推理— 即使在 CPU 或消费级 GPU 上也能快速运行，延迟低。 •资源高效——需要更少的内存、计算能力和能源——非常适合边缘设备或本地部署。 •特定任务— 通常针对特定领域或特定任务进行微调（例如，客户支持、代码补全）。 •注重隐私——可在本地运行，无需将数据发送到云服务器。 •成本效益高——与大型模型相比，训练、部署和维护成本更低。 •更易于微调— 针对特定用例进行定制的速度更快、成本更低。 •便携易部署— 易于分发和集成（尤其是GGUF 格式）。 •环保——由于计算需求减少，碳足迹更低。 SLM也存在一些风险，下图详细比较了 SLM 和 LLM 的风险。 神奇之处不仅在于参数数量，更在于智能优化技术，这些技术使这些模型能够发挥远超其自身级别的性能。 五 SLM成功背后的技术创新 助力SLM部署的三项突破性技术 SLM 的兴起并非偶然。三大技术变革使得成本效益高的 CPU 部署成为可能，尤其适用于小型型号： 1. 更智能的模型架构：SLM 利用知识蒸馏等先进的训练技术，使较小的“学生”模型能够从较大的“教师”模型中学习，在参数减少 40% 的情况下，仍能保持 97% 的性能。微软的 Phi-3 系列便是这种方法的典范，在消费级设备上运行时，其性能可与 700 亿参数模型相媲美。 2. CPU 优化的推理运行时：围绕 llama.cpp、GGUF 和 Intel 优化技术的生态系统彻底改变了本地 AI 部署方式。这些框架在标准 CPU 上实现了接近 GPU 的效率，使 AI 无需昂贵的硬件投资即可普及。 3. 高级量化技术 或许最具变革性的创新是量化——将模型从 16 位转换为 8 位再转换为 4 位精度。这显著降低了内存需求，并在精度损失最小的情况下加快了推理速度。 六 混合部署模式 企业正在将两者结合起来，构建混合架构，以优化不同的使用场景。 •大语言模型：负责处理复杂的推理、战略规划和创造性任务 •SLM执行器：管理高频次、特定任务的操作，例如客户支持、数据处理和监控 这种方法既能实现最佳资源分配，又能保持复杂工作流程所需的智能性。 GGUF革命：让AI真正便携 GGUF（GPT生成的统一格式）值得特别关注，因为它代表了我们部署AI模型方式的范式转变。与针对训练优化的传统模型格式不同，GGUF是专门为提高推理效率而构建的。 GGUF的主要优势包括： 单文件可移植性：运行模型所需的一切都高效打包。 •混合精度：智能地为关键权重分配更高精度，而在其他部分使用较低精度。 •硬件灵活性：在 CPU 上高效运行，同时允许 GPU 层卸载 •量化支持：支持 4 位模型，在保持质量的同时大幅减小模型尺寸。 ✅理想的CPU部署配置： •8B参数模型 → 量化到4位时效果最佳 •4B参数模型 → 量化到8位时最优 一个实际的例子：将 Mistral-7B Instruct 量化为 Q4_K_M 格式，可以在配备 8GB 内存的笔记本电脑上流畅运行，同时提供与规模更大的云端模型相当的响应。 七 在本地运行 AI：构建本地 AI 执行架构 步骤 1：基础层 •GGML — 用于高效 CPU 操作的核心张量库 •GGUF — 轻量级二进制格式，支持混合精度量化 •结果：模型存储占用内存最小 步骤 2：推理运行时层 •llama.cpp — 具有原生 GGUF 支持的 CPU 优先引擎 •vLLM — GPU 到 CPU 的调度和批处理扩展 •MLC LLM——跨架构编译器和可移植运行时 •结果：在不同硬件上实现低开销模型执行 步骤 3：部署框架层 •Ollama — 用于无头服务器集成的 CLI/API 封装 •GPT4All — 桌面应用程序，内置 CPU 优化模型 •LM Studio — 用于拥抱脸模型实验的图形用户界面 •结果：简化部署和用户交互 第四步：绩效结果 •低于 200 毫秒的延迟 •低于 8GB 内存要求 •端到端量化管道 •最终结果：实现本地和边缘人工智能推理的民主化 八 实际应用：SLM 的优势所在 1.边缘计算和物联网集成 SLM 最引人注目的应用场景之一在于边缘计算部署。与依赖云的 LLM 不同，SLM 可以直接在以下环境中运行： •用于实时翻译和语音助手的智能手机和平板电脑 •用于即时异常检测的工业物联网传感器 •用于符合隐私保护规定的患者监护的医疗保健设备 •用于瞬间决策的自动驾驶车辆 •用于离线语音控制的智能家居系统 边缘部署的优势远不止于便利性。它能消除延迟，通过本地处理确保数据隐私，即使在网络连接不佳或中断的情况下也能保证持续运行。 2.企业成功案例 医疗保健：医院部署 SLM 以提供实时诊断辅助，处理敏感的患者数据，而无需承担云传输风险。 机器人技术：制造工厂使用 SLM 在工业自动化中进行自主决策，从而能够对不断变化的情况做出即时反应。 金融服务：银行利用特定任务的 SLM 进行欺诈检测和交易处理，与基于 LLM 的解决方案相比，可节省 10 到 100 倍的成本。 智能人工智能的经济学：SLM 与 LLM 成本分析 在单层模块 (SLM) 和层级模块 (LLM) 之间进行选择，对财务的影响非常大。请看以下实际成本比较： LLM部署（每日1000次查询）： •API费用：每月3000-6000元 •基础设施：依赖云的扩展 •延迟：平均响应时间为 500–2000 毫秒 SLM部署（相同工作负载）： •本地部署：每月 300-1200 元 •基础设施：一次性硬件投资 •延迟：平均响应时间为 50–200 毫秒 结果如何？SLM部署可以节省5-10倍的成本，同时提供更快的响应时间和更强的隐私控制。 或许，SLM 最深远的影响在于普及人工智能的使用。通过降低计算需求，SLM 可以实现： •小型企业如何在没有企业级预算的情况下部署人工智能解决方案 •个人开发者可以在消费级硬件上试验人工智能应用 •教育机构无需昂贵的云服务额度即可教授人工智能概念 •注重隐私的组织将在实施人工智能的同时保持数据控制权 这种民主化正在促进以前服务不足的市场和应用场景的创新。 九 展望未来：SLM的未来 SLM 的发展轨迹预示着几个令人振奋的发展方向： 模块化人工智能生态系统：我们正在从单一的模型转向由专门的SLM（系统生命周期管理）协作的系统，每个SLM都针对推理、视觉或编码等特定任务进行了优化。 绿色人工智能：SLM 的能源需求较低，因此对可持续人工智能部署至关重要，从而减少了人工智能广泛应用带来的碳足迹。 移动人工智能革命：移动芯片设计和SLM优化技术的进步使得无需云连接即可在智能手机上直接实现复杂的人工智能。 行业特定智能：我们看到，针对医疗保健、法律、金融和科学应用领域进行微调的特定领域 SLM 正在涌现，它们在专业任务中表现优于通用 LLM。 小结：静悄悄的革命仍在继续 小型语言模型正在重塑人工智能的部署方式，它将智能从云端转移到我们口袋里的设备、工厂车间的传感器以及真正做出决策的边缘系统。企业不再追求规模越来越大的模型，而是拥抱更智能、更高效的基础架构。到2025年，企业能否成功取决于它们采用这种易于上手且可持续的方法的速度。归根结底，人工智能的未来不在于规模，而在于智能，在这方面，小型模型往往比大型模型表现更出色。 人工智能领域正在飞速发展，及时了解这些变化对于做出明智的技术决策至关重要。小型语言模型不仅代表着一种技术趋势，更是对人工智能如何融入我们日常工作流程和业务流程的根本性重新构想。 来源（公众号）：数据驱动智能
