Согласно исследованиям ABI Research, автоматизация проектирования городской среды с помощью цифрового твиннинга*, переход от устойчивой - к экономике замкнутого цикла и интеграция микро-мобильности или Mobility 2.0 в транспортную сеть, являются теми «стратегическими сдвигами», которые должны начать делать “умные”города.
Аналитическая компания, также, предупреждает, что потребуется переход от «безопасных городов» к «устойчивым городам» и переосмысление городской среды через интеллектуальные пространства.
В своем новом исследовании «5 способов, с помощью которых умные города становятся умнее», ABI Research подчеркивает, что, хотя в 2026 году инвестиции в технологии умных городов в мире превысят 61 миллиард долларов, большая часть расходов будет направлена на постепенные улучшения.
«Иллюзия (верить в то), что добавление всего лишь небольшого слоя технологии IoT (Интернет Вещей) в сложившуюся городскую среду позволит городам решать городские проблемы будущего, начиная от обеспечения устойчивой энергией и заканчивая умной мобильностью и устойчивостью», - говорит Доминик Бонте, вице-президент ABI Research.
«А если добавить необходимость к противостоянию новым угрозам, таким как кибератаки и изменение климата, то понятно, что эта «новая реальность» требует инновационных подходов и технологий, для создания реальных стратегических изменений».
1. Моделирование в реальном времени: ABI считает, что первое изменение стратегии на горизонте - это целостное моделирование целых городов в режиме реального времени с использованием технологии двойного цифрового моделирования и автоматизированного, генеративного проектирования городской среды. «Моделирование городов и оптимизация операций с помощью цифровых двойников - это прекрасно; лучше создавать их с нуля с помощью инструментов искусственного интеллекта (ИИ) », - сказал Бонте.
2. От безопасности к устойчивости: Города должны быть готовы и подготовлены к чрезвычайным ситуациям с применением современных технологий. Чтобы сделать города полностью устойчивыми, жизненно важно иметь возможность прогнозировать (с помощью ИИ и глубокого обучения**) стихийные бедствия.
3. От зеленых и устойчивых к городам с экономикой замкнутого цикла: значительная степень самообеспечения и самодостаточности в энергетике, cовместное пользование, переработка, ремонт, переоборудование и перепрофилирование материалов, активов и природных ресурсов.
4. Микро-мобильность или мобильность 2.0: города используют электрическую микро-мобильность, чтобы уменьшить заторы и внести вклад в решение проблемы загрязнения воздуха. «Граждане во всем мире в настоящее время массово внедряют совместное использование электрических велосипедов и скутеров», - сказал Бонте. «так как они предлагают гораздо более высокий (по сравнению с обычными) уровень комфорта».
5. Создание умных пространств: последнее изменение стратегии - переосмысление городской застройки через умные пространства. Многие из обсуждаемых сдвигов влияют на использование общественного пространства. Наиболее очевидный пример - это снятие с эксплуатации и перепрофилирование парковок в городах, пользующихся высоким уровнем совместного использования автомобилей. Удовлетворение новым формам мобильности, модульные дороги, дороги и тротуары, вырабатывающие энергию - это лишь некоторые из появляющихся возможностей. Расширение и активное управление зелеными насаждениями также занимает важное место в повестке дня городских дизайнеров.
«Смелые, более целостные, кросс-вертикальные и замкнутые подходы необходимы для оптимизации и максимизации потенциала доступных ресурсов и услуг», - заключил Бонт. «Это можно сделать только за счет использования ряда очень передовых технологий, включая моделирование городских районов и цифрового твиннинга, искусственный интеллект и автоматизацию, программное обеспечение реагирования на спрос, платформы пограничных / облачных сред и генеративный дизайн».
*Цифровой двойник (англ. Digital Twin) — цифровая копия физического объекта или процесса, помогающая оптимизировать эффективность бизнеса.
**Глубокое обучение (или глубинное обучение; англ. Deep learning) — совокупность методов машинного обучения, основанных на обучении представлениям, а не специализированным алгоритмам под конкретные задачи.
Понравилась статья? Ставьте “ЛАЙК” и подписывайтесь на канал, чтобы не пропустить самое интересное!