本文来自微信公众号： 罗兰贝格管理咨询 ，作者：罗兰贝格
随着全球城市化进程加速，城市治理的复杂性和不确定性显著提升，传统“事后处置”模式已难以应对多元挑战。AI驱动的城市治理正加速从“被动响应”向“主动治理”转型。
在此背景下，本文系统梳理全球典型城市实践，提炼AI城市治理的核心能力与落地路径，助力城市把握智能化转型新机遇。
1
城市治理进入AI驱动的范式转换期
全球城市化进程持续加速，城市治理的复杂性、不确定性和风险性显著上升。联合国数据显示，全球城市人口已超过总人口的56%，预计2050年将升至68%左右；城市贡献全球GDP的80%以上。人口、资源、交通、环境、公共安全在有限空间中高度交织，传统治理模式面临从“事后处置”向“事前预测、事中干预、事后优化”转变的压力。AI城市治理则可以推动城市从“被感知的对象”转变为“能够自主感知、理解、决策和行动的有机体”，从“人找数据”迈向“数据找人”、从“被动响应”迈向“主动治理”，实现范式的转换。
从演进脉络来看，城市智能化先后经历传统治理、智慧城市，迈向AI城市新阶段。与上阶段智慧城市相比，AI城市治理的深层差异主要体现在四个方面。一是驱动逻辑从“连接存储”转向“理解行动”，智能体成为主动介入业务流程的数字员工；二是决策方式从信息展示+人工判断转向自主研判+自动执行，决策链条压缩为数据找人—模型研判—智能体执行—自动反馈；三是价值创造从“效率提升”转向“公共价值再造”，推动城市治理从成本中心向价值增益转化；四是运营模式从大平台建设转向智能体持续运营，强调在真实场景中的持续运行、验证和迭代。
2
AI城市管理运营体系的兴起动因
AI城市管理运营体系的出现是城市化压力、技术突破、政策引导和经济逻辑共同作用的结果。
城市化压力：基础设施的便利提高了超大城市的规模上限，治理的复杂程度倒逼城市管理者寻求新工具；
技术突破：大模型在复杂推理、工具调用和长程规划等方面实现突破，边缘计算、物联网、数字孪生和低代码平台支持AI能力下沉到具体场景，形成更即时的云边端协同；
政策引导：中国已明确提出加快推进城市数字化转型，欧盟“Living-in.EU”倡议、新加坡“智慧国2.0”计划等也将AI治理作为战略重点；
经济逻辑：数据要素具备边际成本递减、跨时空精准配置等特性，AI城市通过数据驱动决策能够实现资源最优配置和公共价值最大化，缓解城市运营面临的财政收支压力。
3
全球AI城市治理实践
全球范围内，AI城市治理正呈现多样化的路径。北京和上海分别体现了“治理效能驱动型”和“空间理论创新型”两条路线，杭州、新加坡、迪拜、沙特NEOM（新未来城）也各有侧重。
北京：治理效能驱动型模式
北京围绕超大城市治理中的高频、高风险、高敏感场景，侧重推动AI智能体与现有治理体系融合。海淀区“知行IntAct”混合智能体由“知者”和“行者”两大平台构成，全市相关数据汇聚超125万个，台账采集成本降低60%，更新周期由年缩短至月；AI巡检发现事件数约为人工的3.3倍。经开区“AI+综合执法”构建覆盖“感知-研判-决策-执行-评估-服务”全流程的智慧执法体系，核心AI办案智能体由11个专业子智能体组成“决策矩阵”，线索研判时效从3小时缩短至5分钟，相关市民热线投诉量同比下降近四成。通州运河商务区“灵石”AI大脑部署在本地边缘服务器，AI巡逻车发现问题后平均1分钟内指派给最近保洁或巡查人员，整体问题处置率稳定在95%以上。北京实践验证了“人机共生”混合智能体在超大城市复杂场景中的可行性，其关键在于将AI能力嵌入现有治理流程，追求可量化、可感知的治理效果。
上海：空间理论创新型模式
上海“量子城市”以前瞻性的空间理论创新为突破口，从底层逻辑入手，探索AI城市的更大可能性。由上海市规划和自然资源局主导，以“空间米料”重新界定城市最小治理单元，通过建筑的“间”、城市空间的“盒”、基础设施的“段”，定义最小空间度量单元。技术架构上提出“1+6+3+N”城市空间治理模型能力体系，包括“云宇星空”行业基座大模型和6个垂类模型，探索感知、通信、算力、电力“四位一体”新型基础设施网络体系，并在复兴岛试点。上海模式更强调底层空间数据模型和语义体系的构建，属于“先打地基、再建应用”的长周期路径。
新加坡、迪拜等城市:各有侧重
新加坡以“智慧国2.0”战略为核心，成为全球首个大规模无护照出入境国家，日均750万公共交通出行由AI监测，特点是强政府统筹、高度数据治理和分阶段部署。迪拜以Robotaxi和AI驱动公共安全为亮点，目标到2030年实现25%的出行自动化。沙特NEOM则立足未来城市乌托邦，突出AI算力基础设施建设。杭州城市大脑3.0实现了从“数据上屏”到“AI自主干活”的跨越，部署大模型后,交通高峰拥堵下降近15%，燃气泄漏自查率超过九成。
总体来看，AI城市治理没有统一模板。北京的优势在于将AI能力快速嵌入真实治理场景，形成可量化效能提升；上海的优势在于底层空间理论创新和长期架构设计；杭州善于跨部门数据融合和规模化应用；新加坡注重信任和稳健推进；迪拜和NEOM偏向基础设施与产业生态先行。因此，AI城市治理的核心能力不在于单一算法，而在于“组织能力、数据能力和技术能力”的耦合。
4
AI城市示范场景的探索
当前落地的AI城市示范场景呈“二八分布”，约80%的资源和成效集中在交通、公共安全、市政运营三大高频场景，20%的资源投向教育、医疗、低空经济等新兴领域探索。
高频成熟场景：包括交通治理与自动驾驶、公共安全与综合执法、市政服务与城市运营管理。这些场景数据量大、结构化程度高、反馈闭环短、规则边界清晰，适合大模型和智能体快速落地。北京经开区AI执法、杭州交通信号优化、新加坡AI出行监测等已进入规模化复制阶段；
积极布局场景：包括数字孪生与空间规划、能源与基础设施管理、AI智能体平台/城市大脑。这些场景技术门槛更高、建设周期更长、跨部门协调复杂，但已有多个城市布局。上海量子城市和欧盟数字孪生城市是空间规划类代表，深圳提出“鹏城自进化智能体”，广州依托“穗智管”推进跨部门协同；
新兴探索场景：包括AI+教育、医疗、低空经济、工程安全监测、安全生产管理等。受数据结构复杂、容错成本高、行业监管严格、反馈周期长等因素影响，目前仍处于试点阶段。
场景差异背后有两个关键变量：技术可AI化程度决定“能不能做”，治理能力禀赋决定“敢不敢做、做多深”。因此，场景推进不能“一刀切”，应根据城市自身数据基础、业务需求和风险承受能力选择优先场景和推进节奏。
5
AI城市治理模式的未来演进趋势和挑战
未来AI城市治理将推动数字资源的组织方式、智能体协同方式、城市空间认知方式和场景运营方式发生结构性变化。包括信通院在内的专业机构认为，城市数字底座从静态基础设施转向可动态调度的数字资源操作系统。数据、算力、模型、算法和业务组件标准化、模块化、按需调用，降低AI城市应用建设门槛和运维成本。同时，智能体协同从单一智能体转向城市级多智能体网络，形成“城市中枢—垂类智能体—任务智能体—执行终端”的分层协同结构，通过标准协议和协作机制实现跨系统联动。在此基础上，数字孪生从可视化工具转向预测和决策推演的基础环境，为复杂决策提供低成本试验场。场景运营则从单一技术应用转向多技术组合，围绕具体问题组合视觉识别、大模型推理、强化学习调度和边缘计算等能力。关键不再是“用了什么技术”，而是“解决了什么问题”。城市作为“真实实验场”，在真实场景中持续验证、迭代和复制，形成“场景—数据—模型—场景”正向循环。未来城市竞争力将在很大程度上取决于能否为AI提供高质量场景、数据和反馈机制。
与此同时，AI城市治理深入推进面临多方面约束，这些约束或比技术本身更决定成败。
技术工程方面，大模型与真实城市业务之间存在工程化距离，城市治理涉及大量非结构化、多源异构数据及跨部门业务运作的落地架构。在数据、算力与能源方面，数据标准不一、语义缺失、更新滞后等问题仍较为突出。算力需求从集中式训练向实时推理和边缘侧延伸，对数据-算力-网络-能源协同的基础资源要求更高。治理机制方面，城市治理涉及公共安全和公民权利，需建立与场景风险相匹配的AI自主权限和责任机制。高风险场景应保留人类最终决策权，低风险、高频场景可逐步提高AI自主执行比例。场景拓展方面，AI技术需要在真实场景中持续验证、迭代和优化，资金投入机制必须从底座建设转向技术验证-场景试点-效果评估-持续运营。
未来AI城市建设的难点不在于获得领先模型，而在于能否将数字底座、数据资源、智能体、城市场景和治理机制组织成持续运行的系统，可持续运营是关注重点。
结语
从“辅助管理”走向“主动运营”
AI城市治理不仅是技术升级，更是治理范式的根本跃迁。城市治理逻辑从经验驱动转向数据驱动，再迈向智能驱动。未来，AI城市将以智能体为心，实现数据、算力、算法和业务的深度融合，推动城市治理从应对管理和辅助工具走向主动运营和自主决策，从效率提升迈向公共价值创造。
同时，需要清醒认识到，AI城市治理仍处于早期阶段，技术成熟度、数据可用性、制度配套和公众信任等问题尚未完全解决。AI城市的真正成功不在于展示多少炫酷技术，而在于是否提升了城市居民的安全感、获得感和幸福感。随着技术进步和治理体系完善，AI城市治理将在更多城市落地生根，成为未来城市可持续发展的关键支撑。