导读：通过多领域的深入访谈ai关键词，纽约市政府首席技术官（NYC CTO）筛选了人工智能主要涉及的5个领域：数据基础设施、人工智能应用、政策和治理、跨部门伙伴关系以及商业、教育和劳动力。本篇主要围绕前三个领域讨论其发展与机遇：1）纽约市现有的数据处理方法类型广泛ai关键词，可以用以支持人工智能应用和改进。其中关注跨机构共享数据，建立全市数据战略是至关重要的；2）人工智能有多重潜在用途可以应用在不同方面使纽约市及其居民受益，本节描述了人工智能在城市的几种不同使用方式以及发展机遇；3）纽约市已经为人工智能治理和政策制定奠定了初步基础，下一步可强化政府治理建设和专业知识。
原文｜纽约市长办公室首席科技官办公室
翻译｜冀希希、管含硕、东方、钱晓璐、王思羽、绳彤、戴晓天、邱同春、薛昊天、杨偌醴、庞澍、张沁雨、徐颖、沈德瑶、毛凯蒂、郝乾炜、张鹤鸣、刘博宇
校核｜众山小排版｜刘芷辰
编辑｜众山小文献｜房彦君
三
发现与机遇
为了更好地了解目前当地人工智能生态系统的机遇与挑战，纽约市市长办公室的首席技术官对50余名利益相关者进行了采访，包括来自20余个城市机构的代表和30余个涉及私营部门、学术部门和非营利部门的代表。
这些访谈必然是多方面多角度的。在市政府内部，纽约市首席技术官会见了目前正在使用人工智能以及考虑在未来使用人工智能的机构；负责人工智能及相关领域政策制定与治理的人员；以及涉及消费者与劳工保护、教育、商机、经济发展和劳动力的人。这些人担任各种职位，包括机构领导及其副手、首席信息官和首席技术官、负责管理分析内部数据与机构间数据的人员以及一系列其ai关键词他相关项目和政策的工作人员。他们横跨交通、公共卫生、教育、小型企业，气候与可持续、城市规划、应急管理及更多领域。
在政府之外，纽约市首席技术官会见了一系列大学、研究与宣传机构以及公民科技组织，并特别关注了那些致力于让纽约市民参与到人工智能相关问题、让市民了解这些技术如何影响和介入社区与社会的团体。此外，纽约市首席技术官也与各类参与创建和使用人工智能的公司进行了会谈，包括主要的工业实验室、本地创业社区和大大小小的人工智能雇主，其中有一些在公共部门使用人工智能的少数族裔和女性所有企业的领导。
这些访谈涉及到与人工智能相关的广泛主题，根据访谈中产生的信息，可分成五个领域：
01
╱ 城市数据基础 ╱
02
╱ 人工智能在城市内的应用 ╱
03
╱ 围绕AI的城市治理与政策 ╱
04
╱ 与外部机构的伙伴关系╱
05
╱ 商业、教育与劳动力 ╱
公众参与和城市能力建设是与利益相关者得对话中反复出现的关键议题。有关这些议题的讨论详见第3节和第5节。
在每一类主题中，调研结论都伴随着纽约市的一系列新机遇。在这个阶段，每一类中包含的子项应该被视为信息丰富但示例性的，而不是一个包含所有需要或希望内容的综合性清单。随着纽约市完善其使用人工智能的方法，并提升这一领域的能力，纽约市将需要为更进一步的发展采取特殊行动。最后的“下一步计划”部分详细介绍了纽约市将在近期内付诸实施的一系列初步承诺。
需要强调的是这里提到的所有领域都是相互交织的。因此不同角色、不同职能决策者的全面参与是至关重要的，而不能零敲碎打。
此外，如前所述，人工智能及其用途正在飞速发展。未来它将如何发展以及将出现何种机遇与挑战是不确定的。虽然纽约市开始采取全面行动来处理正在进行的人工智能驱动转型，这至关重要，但面对这种不确定性，也需要保持谦逊与灵活。此外，定期审查和更新本战略对于纽约市来说也是重要的。
1、城市数据基础
AI NYC
01
纽约市AI战略
调查发现：纽约市现有的数据处理方法类型广泛，尽管有些碎片化，这些数据可以用以支持人工智能应用和其他重要改进。
鉴于人工智能和数据相关主题的基本方法，任何一个部门可能使用到人工智能的策略都必须从数据处理的总体战略方法开始。在市政府内部，这种方法应包括全市层面的统筹和个别机构或关键领域的计划，如卫生、教育和交通。虽然概述一个完整的方法超出了讨论范畴，但这里还是强调了一些重要的方面，以及一些现有工作基础。
人们关心的一些关键战略领域包括数据收集、获取、采购、标准、清晰、共享、所有权、访问权、使用协议、储存以及分析。诸如隐私和安全一类的数据权利问题与其中很多都有关。对这些主题中的每一个都进行全面讨论已经超出了范畴，这里仅讨论一些示例性的要点。包括经济机会市长办公室（NYC Opportunity）、纽约市应急管理办公室（NYCEM）、信息技术与电子通讯部门（DOITT）和城市规划部门 （DCP）在内的多个机构此前也准备了有关城市数据基础设施的报告，并提出了在一段时间内都很切题的相关建议 （参考文献1，请后台留言联系我们下载）。
鉴于数据的构成将对下游产生影响（见附录A）——从非常简单的分析到机器学习——仔细地收集和整理数据对于任何负责任的人工智能计划来说都是基础性的第一步。例如，机构必须考虑到这样一个事实，即仅仅开展数字化的调查可能会将几乎40%无法顺畅上网的纽约市民排除在外，而仅以英语和西班牙语，甚至以地方法律中规定的所有30种语言来开展调查，也会将某些人群可能很重要的信息排除在外 （参考文献2，请后台留言联系我们下载）。
重要的是要确保数据一旦被收集，就以有利于其使用的“机器可读”形式存储（而不是纸质或其他非结构化形式），并且它遵循特定的数据标准，以便与其他数据集相关或与其他人共享，以促进广泛的使用。例如，General Transit Feed Specification （GTFS）是公共交通机构（包括纽约）共享交通信息的通用格式。在引入这一标准之前，公共交通机构的数据交换格式并不统一，正是这一标准的广泛采用使得谷歌地图等应用的广泛使用成为可能。在城市中，这可以通过非常基本的方式表现出来。例如，如果所有处理实体建筑数据的机构都使用共同的标识符，比如建筑物标识符（BIN）来统一指代建筑物，那么一系列分析将立即变得可行或更为易行。尽管BIN是由纽约市定义和创建的标识符且被一些机构采用，它并未被普遍的使用。另一个例子是，像存储单个“姓名”字段而不是分别存储“名字”和“姓氏”这种非标准化也可能严重阻碍机构——尤其是机构间——需要关联不同数据集的工作。尽管这些步骤不一定复杂，但它们是接下来所有内容的先决条件。
最后，关注跨机构共享数据所需要的手续也很重要，尤其是对于经常有此类需求的机构。如果数据共享协议或适当同意等手续没有到位，机构间数据共享可能需要远超必须的时间，也会在一时间妨碍纽约人受益，亦或根本无法受益。
案例：城市规划、经济机会和数据基础机构
一系列城市机构拥有丰富的关于机遇与教训的实践知识。虽然一些较大的机构，如 教育部门（DOE）或健康与精神卫生部门（DOHMH），有很有价值的内部数据处理，但也有几个机构专注于跨机构或全市数据基础和数据集，包括数据分析市长办公室（MODA）、经济机会市长办公室（NYC Opportunity）、信息技术与电子通讯部门（DOITT）、数据智能创新中心（CIDI）、城市规划部门（DCP） 和 纽约市应急管理部门（NYCEM ）。城市规划部门（DCP）和建设部门（DOB）等机构拥有许多其他机构使用的全市关键数据集，它们也拥有重要的见识和经验。（有关这些机构首字母缩略词的描述，请参见图十一，其中还描述了这些机构在市政府中的位置。）
案例：纽约市开放数据
由数据分析市长办公室（MODA）和信息技术与电子通讯部门（DOITT）运营的纽约市开放数据计划让数千个机构的数据集可供公众、研究人员、公司以及其他机构使用。市政府员工经常将开放数据用于部门间和机构间的数据共享。2012 年通过的《开放数据法案》（Open Data Law）要求所有适合公开的数据在全市门户网站上共享，并为此建立了一套年度合规审查程序。2019 年，纽约市开放数据公布了一份十年战略，涉及加强合规审查程序、提高门户网站可用性和建设数据用户社区等内容。 （参考文献3，请后台留言联系我们下载）
图一、纽约市开放数据报告
案例：城市数据共享协议
对于城市整体数据管理基础设施来说，制定和执行数据共享协议都是其中的关键一环。众多机构都曾对这一议题开展过大量工作。其中的一个重要例子就是以首席隐私官和市长办公室为主导创建的全市数据集成协议（CDIA）,这是一份由全市所有机构均参与签署的主框架协议，其中规定了许多隐私需要、数据安全以及适用于多机构数据共享协议的其他条款。各机构可以将CDIA附加到任何新的双边或多机构数据共享协议中(并通过引用将其条款纳入其中)。另一个例子是NYC Opportunity在跨机构数据共享协议(Interagency Data Share Agreement)方面的工作，该协议旨在促进Worker Connect计划的数据共享。
在法律允许的前提下，一些机构有专门与其他机构共享敏感数据的机构间协议。由主管卫生与公众服务的副市长主持的数据情报创新中心(CIDI)与纽约市的一系列卫生和公众服务机构达成协议，以促进使用健康记录等非常敏感的数据进行一系列研究工作的数据共享。此外，为从外部来源引入数据，还作出各种努力以支持城市目标。例如，纽约市于2020年启动了“恢复数据伙伴关系”计划，这是社区、非营利组织和私人组织首次与该市共享数据，以帮助应对COVID-19和开展恢复工作。同样在机构层面，TLC根据私人公司的共享出行数据向其发放共享出行许可，以便为城市的交通政策制定提供信息。
案例：财政部，地理空间数据情报，以及三维制图数据
机遇
建立全市范围的数据战略，促进各机构具体战略之间的一致性。
更好的数据基础设施、采集、清洗、交互和标准将产生广泛的好处，这会超出其在实际人工智能应用中的潜在用途。城市将从中受益，例如构建一个中心框架，指导各机构制定数据战略，并协调适当的机构技术领导工作组，以确保这些战略在需要时保持一致。本节的调查结果涉及了数据策略应该解决的一些特定主题和问题。
数据策略并非人工智能所独有。事实上，强大的数据战略和生态系统对于许多其他政策框架和城市目标也很重要，因此，在考虑潜在的执行和所有权时，还应考虑到数据战略所处理的主题与其他高层战略领域(如应急管理)的关系。近年来，这一具有挑战性的领域得到了世界各国政府以及私营部门的长期机构——从银行到医院——的更多关注和探索。
图二、三维激光雷达生成的曼哈顿市中心图像，中央公园位于图像的右上角。该图片使用了2010年和2014年的nDSM激光雷达数据，检测到的新建筑用红色高亮表示。来源：纽约市财政部。
#1
确定机构的共有痛点
并创建机构可以依赖的
集中指导和模板文件。
围绕数据的许多问题在各机构中是普遍存在的，并且可以从更集中的方法中受益，而不是要求各个机构自立门户，在内部单独构建这种专业知识。例如，许多机构在使用云服务时有理由担心可能需要与云提供商共享敏感数据；制定共同的指导方针可以增强机构的信心，简化其运作，同时还可以帮助机构避免错误和规避风险。城市可以研究潜在可行的方法，例如集中了解数据采购和模板化数据工作的各个方面的专业知识，并将数字权利考虑纳入其中，以支持各机构。
#2
在城市机构中培养更多的
数据工程重点和专业知识。
粗略来讲，数据工程指的是使数据可用的工作。这涉及一系列不同于数据科学、数据分析和机器学习的技能。一个十分常见的错误是，在雇佣数据科学家或人工智能专家之前，并没有首先对必要的数据工程和基础设施进行投资，因为前者依赖后者。重要的是，数据工程工作也产生了广泛的利益，这不仅限于人工智能方面；当数据不是可用的形式时，即使是对城市有重大好处的非常基本的分析类型也变得极其困难。
#3
继续改进导入纽约市开放数据
数据间的标准和链接
使其更加可靠和可用。
《开放数据法》要求每个机构都有一个开放数据协调员(ODC)，负责确定适合公开共享的机构数据集，并确保数据的准确性。作为合规流程的一部分，NYC Open Data每年都会努力改进元数据、文档和开放数据协调员的培训标准。改进的文档有助于确保数据集能够在文中进行呈现，降低被用户误解的可能性，并有助于促进合乎伦理的使用。继续努力提高合规性和文档标准，以及响应机构数据集之间的更多链接，将节省大量时间和精力，并帮助用户从城市的公共数据资产中释放更多价值。
#4
提高NYC Open Data在特定任务
和问题领域的可用性。
纽约开放数据目前拥有数千个数据集，但许多用户，无论是政府内部还是外部，都发现很难浏览所有这些数据集，也很难知道哪些数据集组合与小型企业、空气污染或交通等特定主题的项目相关。市政府可以利用MODA等部门在这些领域的专业知识，指出哪些公共数据集与感兴趣的特定主题相关，这些数据如何组合在一起，以及对这些数据的适当和不适当的使用可能是什么。
2、城市应用
AI NYC
02
调查发现
尽管必须非常谨慎地对待人工智能项目，正如上文“什么是人工智能？”一节和附录A中所讨论的那样，人工智能项目有一系列潜在的用途可以在几个不同方面使纽约市及其居民受益。本节描述了人工智能或相关技术在城市的几种不同性质的使用方式，并概述了它们如何可以作为其他机构和代理商的可靠的模板。
案例：网络指挥、网络防御和基础设施应用
纽约市网络指挥部是根据市长行政命令创建的一个中央组织，负责领导纽约市的网络防御工作，与大约150个机构和办公室合作，预防、检测、响应网络威胁，并从中恢复。为了管理这项工作，网络指挥部使用了建于院中并托管在谷歌云平台上的自定义机器学习系统来收集大规模的关于网络活动数据集，这些数据集用于通过二进制分类模型标记异常行为。该系统使用超过2.3 pb（230万gb）的历史训练数据构建，每天用于处理超过110亿个事件（每秒数千个模型预测），系统全天候运行，正常运行时间为99.99%或更好。
这种基础设施应用根本不涉及个人或社区，也不会出现附录A中讨论的关于公平的关键问题。也不会有考虑将人力团队作为替代方案的问题：处理如此规模的数据显然是不可能的。然而，重要的是，这些模型必须能够被机构本身的操作人员解释，以确保正常工作，并有效解决潜在的事件。技术和组织方法都将成为处理基础设施和气候变化等主题的其他机构的强大模型，特别是在以任何其他方式处理所需数据规模都不现实的情况下。
除了内部开发的模型外，网络指挥部还积极与第三方供应商合作，访问、评估和使用其他网络安全工具，其中一些工具积极使用机器学习进行数据分析和检测恶意活动。
案例：全市行政服务、能源账单和机器人流程自动化
纽约市行政服务部(DCAS)在能源管理处(DEM)设有一个能源供应团队，负责支付该市所有的电力、燃气和蒸汽账单。DEM每月要处理超过15,000张账单。该部门还负责这些费用的预算，因此监控支出情况非常重要。然而，账单可能会有一些很难发现的不规则收费，而且账单结构复杂，而且数量太大，无法仅靠人工审查来管理。
此前，账单审查小组利用内部公用事业账单和报告系统中的现有报告，以及人工审查来检测异常。由于逻辑的复杂性和特殊情况的数量，用传统的软件工程来解决这个问题是非常困难的。于是，DCAS IT构建了一个ML模型(使用谷歌的TensorFlow)，训练了数百万个历史账单记录、天气数据和空调信息——包括建造年份、平方英尺和使用类型。训练数据的多样性使模型能够考虑到一年中的时间和环境温度，并从类似的建筑物中进行概括。
在许多情况下，该模型可以非常准确地预测预期账单(以美分为单位)；如果实际账单金额与预测账单金额之间的差异超过10%的阈值，系统将标记该账单以供人工审查。该系统节省了数百万美元，DEM在2020年和2021年从多家公用事业公司检测到的100多个账单异常中获得了450万美元的退款。
虽然这是一个非常特殊的使用案例，但这种“机器人过程自动化”(RPA)应用程序——可能有人类参与审查模型预测——有潜力适用于许多机构。例如，这可能包括需要以相对可预见的方式处理大量表单或按优先级排序的机构，特别是在不是高度敏感的情况下。
实现这些并不复杂：通常可以使用高级工具创建这样的系统，这些工具不需要深入的专业知识或手动构建自定义模型。无论如何，即使是在纯技术方面更为直接的情况下，也必须确保用例不会引起数字权益的问题。
案例：市长刑事司法办公室、人性偏好和社会影响
“审前风险评估”是指在审判前确定被告不出庭或犯下其他违法行为的风险的过程。虽然这在历史上是由人类法官完成的，但预测模型越来越多地用于这些评估。在这种高度敏感的情况下，存在着巨大的不公平和伤害的可能性，人们必须以对系统的伦理和其他行为的重大关注来处理该领域，如附录A中详细讨论的那样。
2019年，市长刑事司法办公室(MOCJ)和纽约市刑事司法署(CJA)与芝加哥大学纽约犯罪实验室(CLNY)、社会科学研究公司Luminosity和行为科学设计公司Ideas42合作，评估和更新该市正在使用的评估，特别关注解决种族或其他存在的差异。除了采访刑事司法系统的广泛利益相关者外，研究人员还建立了一个预测模型，以评估现有流程的各种组成部分，并建议更新以提高其性能和公平性。他们发现，更新后的流程“推荐了更多的人获得保释，同时保持目前的高出庭率，在考虑种族/民族和性别时，大大减少了推荐率的差异，并大大减少了假阳性率的大小和基于种族/民族和性别的假阳性率的差异”。换句话说，法官在65%的情况下，没有任何审前条件的情况下释放了被告，而CJA的最新评估将建议释放89%的被告，由于该工具的准确性更高，这可以在不增加缺席庭审的情况下实现，同时提高种族平等标准的表现。
认识到在刑事司法环境中使用的任何决策辅助工具的敏感性，项目团队在开发和实施这一工具时采取了一些特别预防措施。从一开始，该小组就有明确的目标，即减少监狱的使用，减少评估过程中存在的种族差异。两个独立的研究团队被保留下来独立分析数据，产生候选模型，并审查所有的分析，一个由算法工具和刑事司法种族偏见方面的领先专家组成的全国研究咨询委员会审查了这一过程的每一步。
此外，团队还从不同的涉众群征求对过程的反馈，并努力确保该工具的过程、分析和现场应用的透明度。例如，计算是公开和静态的，因此可以在法庭上手工重新计算，并且提交给法庭各方的关于每个人的文件包括用于获得分数的源数据，以允许人工更正或采用偏离工具的建议。这份文件还包括明确的语言，强调一个人的分数如何转化为他们重返法庭的可能性，使用措辞清楚地传达了整体成功率的高水平。该团队进一步发布了一份详细的研究报告，其中包括工具构建过程中的分析输出和决策，并明确报告了其中的权衡，以及该工具对种族差异的影响。最后，团队发布了一个正在进行的可行的计划，定期监测结果，为分数较低的个人提供额外的支持，以帮助增加刑满释放后的归还率。
案例：环境保护、健康与心理健康，噪音污染
噪音污染是美国城市居民生活质量面临的主要挑战之一。纽约市大约90%的成年人生活在过度的噪音中，这意味着超出了环境保护署认为有害的限度，噪音是打电话给311的人最常见的抱怨。过度的噪音暴露会对健康造成影响，包括睡眠中断、听力丧失、高血压和心脏病。研究已经揭示了噪音对儿童学习的负面影响，表现为记忆力下降。阅读技能和较低的考试成绩。
2016年，由纽约大学城市科学与进步中心(CUSP)领导的一个团队发起了一项史无前例的综合研究计划，重点关注对噪音污染的监测、分析和缓解。该项目涉及大规模噪声监测，利用机器学习、数据分析、物联网和公民科学报告等最新技术，更有效地监测、分析和缓解城市噪声污染。这个多年项目纽约的声音（SONYC）是与环境保护部(DEP)、DOHMH、交通部(DOT)、DDC、社区事务单位(CAU)和纽约市CTO合作进行的。
在这类应用中，对于那些考虑纽约人的数字权利的人来说，录音的隐私显然是一个问题，该项目包括一个解决这个问题的框架。此外，该团队还与纽约市合作，确定噪音暴露水平高的社区，并与社区组织合作，在居民区部署传感器。SONYC通过API和恢复数据协作（Recovery Data Partnership）(见上文第1节)与市政府共享数据，并支持当地社区改善噪声环境。
图三、SONYC运作图表，这是一个新颖的 "网络空间 "系统，用于监测噪音污染，由纽约大学与纽约市的一系列机构合作设计。（资料来源：纽约大学）
案例：高中招生、匹配和其他算法方法
本节中给出的示例都以不同的方式使用机器学习。事实上，还有许多其他复杂的技术方法或现有的技术来解决实际问题，这些方法或技术使用相同的数学构建块，但可能不是机器学习或人工智能（如附录A所述）。这些方法可以包括数学优化、资源分配、匹配、规划、路径、模拟、机制设计等，所有这些方法也应该被积极考虑作为人工智能战略的一部分，无论它们是否是“人工智能”。例如，DOE用于纽约市高中招生的匹配算法不是人工智能或机器学习，尽管是运用了一种解决资源分配问题的技术方法，但附录A中提出的许多观点仍然适用。
案例：DOF和计算机视觉应用
现实是，纽约市在利用人工智能方面的能力并不均衡。
虽然一些机构拥有利用人工智能所需的人员、知识、计算机硬件、现有合同和其他资源，但其他机构则没有。由于需求、机构规模和任务各有差别，能力需求也将视组织而定。虽然各机构确实可以选择通过聘请顾问来补充内部员工，但如果在聘请期间或之后没有将学到的知识或资源完全转移给城市工作人员，这些可能会导致错过内部能力增长的机会，甚至削弱治理。下文第5节将进一步讨论劳动力发展和城市治理能力问题。
机遇
根据模板示例，选择一组机构对潜在的人工智能应用进行内部审查。
本节调查结果中的例子概述了一系列不同类型的应用程序，纽约市可以在这些应用程序中考虑有效地使用人工智能：基础设施应用程序、简化机构运营、使人类决策更加透明和严明、直接解决社会问题或提供社会服务等等。
纽约市可以选择不同的机构组合——专注于从气候变化到社会服务的任何领域——进行内部审查，以确定人工智能或机器学习在服务于其机构使命方面的潜在应用、他们可能存在的任何问题或隐患，以及可能需要的高水平资源意识。诸如前文描述的例子中提到的现有从业者，跨学科团队可以帮助审查这些潜在的项目，并就如何在各种情况下进行最优配置进行提出建议，同时帮助确定可能在个别机构之外更好地解决的共同痛点。这应包括与外部团队或专家建立伙伴关系的建议，以帮助执行项目，并帮助应对政策考虑和道德风险。
融合具有人工智能方法使用经验的机构技术领导层，并为全市范围内的使用创建实用指导。
2019年，第50号行政命令在市长办公厅设立了算法管理和政策官一职（AMPO），并阐述了该办公室的一系列职能和任务。其中包括“研究新的发展和最佳实践……”以及在算法工具方面“保持先进……”。为了支持该项工作，并增强城市机构运用人工智能工具的能力，可以召集参与上述项目以及AMPO报告中详细说明的其他项目和系统的关键人员，分享他们在这些项目中的经验。这可能包括对组织和领导组成部分的讨论（例如获得非技术机构领导层和OMB的支持或支持，以及确定所需资源），以及对所使用的技术方法的讨论。此组织可通过分享经验对城市机构领导层带来启发，并就如何在其他机构实施此类项目提出建议。该组织还可以作为一个非正式实践社区，各机构可以直接交流问题。
支持机构使用标准机器学习软件和硬件的能力。
部分由于其数学性质，机器学习系统通常是用不同的技术和软件包构建，而不是一些机构所熟悉的。特别是，使用开源库是标准方法，如scikit-learn、tidyverse、PyTorch和TensorFlow，通常使用编程语言Python或R。虽然Python是一种适用于许多任务的通用语言，但R是统计学家、数据科学家和社会科学家常用的专业统计语言。习惯使用微软等供应商技术的机构可能没有意识到微软产品与这些产品兼容（例如Azure），也没有意识到使用标准工具进行机器学习工作的重要性（原因有多点，包括可维护性、功能支持、整体性能等）。
在与纽约市首席技术官和本节所述机构的其他从业者协商后，机构首席信息官和首席技术官可以主动敦促自己和团队了解这些技术，以及在使用这些技术或与使用这些技术的供应商签订合同时会涉及哪些问题。最后，对于某些较新的技术，如“深度学习”，可能需要专门的硬件（特别是GPU）；许多人通过亚马逊、微软、谷歌和其他公司提供的标准云服务访问此类硬件。
2、城市治理
AI NYC
03
调查发现
人工智能及其应用正在快速发展，社会正在不断应对这些变化。城市迫切需要在其政策和治理工作中对不断变化的技术和社会环境做出反应。
纽约市已经为人工智能治理和政策制定奠定了初步基础，可以在下一阶段的工作中得到加强和利用，但是下一阶段的工作核心需要认识到还有很多仍然未知。
采购和签约是人工智能治理中的核心议题。
是自主开发系统抑或依赖供应商提**品服务，这会对纽约市人工智能系统的可见度和操控性产生显著影响。与其他技术相比，签订涉及人工智能的合同时需要考虑一些独特的因素，这些因素在附录A中有所讨论。
今天，一些机构已经具备了自主开发系统的能力，但其他机构必须依赖供应商提供服务来利用人工智能。纽约市拥有健全的采购规则，以及全市和机构层面高度结构化的招标合同谈判流程。主要机构在评估投标和合同谈判方面有很强的专业性，可以形成公平和负责任的体系。随着越来越多的机构开始整合人工智能，纽约市可以更广泛地建立自己的内部专业知识体系。
出于多种原因，接受采访的几位机构代表提出了新的中央共享资源的潜在价值，以帮助各机构解决在采购数据集或人工智能技术时出现的一些特殊问题。这些价值包括建立和保持机构专业性，提供工具来支持对供应商关于他们使用“人工智能”的声明的严格评估（通常指没有根据或夸大事实)，并通过提供“人工智能附加条款”等方式来帮助简化机构的工作，以解决出现的故障甚至人工智能系统的伦理道德问题（详见附录A）。
例如，纽约市经济机会办公室要求供应商提供有关其编码底层逻辑的“大众说明书”,以便大众能够理解。这项工作旨在获得比***或高级功能描述更全面，比代码或技术规格更易理解的信息。
案例：算法管理和政策官
如前所述，市长于2019年签署的第50号行政命令，创建了算法管理和政策官一职，归属于市长办公室的运营部门。这个新职位负责围绕城市机构公平和负责任地使用“算法工具”制定政策框架和管理实践。其中，关键的管理实践包括评估工具的协议、为公众提供查询和投诉渠道，以及建立公共报告和公开流程，所有这些都与本节下文提到的机会密切相关。
至于后者，算法管理和政策官（AMPO）在2021年发布了其初步机构合规报告的结果，总结了由九个城市机构和办公室使用的十六种算法工具。（AMPO的重点是“算法工具”，而不是人工智能本身；有一些算法工具不使用人工智能，也有一些人工智能系统不被视为算法工具。）这是全国第一份关于政府使用算法工具的报告，由第50号行政命令涵盖的近100个机构和办公室参与，并将为纽约市的持续工作提供关键基础，同时也为世界其他城市提供了参考和灵感。
算法管理和政策官（AMPO）制度建立在更广泛、负责任的数据治理和运用的基础上，这也在市长数据分析办公室（MODA）、纽约市经济机会办公室（NYC Opportunity）、市长信息隐私办公室（MOIP)、纽约首席技术官（NYC CTO）等办公室的工作中以及纽约开放数据计划（NYC Open Data）和纽约股票（EquityNYC）的目标制定过程加以运用。算法管理和政策官（AMPO）还由一个指导委员会提供建议，该委员会由多个不同办公室和机构的高级代表或领导人组成。
重要的是，其中一些办公室已经在每个城市机构内建立了官方联络人的网络：每个机构都有一个算法管理和政策官（AMPO）联络员、一个机构隐私官和一个开放数据协调员。这些网络是一种关键资源，可以在未来以新的方式使用——例如，将教育、培训和最佳范例传递到整个市政府（市政府员工培训在下面第5节中进一步讨论）。
案例：纽约市物联网战略
2021年3月，纽约市首席技术官（NYC CTO）发布了一份《纽约市物联网战略》（参考文献4，请后台留言联系我们下载）。该战略描述了社会各个领域中物联网的使用情况，探讨了技术在教育和政策环境中的处理方式，概述了纽约市物联网生态系统的现状，并制定了一系列重要的近期行动，以创建一个健康的、跨行业的物联网生态系统，这个生态系统是高效、负责任的和公正的。《纽约市物联网战略》还采用了以数字权利为基础的方法，并执行六个关键原则：治理和协调、隐私和公开、安全和安保、公平和公正、效率和可持续性以及开放和公众参与。
该战略建立在最近多年的工作基础上，其中包括类似前一节中所述的纽约之声（SONYC）项目的技术试点。在发布该战略后，由纽约市首席技术官（NYC CTO）领导，市政府积极与公众就该战略进行交流，建立了一个内部智慧城市协作组织，以促进机构间信息共享和协作，并针对大众负责任地使用物联网技术进行影响评估。
城市的生态系统具有独特性，使其成为注重公众参与、以人为本的人工智能创新和领导的理想之地。
纽约市丰富的公民技术社区已经形成了各种现有的倡议，让公众参与进来，使政府决策更具公开性且贴近民意。这些努力包括鼓励市民参与制定和改进城市数据、应用和服务，如第2节中描述的纽约之声（SONYC）项目，尝试各种努力向纽约市民科普，并增强他们对关键问题的认识。这项工作既在市政府内部通过公共倡导办公室（OPA）、市长数据分析办公室（MODA）、纽约市经济机会办公室（NYC Opportunity）的服务设计工作室、算法管理和政策官（AMPO）、纽约首席技术官（NYC CTO）等办公室进行，也通过公共图书馆和社区中心等其他实体机构展开。它同样聚焦非城市化地区，在致力于设计、技术、数据和公众参与的非营利组织、研究机构、大学实验室和社区组织中也得到了重视。这种跨领域的组织和人才的独特结合为城市在采用和适应人工智能的参与性方法方面提供了优势。
至关重要的是，关于强化公众参与的最佳范例和标准尚未达成共识，也是当前研究的主题。这些系统由于其复杂性，将需要新的、创新的方法来实现强有力和有意义的参与。事实上，公众参与人工智能领域尚处于早期阶段，这为纽约市创造性地探索和定义这个领域提供了绝佳机会，但这些举措应该以试验尝试的精神进行。
机遇
促进实验性、经验性的政策制定。
市政府可以成立一个内部工作组，支持全面协调的人工智能政策制定和采购，包括采购人工智能的机构和专注于技术政策的机构。该工作组可以召集一个实践社区，不断修订政策和协议、提升最佳范例，并就共同关心的新兴问题征求意见。它应该通过与社区和不同部门之间有组织的交流来了解新兴问题，以保持对新出现的问题的关注度。
支持内部的全面关注。
努力纳入对部署系统的定期审查。
一些与人工智能系统相关的重要关注点是，它们可能基于一个本质上是错误的前提建立，实际应用中可能根本不起作用，并且它们的性能可能会随时间变化，出现可能会导致性能下降的情况，这些情况在附录A中有所描述。因此，迫切需要对已部署的系统，无论是通过采购的还是内部开发的系统进行持续监测，而不是进行一次性的前期审查，即使这些审查更加详尽。这与其他合理依赖前期审查而不是持续监控的技术治理制度不同。
调整社会团体参与和分享方式的模式。
要了解直接与人打交道的人工智能系统的影响，通常需要获得关于这些系统与不同人**互方式的定量和定性信息，并考虑这些交互方式在不同人群之间的差异。虽然有时所讨论的问题特定于人工智能，但它们通常涉及更广泛的社会、历史或其他因素，如收入、教育、健康、互联网接口等诸多其他领域。
图四、纽约市[x]联合实验室关于在因伍德和华盛顿高地获得技术教育的参与式研讨会中的社区成员。（来源:纽约市首席技术官）
一览众山小-可持续城市与交通
╱ 未完待续 ╱
#参考资料#
我们为本文提供的免费下载资料有：
1、《纽约市的信息共享与系统现代化》
2、《纽约市互联网总体规划》
3、《纽约市开放数据——“开放数据的下一个十年”》
4、《物联网战略：纽约市物联网战略》
请在我们微信号 @SustainableCity 后台留言或电邮 daizongliu@qq.com下载
一览众山小-可持续城市与交通
我们 | 作为独立的专业志愿者团体
秉承 | 专业理想与价值观
信守 | 非营利原则
愿景 | 帮助中国城市可持续发展
关注 | 城市、交通、公共空间与大数据
至今 | 遍布全球870名志愿者网络
推送 | 近3000篇原创专业译文
感谢 | 过去9年多来您的支持
报名 | 后台留言关键词“志愿者”了解
2014-2023 ©转载请注明：
转载自公众号“一览众山小-可持续城市与交通”
标签： ai关键词
