工程科技是改变世界的重要力量，工程前沿代表工程科技未来创新发展的重要方向。中国工程院每年研判并发布全球近百项工程研究前沿和工程开发前沿，积极引导工程科技和产业创新发展，2024年度全球工程前沿报告目前已发布。
研究以数据分析为基础，以专家研判为核心，遵从定量分析与定性研究相结合、数据挖掘与专家论证相佐证、工程研究前沿与工程开发前沿并重的原则，凝练获得 92个工程研究前沿和 92个工程开发前沿，研判重点工程前沿未来 5~10 年的发展方向和趋势。
工程管理领域
01
工程研究前沿
1.1
●
Top 10 工程研究前沿发展态势
在工程管理领域，本年度10个全球工程研究前沿分别是：基于生成式人工智能的工程管理优化问题研究，机器行为与人工智能大模型对人类决策行为的长期影响研究，城市系统物理-信息-社会建模与韧性提升，绿色能源系统综合优化与评估，数字化碳排放监测测算方法及时空特征演化研究，复杂社会信息网络下公共风险感知研究，建筑(群)数字孪生模型推演与虚实交互方法研究，碳中和目标下供应链管理与优化策略研究，气候金融资产定价与风险管理研究，生成式人工智能算法伦理研究。其核心论文发表情况见表 10.1和表 10.2。其中，基于生成式人工智能的工程管理优化问题研究、机器行为与人工智能大模型对人类决策行为的长期影响研究、城市生命体系统物理-信息-社会建模与韧性提升、绿色能源系统综合优化与评估为重点解读的前沿，后文对其目前发展态势以及未来趋势进行详细解读。
(1)基于生成式人工智能的工程管理优化问题研究
随着技术的飞速发展和项目的日益复杂，工程管理在确保项目顺利进行与成功完成方面发挥着至关重要的作用。现代工程项目往往涉及多方协作、资源配置、风险控制等多个方面，这就要求工程管理者具备全面的专业知识和管理技能。然而，由于思想与理念难以充分落实，加之现实条件的制约，工程管理的实际效果与预期目标之间仍然存在较大差距。这种差距不仅可能导致项目延期和预算超支，还可能影响到工程质量和安全。在这样的背景下，生成式人工智能的颠覆性进展为工程管理带来了变革的契机。当前，生成式人工智能技术在工程管理优化领域仍处于简单集成和初步应用阶段，尽管如此，它们已经显示出巨大的潜力。这些技术通过数据分析、预测模型和自动化流程等手段，在工程咨询、工程营销、工程运营等业务中，能够提供更加科学和高效的解决方案。
(2)机器行为与人工智能大模型对人类决策行为的长期影响研究
伴随着智能技术的飞速发展，在人们的日常工作和生活中，机器作为行为主体的出现愈发频繁，其重要性也日益提升。机器行为，即对智能机器所展现出来的行为研究，从提出伊始便得到了广泛的关注和进一步的研究。由于智能机器的应用无所不在，类别千变万化，特别是伴随着以 ChatGPT为代表的生成式人工智能大模型的出现，智能机器更进一步对人类在不同层面上产生影响。以往的研究不仅进行了实证研究收集和分析数据，验证人机协同决策的有效性，以及在实际应用中的表现和影响，还探究了人机交互中的决策过程的影响因素，包括沟通模式、任务分配和角色定义；基于认知科学的发现，探究了利用对人脑认知过程的理解来提升人机系统的协同效率；探索了将人的直觉、判断和决策能力与机器的数据处理、模式识别和学习能力相联合，实现更为高效和准确的决策。在以上研究基础上，进一步指导人机交互系统的实现让机器能够理解并响应人类用户的指令和需求，同时人类用户也能有效地监控和指导机器的行为。此外，还进一步探讨了在人机协同决策中如何确保伦理原则得到遵守，以及如何平衡技术发展与社会责任。
(3)城市系统物理-信息-社会建模与韧性提升
城市是经过长期建设发展形成的由自然环境、建筑与基础设施以及人构成的有机生命体。随着城镇化的加速和自然灾害的频发，提升城市韧性，确保城市系统在受到扰动时能维持或迅速恢复功能，已成为城市可持续发展的关键。城市可以被视为由物理(实体要素)、信息(信息数据)、社会(人类活动)三个维度组成的“三度空间”。三度空间中的城市子系统相互关联、相互作用，共同支撑城市的运转，其对灾害的抵御和恢复能力，共同决定了城市的韧性水平。随着城市系统日益复杂，灾害影响往往会出现“系统间传递”和“维度间扩散”，如供电系统损坏导致供水系统和通信系统功能受损，进而影响医院等关键社会服务设施的运转。然而，传统研究与实践通常针对单一子系统，无法揭示子系统间的交互机制及其破坏后对社会维度的影响机制，也就无法从城市全局上确定需要重点防护的关键基础设施，无法将有限的防灾减灾资源最优地配置到城市的各个子系统中。因此，跨物理-信息-社会维度的城市系统建模与韧性提升已成为当前城市韧性领域的前沿。现有前沿研究主要从以下不同维度融合的角度推进城市系统韧性的建模与提升工作：首先，城市系统物理-信息建模研究主要通过实时数据采集、云计算、大数据分析的建模与优化方法，提升城市物理系统的运行安全与稳定性：其次，城市系统社会-信息建模主要通过分析社会行为与信息传播机制，优化应急资源配置与社区自组织水平，增强城市系统在灾害情境下的响应能力；再次物理-社会系统研究主要聚焦物理-社会系统的相互作用机制，探索灾害情景中的复杂动态过程，提升城市应急管理与风险评估的准确性；最后，在跨维度建模基础上，通过情景推演，评估城市系统在冲击下的韧性表现，制定优化策略，提升系统韧性。未来，研究将进一步聚焦物理-信息-社会系统的协同演化机制,推动跨学科、跨领域的创新发展，特别是在数据安全、智能化、集成化和精细化建模等方向，探索新兴技术对提升城市韧性的潜在价值。
(4)绿色能源系统综合优化与评估
在全球能源转型与可持续发展的大背景下，绿色能源系统的综合优化与评估已成为应对气候变化、保障能源安全和推动环境保护的关键举措。通过整合可再生能源技术，绿色能源系统不仅逐步降低了传统化石能源的供能比例，也实现了多种能源的高效利用和低碳发展。如何优化整体性能，并在经济性、可靠性和环境可持续性之间取得平衡,成为绿色能源系统研究的核心。一方面,随着可再生能源渗透率的不断提高,多能源系统的集成与优化面临严峻挑战。虽然多能转换与多元储能技术极大地提高了系统运行的灵活性和能效，但也显著增加了系统运行的复杂性，并对其稳定性带来了极大挑战。为此，通过建立高效的优化策略及多维评估指标，实现多能协同调度，并最小化能源生产、传输、存储和消费的全周期成本，是目前研究重点。另一方面，绿氢作为未来能源的重要载体，正在迅速全面崛起。氢能生产、储存与应用技术的突破也为构建新型低碳能源系统提供了重要支撑。研究者们正积极探索经济的绿氢生产方式、高效的系统优化方法及全面的评价指标，以推动绿氢在未来能源系统中的深度应用。近期研究重点包括绿色能源系统电-热-气(氢)转换设施精细化建模、绿氢生产及综合能源系统多维度评估、电-热-气(氢)耦合优化调度及其可靠运行、多网络耦合系统规划及其设施配置、市场机制设计及可持续发展政策推广。
(5)数字化碳排放监测测算方法及时空特征演化研究
1958年，在夏威夷莫纳罗亚天文台启动的长期大气二氧化碳观测首次确认二氧化碳浓度逐年上升。20世纪 70-90年代，碳排放概念逐步成型，主要通过能源消耗和工业活动的统计数据进行粗略估算，研究重点在于其对全球气候变化的影响。进入21世纪，卫星遥感技术被引入碳监测领域，发展出生命周期评价和碳足迹模型等定量分析工具。自2010年以来，信息技术的进步推动了传感器网络、大数据和云计算在碳排放监测中的应用，增强了对碳排放时空演化特征的研究。2020年后，随着大数据和人工智能的迅速发展，重点行业的碳排放监测与管理逐步实现数字化，研究重心转向提高碳排放清单的精度与时空分辨率以及探索碳排放与经济、社会、环境、政策等多因素间的复杂关系。当前碳排放监测的研究重点主要集中在几项关键技术的创新与应用上。智联网与数字孪生技术的结合，通过智联网设备实时采集碳排放数据并利用数字孪生技术进行精确映射和趋势预测，实现精准的碳排放测算与评估；天-空-地一体化监测与数字地球平台的整合，融合卫星、无人机和地面监测数据，构建高分辨率、近实时的全景碳排放监测网络；超级计算与智慧大脑的结合，通过高效的数据分析和深度模式挖掘，支持智能化的碳排放管理与决策。这些技术方向正推动碳排放监测走向全面、精准和智能化的综合发展。未来十年，碳排放监测的发展目标是打造一个“天-空-地-海-人”多界面耦合、多源融合、可视化、高时空分辨率、动态系统一体化的碳排放立体监测网络。核心在于构建一个多源、多尺度数据智能融合的动态碳数据平台，并将其深度集成到能源系统中，成为智能能源系统的有机组成部分。这个系统将整合卫星、地面站、无人机、车载设备等多种监测手段，在“天-空-地”框架基础上，搭建一个高时空分辨率且可动态更新的碳通量网络。与现有的碳通量网络相比，这一能碳智联系统不仅显著提高了碳流监测的准确性和时空分辨率，还增强了对能源网络规划与运行的指导能力，为在碳中和约束条件下的能源网络运行和建设提供了更多的灵活性，从而更好地实现长时间、大尺度的碳中和目标。
(6)复杂社会信息网络下公共风险感知研究
公共风险感知是公众对某事物表达的担心或忧虑，体现了公众对特定风险状态进行主观评价的过程。随着大数据、大模型、大算力等信息技术的快速发展，有关突发事件或风险因素的信息扩散越来越受到人工智能生成内容(AIGC)技术和各类社交媒体平台的影响。公众对某类风险主题的风险感知在当前这种复杂社会信息网络情景下呈现出新特征与新规律。当前，复杂社会信息网络下的公共风险感知在管理学、灾害学、社会学、计算机科学、数据科学、工程科学、传播学等多个领域取得了显著进展，凸显了公共风险感知的动态性、关联性、复杂性、模糊性等新特征。现有的研究多通过信息化手段自动获取网络上多源异构开源数据，搜集社交平台、新闻媒体、购物平台、地理信息等网络中的开放数据资源,分析重大突发事件新兴技术发展、特定社会或政策主题等方面的信息扩散模式与扩散网络、公众对其风险感知的特征提取与演变过程，以及相应责任主体的风险干预策略等。该领域未来的发展趋势包括：①基于异质网络社区风险认知差异下的风险信息扩散模式及其风险感知的交互影响模式；② 基于 AIGC 的风险信息呈现方式、公共风险感知与信任水平的关系分析；③ 基于多源异构数据的公共风险感知的信息挖掘技术与定量计算模型；④ 公众对不同突发事件类型、重大项目活动、新兴技术趋势等重大变化因素的风险感知演变过程分析与全景信息呈现方式，并在此基础上开展基于多源信息平台的信息沟通策略研究。
(7)建筑(群)数字孪生模型推演与虚实交互方法研究
数字孪生是通过在数字空间对物理世界进行建模，构建出物理世界的映像，利用数字感知、传输和智能技术对物理世界产生的海量数据进行分析，形成实时、智能化的洞察和决策，进一步反馈于物理世界，从而实现对物理世界的持续优化和科学决策。自2003年提出以来，数字孪生被广泛应用于航空航天、工业制造等领域，并迅速拓展至城市建筑与建筑群的运维领域。目前，建筑(群)的数字孪生主要靠融合城市信息模型(CIM)、建筑信息模型(BIM)、地理信息系统(GIS)、物联网(IT)、人工智能等技术来实现其成熟度可分为：以虚仿实(1级)、以虚映实(2级)、以虚控实(3级)、以虚预实(4级)、以虚优实(5级)和虚实共生(6级)。其中，3~5级涉及的数字孪生模型推演与虚实交互是当前亟待突破的核心问题。近年来，该领域的研究处于起步阶段，涉及信息采集与分析、数字孪生模型构建、虚实交互软硬件设计等的交叉融合，例如融合计算机视觉、物联网等的建筑施工与安全培训，基于虚拟现实等的人/机-环交互，基于大数据等的建筑设备调控等。相较而言，美国、欧洲等的城市数字孪生技术体系相对完善，制定了系列战略与底层标准，拥有 Autodesk 等知名厂商支持，形成了“虚拟新加坡”等领先探索实践。随着智慧城市建设需求的提高与信息化技术的发展，建筑(群)数字孪生技术的发展与前景更为广阔。未来研究趋势包括：建筑(群)数字孪生的技术体系建设；具有自主知识产权的数字孪生平台；面向建筑改造、能耗调控服役安全、防灾与应急等多场景的高效感知、全要素识别跟踪、模型重建更新、高效推演调控等。
(8)碳中和目标下供应链管理与优化策略研究
近年来，围绕“碳中和目标下供应链管理与优化策略研究”这一主题，国内外学者的前沿研究主要集中在以下五大领域。第一，碳交易政策下的供应链减排决策与优化策略。碳交易政策对供应链中的制造商和消费者会产生不同影响，在惠及消费者的同时会降低制造商的盈余，但有利于提高整体社会福利随着“碳中和”战略的提出，消费者对低碳生产的意识增强，政府碳交易机制和低碳消费补贴政策逐步出台，企业面临着良好的发展机遇。然而，政府如何合理制定碳交易政策，企业如何在供应链中实施最优的低碳生产决策，仍然是低碳转型发展研究中的关键问题。第二，碳交易政策驱动的供应链碳减排技术创新的影响。实现企业碳减排的最根本途径是对碳减排技术进行投资与创新。在碳交易政策驱动下投资碳减排技术的供应链成员存在技术投资决策与纵向合作策略问题。碳交易政策的存在会使纵向合作的条件变得更加严格。然而，碳交易政策驱动的供应链碳减排技术创新对企业间的合作与资源共享、供应链碳减排成本效益优化、供应链监管与信息披露等方面的影响机制仍旧是未知的，是未来的重要研究趋势。第三，低碳供应链的融资模式。随着低碳经济的不断发展和推进，低碳供应链的资金约束问题不断放大，主要表现为企业转型、绿色产品研发、绿色产品推广和其他低碳行为等环境保护方面都需要资金作为保障。低碳供应链之间各方的整体融资协作不仅能够为消费者提供更多低碳产品，也能够有效提高供应链利润和总绩效。不同的低碳投资成本系数和生产成本对融资决策选择具有重要影响。因此，在碳排放限制的背景下，在不同融资模式下如何实现社会福利和制造商利润的双赢值得进一步深入研究。第四，数智技术和减碳技术在低碳供应链中的实施障碍。数智技术和减碳技术可充分赋能供应链中企业在“查碳、析碳、减碳”各环节的工作。然而，数智技术和减碳技术在低碳供应链的实施过程中，普遍存在碳排放数据采集和计算难度大等障碍。第五,低碳供应链的网络设计与优化。在碳中和发展的背景下低碳供应链网络设计的关键挑战是如何在保持供应链网络利益最大化的同时，最大程度地减少碳排放在低碳供应链网络设计中，需要考虑诸多因素，如供应链战略合作伙伴的选择、物流调度、能源资源的选择和利用、库存管理等。因此，利用优化设计方法，如何最大限度地提高企业在构建低碳供应链物流网络中的综合利益需要获得更多关注。
(9)气候金融资产定价与风险管理研究
气候变化不仅直接影响到自然生态系统，还严重威胁到全球经济发展和金融系统安全。气候金融是旨在减缓和适应气候变化，以支持经济社会绿色低碳转型、实现可持续发展而在全球范围内所进行的所有金融活动的统称。气候金融研究重点是在准确刻画气候变化的物理风险(如极端天气事件)和转型风险(如政策、技术创新和消费者偏好改变导致的经济结构调整)的基础上，探讨如何对相关金融资产进行气候风险定价，以及如何采取措施评估和管理气候风险引起的各种金融风险。深入研究气候金融资产定价与风险管理，对维护金融稳定以及促进全球经济的可持续发展具有重要意义。当前主要研究方向包括：①气候风险量化与评估，主要包括通过自然灾害监控技术估计极端气候事件造成的资产损失，评估浅资产风险及其对金融稳定性的影响，采用文本分析和机器学习等方法构建市场和公司层面的气候风险相关指数；② 气候风险与资产定价，主要研究气候变化导致的物理风险和转型风险如何影响不同资产类别的价格，涉及的资产类别包括房地产、股票和固定收益证券等；③气候风险管理与投资策略优化，主要包括金融机构如何通过气候风险压力测试、金融工具创新管理气候风险，投资者如何构建投资组合以实现气候风险的有效对冲，政府如何通过金融政策防范和化解气候风险对经济或金融稳定性的影响。该领域未来发展趋势包括：考虑多源异构数据的气候风险精细化度量、新型气候金融工具开发与合理定价、气候金融系统与经济社会系统耦合关系及反馈机制、气候金融风险管理的创新国际合作机制构建。
(10)生成式人工智能算法伦理研究
生成式人工智能(generative artificialintelligence)是人工智能领域的一个重要分支。其以深度学习概率模型、生成对抗网络等技术为基础，通过对数据内容、规律进行学习和模拟，实现文本、音频、视频、代码等内容的生成，能够极大地提高生产效率。随着生成式人工智能在影音娱乐、医疗卫生等领域的应用，其在实践过程中产生的伦理问题也成为社会关注的重点。现有的伦理研究主要从以下几个方面展开。其一，从人工智能的开发和训练层面进行分析，涉及人工智能的数据收集方式、数据训练内容开发成本与开发人员的道德倾向等问题。其中，人工智能的数据收集涉及人工智能的监视问题、私人数据的商品化问题等。这类问题在私密性较高的医疗领域尤为突出。数据的质量、开发人员的训练方式以及道德倾向对人工智能生成的内容有着深刻影响，通常体现为人工智能生成内容的偏见问题。这一问题也使得对开发人员的伦理教育和跨学科培训成为伦理研究关注的重点之一。其二，从人工智能实际运用层面进行分析，涉及人工智能技术的滥用和人机协作问题。人工智能技术的滥用主要表现为虚假信息的制造和传播。人机协作问题可细分为人工智能属于工具还是创造者、生成的内容是否具有创新性、人工智能能否视为道德主体并承担道德责任等问题。未来的研究将进一步围绕着人机协作乃至人机融合展开主要包括人工智能的权责分配问题、虚拟犯罪的认定与惩戒问题、人机融合的身份认同问题和主体价值问题等。
1.2
●
Top 4 工程研究前沿重点解读
1.2.1 基于生成式人工智能的工程管理优化问题研究
基于生成式人工智能的工程管理优化问题研究关注工程项目的全生命周期，主要集中在以下六个方面：① 工程咨询，使用生成式人工智能技术提供政策、法规、人力资源等方面的咨询支持；② 工程营销，辅助营销、售后等各项业务；③工程运营，实现人员智能调度；④财务审查，确保工程项目合法合规；⑤ 风险管理，通过生成式人工智能实时评估项目风险并提供预防措施；⑥ 研究与开发，评估设计合理性解决技术难题。
图 10.3为“基于生成式人工智能的工程管理优化问题研究”工程研究前沿的发展路线。在加快发展生成式人工智能落地应用、构建智能化工程管理平台，推进设计过程与工程管理有机融合的需求推动下，通过框架、技术、运行与管理标准体系等方面的持续建设，逐步实现工程项目智能化管理,达到资源高效利用合理配置的效果。
1.2.2 机器行为与人工智能大模型对人类决策行为的长期影响研究
机器行为与人工智能大模型对人类决策行为的长期影响研究将呈现出多元化、深入化和应用导向的发展趋势。未来研究将更加注重跨学科融合、多维度分析、长期效应与动态变化的研究内容，并加强对伦理法律问题的关注，以及政策、法规的制定。具体如下:
(1)人机协同决策增强
在不同行业(例如金融投资、医疗诊断等)、不同场景(例如灾难响应、医疗应急情况)下，通过利用人工智能(AI)大模型的数据处理能力,识别复杂的模式和趋势,为人类提供更为精准的预测和建议支持从而提高决策效率，提升决策质量。从交互角度人手，可以通过人机交互的增强与协作，研究如何通过人工智能(AI)提高人机交互的质量，以及这种交互如何影响决策过程;研判 AI辅助系统在复杂任务中的协作能力，以及它们如何影响人类的决策效率和准确性。从机器端,可以研究如何提高 AI系统的可解释性,以便用户能够理解其决策逻辑和推荐，并探索透明度对于建立用户对 AI系统的信任以及其决策行为的长期影响。从社会端，可以研究智能机器及智能决策系统在推动社会结构变化方面的作用，如就业结构、经济结构等，并探讨这些变化如何影响人类的决策行为和社会互动。
(2)决策过程的人机组织与分工
如何让机器聚焦于标准化和重复性的决策过程，减少人为错误，让人类将注意力集中在更需要创造性和战略性思考的决策上，并探究这些系统如何影响人类的决策过程、决策质量和决策满意度。探讨人机互动过程中人类的心理变化,如信任感、依赖感、自我认同感等,以及这些心理变化如何影响人类的决策行为。必要时，AI系统可进行动态适应性调整，承担部分决策任务，从而减轻决策者的认知负荷，使决策者能够专注于更高层次的决策活动。更进一步，人机如何组织协调(例如责权利如何分配等)以完成决策任务成为新技术条件下的研究重点。人机协同条件下决策模式的转变也成为研究的关注点，特别是对 AI决策支持的长期依赖可能导致人类决策模式的转变，人们可能更倾向于数据驱动的决策，而不仅仅凭经验或直觉。但这也可能导致对机器的过度依赖，从而引发认知能力下降等问题。
(3)决策的伦理与责任问题
随着 AI在决策过程中的作用增加，伦理和责任归属问题也变得更加复杂，特别是当AI系统提供的建议导致不利后果时，责任应如何界定，成为当前研究的热点。关注智能机器及智能决策系统在收集、处理和使用个人数据时的隐私保护问题，研究如何加强数据安全和隐私保护技术，以减轻对个人隐私的威胁。探讨智能机器及智能决策系统在决策过程中涉及的法律法规和伦理规范问题，如责任归属、权利保护等为技术的健康发展提供法律支持和伦理指导。
(4)技能和教育的适应
长期来看，人类与 AI的协作可能会发展出新的工作模式和组织结构，这要求人类适应与智能机器共同工作的新环境。为了有效利用 AI进行决策，人类需要学习新技能和知识，这会进一步推动教育体系和职业培训的改革。研究需要分析AI如何改变工作流程和职业角色;探索AI如何辅助教育和培训过程，支持人的发展;研判 AI对员工满意度、工作绩效和职业发展的影响;探究 AI系统如何影响用户的心理健康,包括压力、焦虑和决策疲劳，同时探索 AI在提供心理健康支持和干预方面的潜力，在组织层面形成良好的人机关系。
(5)政策与法规
AI在决策中的广泛应用可能会改变劳动力市场的需求，从而导致社会结构和劳动力市场的变化。为此，需要设计和实施长期研究，以监测和评估在个人和社会层面 AI对人类决策行为的持续影响，并进一步研究如何制定有效的政策和法规，以管理AI在决策过程中的应用，确保其积极影响并减少潜在的负面影响。
图 10.6为“机器行为与人工智能大模型对人类决策行为的长期影响研究”工程研究前沿的发展路线。相关研究应以构建人机共融的未来社会为目标，在促进人机合作、增强人机协调、促进人机共进与和谐共生的不同层次上展开研究。未来研究应着力于人机交互、算法提升，并将相关研究结合不同具体场景加以应用，促进人机相互感知、相互理解，进而探究人机协同对人类社会的长期影响，并指导制定相关的法律法规，构建未来人机共生的社会。
1.2.3 城市系统物理-信息-社会建模与韧性提升
城市系统物理-信息-社会建模与韧性提升的主要研究方向有城市系统物理-信息建模、城市系统社会-信息建模、城市系统物理-社会建模、城市系统韧性提升等。具体如下：
(1)城市系统物理-信息建模
城市系统物理-信息建模研究旨在探究如何通过实现城市物理系统与信息系统的紧密融合，优化城市资源配置，保障城市物理系统的安全稳定运行。当前研究与实践集中于两个方向。首先是通过城市信息系统收集物理系统实时数据，基于数据分析方法，对物理系统运行状态建模，进而优化物理系统在突发情况下的运维管理策略。其次是关注物理系统与信息系统耦合带来的级联风险。例如，城市供水系统通过调度中心来提升供应效率，但当调度中心受到网络攻击等冲击失效后，供水系统的供应能力会显著下降，影响城市正常运转。因此，构建具备跨维度、跨系统的风险抵抗和恢复适应能力的城市物理-信息系统成为了研究前沿：如通过异常检测、主动防御等技术，基于实时监测网络流量，及时发现潜在的网络攻击威胁；或通过冗余设计、修复机制来提高城市物理-信息系统的容错能力。未来，城市物理-信息建模将向智能化方向继续发展，包括：①提升系统建模在不同场景下的泛化能力；② 发展 CIM 等数字孪生技术作为城市系统韧性管理工具。
(2)城市系统社会-信息建模
城市系统社会-信息建模旨在基于城市信息系统收集的数据刻画社会系统在冲击下的动态响应，作为提升城市系统韧性的基础。现有研究聚焦于利用大数据、人工智能等计算方法，对灾中和灾后城市中人的行为模式进行建模与分析。通过挖掘互联网社交媒体数据和移动网络的手机信令数据等多源数据，刻画出城市中个体与群体的时空分布和行为演化规律，了解冲击下社会网络结构与集体行为的涌现机制。社会-信息模型可应用于城市韧性建设的全周期:灾前，可通过分析历史数据识别高风险区和脆弱人群，为制定针对性减灾政策提供依据；灾中，可预测受灾人群撤离迁移轨迹，优化救援力量调度，提高应急响应效率；灾后，可监测重建进展和社会秩序恢复情况，为调整资源投入和工作重点提供决策支持。未来，城市系统社会-信息建模研究还将进一步关注以下问题：① 深入探讨城市社会系统数据采集、共享中的安全和隐私保护问题，平衡数据价值和风险；② 建立跨层级、跨部门的社会-信息协同模型，打通数据融合路径；③基于社会-信息模型，推动群体行为和社会治理模型创新，提高公众参与韧性建设的广度和深度。
(3)城市系统物理-社会建模
城市系统物理-社会建模旨在揭示城市物理系统与社会系统之间的交互机制，强调以人为本的韧性城市建设思路。传统的物理模型难以刻画灾害冲击下人的应急行为和决策过程对城市物理子系统状态的反馈调节作用，如居民的疏散行为对交通系统的影响。因此，物理-社会建模通过引入行为模型、多智能体系统等方法，表征个体行为以及由个体行为相互作用构成的社会系统的涌现特性和规律，进而分析社会系统与物理系统的交互。研究人员通过整合遥感、统计普查、社会调查等多源异构数据，构建灾时建筑物毁坏交通中断等因素对人员疏散和经济损失的影响模型，评估灾害对城市物理系统和社会系统的冲击，以及社会系统变化对物理系统的反馈作用。一些学者还利用深度学习、强化学习等人工智能技术，对城市居民的风险感知、避险决策和自组织过程进行了个体和群体建模，动态模拟居民行为与物理系统之间的相互作用及其时空变化规律，增强模型对冲击下城市社会过程的描述能力。此外，关于社会资本对城市系统韧性影响的研究也受到关注，探讨了社区网络、互助行为等社会因素在灾后恢复重建中的积极作用。这些研究使物理-社会建模从静态建模走向动态模拟。未来，物理-社会建模研究将在以下几个方面进一步发展：① 构建个体与群体行为的多尺度描述方法，融合多源数据，加强对不同社会行为模式的理解和表征；② 拓展模型的应用场景，在灾害应急管理基础上延伸到城市规划、基础设施布局优化等更广泛的领域；③ 探索泛化能力更强的物理-社会耦合机制理论，提高建模精细化水平与泛化能力；④ 将“人在回路”纳入建模过程中，让利益相关者参与到模型的构建与应用中。
(4)城市系统韧性提升
城市系统韧性研究的核心目标是将理论模型转化为实际应用，从而提高城市应对各种冲击的能力。现有研究与实践主要是在构建综合考虑物理系统、信息系统和社会系统的交互作用的城市系统基础上，通过情景推演法评估不同外部冲击场景下的城市系统动力学特性，如评估关键基础设施的相互依赖性，预测级联故障风险等，为韧性提升决策提供依据。在情景分析的基础上，通过多准则决策分析、经济效益评估等方法，制定关键组件韧性提升策略、优化资源配置和应急响应管理机制、提升冲击下城市供应链韧性、推动跨部门和跨区域合作等。然而，随着城市系统复杂性的增加以及各类新兴风险的出现和累积，现有模型在应对多种冲击的复杂风险时，仍存在一定的局限性。因此，未来的研究将进一步构建具有综合性、泛化性的城市系统模型，以支撑更精准的城市系统韧性提升决策，包括：①构建物理-信息-社会三维度耦合模型，以全面模拟复杂冲击下城市系统的响应机制；②探讨复杂风险情景下的城市系统韧性评估方法。
图10.9为“城市系统物理-信息-社会建模与韧性提升”工程研究前沿的发展路线。相关研究应以构建跨纬度、跨系统的城市系统模型为目标,通过需求分析,利用大数据、机器学习、人工智能等关键共性技术在提升系统建模场景泛化能力、复杂风险场景下韧性评估方法、优化资源配置等方面展开研究。
1.2.4 绿色能源系统综合优化与评估
绿色能源系统综合优化与评估的主要研究方向有绿色能源系统电-热-气转换设施及其精细化建模、绿氢供应系统建模及其综合能源系统多维度评估、电-热-气(氢)系统优化调度及其可靠运行、多网络耦合系统规划及其设施配置、绿色能源市场机制设计及可持续发展政策推广等。具体如下：
(1)绿色能源系统电-热-气转换设施及其精细化建模
研究重点在于电-热-气多能耦合系统能源生产、转换、存储、消费等环节的精细化建模,实现电-热-气三网协同运行，提升能源利用效率，降低供能成本及其碳排放。研究内容主要包括光伏、风能、沼气等可再生能源设备建模与集成，多能耦合系统物理与经济属性融合的协同建模等。
(2)绿氢供应系统建模及其综合能源系统多维度评估
研究重点在于绿氢供应链的精细化建模及其在综合能源系统中的高效应用，尤其是通过质子交换膜固体氧化物燃料电池等创新技术,提升制氢、用氢的效率与经济性。研究内容主要包括系统能效、经济效益环境效益、社会效益、可靠性和灵活性等多维度评估，反映异质能源耦合、多环节协调互动的综合性能等借助物联网、云计算和人工智能技术，提升多维度评估精准性，促进综合能源系统优化升级，为全球能源转型、社会经济和环境的可持续发展提供有力支撑。
(3)电-热-气(氢)系统优化调度及其可靠运行
研究重点在于协调电-热-气(氢)不同能量形式之间的耦合运行，提升源荷双侧不确定性，达到系统运行的灵活性、高效性和经济性目标。研究内容主要包括电-热-气(氢)转换设施定工况与变工况建模绿色能源系统优化调度、模型差异性对调度的影响分析、不同时间尺度下绿色能源系统协同运行、季节性储能对系统低碳安全经济价值的影响分析、多能源负荷差异化需求响应下系统调度优化等。同时，借助人工智能、大数据及改进优化算法，提升高比例可再生能源并网后的绿色能源系统运行可靠性和调度灵活性。
(4)多网络耦合系统规划及其设施配置
研究重点在于多能流、多网络融合的互联形态及其建模，多时间尺度、多主体、多环节的互动机制设计，在低碳、安全和经济等多重目标下能源设备、网络投建地点和容量规划配置。研究内容主要包括考虑设备技术特性、投建状态、投资主体的电-热-气能量转换设备选址与定容，融合能量流、信息流和交通流的绿色能源系统扩展规划,考虑新能源出力和多能负荷多时间尺度不确定的系统可靠性规划，区域电-热-气(氢)绿色供能系统运行风险度量及韧性提升规划等。
(5)绿色能源市场机制设计及可持续发展政策推广
研究重点在于多主体参与、绿证-碳排放-电力多市场耦合的交易机制设计，在安全高效、清洁低碳等多目标下的绿色能源可持续发展政策。研究内容主要包括考虑电站成本结构的新能源电站上网电价机制设计，考虑能源区块链技术的点对点交易机制，考虑主体有限理性的绿色能源市场多主体博弈决策，绿证碳排放-电力市场耦合机理分析与机制设计，促进清洁能源规划管理、技术升级、规模化消纳的绿色信贷政策制定，考虑不同政策组合对绿色能源系统发展影响的政策模拟平台构建等。
图10.12为“绿色能源系统综合优化与评估” 工程研究前沿的发展路线。该前沿领域未来的发展将重点围绕绿色能源系统电-热-气(氢)转换设施精细化建模、绿氢生产及综合能源系统多维度评估、电-热气(氢)耦合优化调度及其可靠运行、多网络耦合系统规划及其设施配置、市场机制设计及可持续发展政策推广展开。发展趋势表明，随着多能耦合技术和多能协同优化策略的成熟，多能耦合建模将更加精细和具体，能源系统运行也将更加智能和高效。充分利用绿色能源系统中的大量历史数据，实现能源系统智能可靠、低碳、经济运营，也将成为绿色能源系统发展的重要方向。
02
工程开发前沿
2.1
●
Top 10 工程开发前沿发展态势
在工程管理领域中，本年度10个全球工程开发前沿分别是：数据与模型双驱动的智能数学规划算法，面向自动驾驶数据闭环的大模型技术开发与场景库构建，工程建造云边端数据协同管理平台，面向服务创新的情智兼备数字人，城市生态风险预警防控与生态韧性提升关键技术，城市街景感知技术与空间特征识别方法，环境大气大数据耦合同化技术及智能感知共享平台，环境智能中的隐私计算方法与系统，大小模型端云协同进化技术，复杂制造系统的多维态感知与优化调度关键技术。其核心专利情况见表10.19和表10.20。这10个工程开发前沿涉及了医学、建筑、交通、计算机等众多学科。其中，数据与模型双驱动的智能数学规划算法、面向自动驾驶数据闭环的大模型技术开发与场景库构建、工程建造云边端数据协同管理平台、面向服务创新的情智兼备数字人为重点解读的前沿，后文会对其目前发展态势以及未来趋势进行详细解读。
(1)数据与模型双驱动的智能数学规划算法
在管理科学领域，传统的决策方法常常分开处理模型与数据，这种分离可能导致优化目标与实际决策目标不一致，从而影响决策的效果和质量。为了克服这一限制，数据与模型双驱动的智能数学规划算法被提出。该算法的核心理念是将数据分析与数学建模紧密结合，以便在决策过程中同时调整和优化模型的参数，更好地适应动态变化的环境条件。此方法不仅提高了决策的精确性和效率，而且增强了模型的适应性和灵活性。主要研究方向包括：①在线学习与优化，即在实时决策中不断更新模型，以反映新的数据输入；② 跨学科方法的探索，如结合机器学习技术与运筹学原理，以处理更为复杂和非线性的决策问题；③ 提高算法对特定数据分布和实际应用场景的适应性。随着技术的进步，尤其是大数据和人工智能技术的快速发展，数据与模型双驱动的智能数学规划算法在学术界和工业界越来越受到关注。未来的发展趋势将聚焦于提升算法的实时性和自动化程度，探索多模态数据处理和深度学习技术，以增强决策模型的自学习和自适应能力。此外，该算法预计将在电力系统优化、云计算资源调度等多个需要快速和准确决策的行业中得到广泛应用，为这些领域带来创新的解决方案和显著的效率提升。
(2)面向自动驾驶数据闭环的大模型技术开发与场景库构建
自动驾驶汽车因其在交通安全和机动性方面具有革命性的潜力，近年来受到广泛关注。开发和部署自动驾驶汽车的关键步骤是生成多样化场景、测试和评估其驾驶智能--能否在没有人工干预的情况下安全高效地运行。大语言模型(large language model，LLM)和视觉语言模型(vision-language model，VLM等基础模型的出现与发展，体现了其强大的理解、涌现与生成能力，为自动驾驶场景生成带来了新机遇通过学习海量文本、视频数据，大模型能够生成复杂、细致且高保真的驾驶场景，并根据输入条件和反馈动态调整，显著提升了场景生成和测试的灵活性与全面性。目前主流的自动驾驶汽车测试方法采用 Agent环境框架，通过软件仿真、闭轨测试和道路测试相结合。其基本思想是在真实的驾驶环境中测试自动驾驶汽车的智能体，观察其性能，并与人类驾驶员的性能进行统计比较。然而，现有的自动驾驶汽车测试的挑战来自三个不同的方面：第一，自动驾驶中的驾驶人通常是基于统计或人工智能算法开发的，限制了传统的基于逻辑的软件验证和确认技术的使用；第二，驾驶环境通常具有复杂性和随机性，为了表示环境的全部复杂性和可变性，高维的环境变量会造成“维数灾难”，同时，环境的随机性也会使传统的绝对安全的形式化方法失效；第三，驾驶智能测试中安全关键事件的稀缺性会导致测试极端低效。因此，如何构建一个能够准确、高效地测试驾驶智能的智能场景，兼顾高维性和安全关键事件的稀缺性，成为自动驾驶汽车安全性能测试问题的关键。研究重点包括场景建模与仿真、关键案例生成和场景测试分析。其中，场景建模与仿真关注如何创建逼真的驾驶环境进行测试；关键案例生成致力于在极端和罕见场景中验证系统的安全性；场景测试分析通过深人分析测试数据，评估系统性能并识别潜在问题。
(3)工程建造云边端数据协同管理平台
工程建造过程规模体量大、周期长、参与方多，产生的工程数据由于其多源异构、时效性强、噪声多等特征，在之前的研究中未被充分利用。随着智能建造创新模式的不断发展，先进的智能技术与新型建筑工业化建造模式持续深人融合，工程建造过程产生的海量数据得以实时地采集、分析和处理并发挥其价值工程建造云边端数据协同管理平台也应运而生。该平台通过深度融合云计算、边缘计算、物联网、区块链等技术，实现工程建造过程中数据的高效协同与一体化管理，并为工程进度、资源配置和质量风险监管等各方面提供决策支持。现有研究主要围绕提升工程数据采集的实时性和全面性、多方数据云边端协同共享管理的联动性和安全性、多源异构数据分析处理的准确性和高效性、云边端平台的稳定性和可靠性等需求重点落脚于工程数据采集-传输-分析处理一体化集成、云边端平台计算资源与任务调度优化、云边端平台数据协同共享隐私性保障等方面。然而，工程建造云边端数据协同管理平台在数据协同的高效性、数据分析处理的准确性、数据共享的隐私性和安全性等方面仍需提升，因此，工程建造云边端节点管理技术、端边协同与云边协同技术、云边数据分析与算法优化、云边计算任务卸载策略及优化、云边端与区块链融合技术等方面或将成为未来研究趋势的焦点。
(4)面向服务创新的情智兼备数字人
面向服务创新的情智兼备数字人，是指在数字人与人工智能技术融合的基础上，面向服务领域需求创造出的具备人类外观、行为和情感特征的虚拟角色。这种数字人不仅能够模拟人类的外表和动作，还能实现自然的语言交流和情感表达，为用户提供更加丰富和真实的互动体验。这种数字人通常具备高度的拟人化特征，包括面部表情、语言沟通、情感识别和反馈等能力。面向服务创新的情智兼备数字人涉及的主要研究方向包括：① 3D人体建模与动画技术，利用多视点、多光源精准采集或者人工智能技术从2D图像或视频重建出高质量的3D人体模型,并驱动实现自然的动作和表情；②多模态交互，结合语音视觉、文本等多种交互方式，实现数字人与真实用户互动，提高数字人的交互自然度和智能水平；③ 情感计算，研究人类情感模型，通过人工智能技术，使数字人识别和模拟人类情感，并在交互中实现情感的自然表达；④自主学习和决策，在特定服务领域中，通过数据感知和机器学习算法，使数字人能够自主学习并做出决策，提高其适应性和个性化服务能力。随着需求场景的不断出现和技术的不断进步，情智兼备的数字人将在服务创新中扮演越来越重要的角色，为用户带来更加个性化和智能化的服务体验。同时，这一领域的发展也面临着真实感、个性化、交互性、伦理和隐私等方面的挑战，需要学术界和产业界的共同努力来克服。
(5)城市生态风险预警防控与生态韧性提升关键技术
城市是社会经济活动与资源环境要素密切交互的核心单元。精细化、现代化城市治理是我国重大战略需求。如何实现城市生态风险预警防控，提升城市生态韧性，是支撑城市“大应急”战略、保障城市生态安全的重大工程开发前沿问题。目前，该领域的主要进展句括：(1)城市环境污染风险智能感知与预警大模型聚焦多污染物、多尺度、跨介质复合污染治理，基于精准探测、智能关联感知、天空地一体化遥感等生态环境监测技术，实现城市环境风险自动感知与评估预警；②城市极端气候灾害与次生风险评估系统，发展多元数据同化与模型硬连接技术，打通城市尺度气候-水文-生态-环境-健康-产业跨领域风险评估模式，发展极端气候事件灾害态势感知与多领域影响的风险动态仿真系统；③ 城市生态风险韧性提升关键技术与决策平台，面向环境健康、水能粮产业链、脆弱生态系统、关键基础设施等涉及城市生态环境安全的重要领域，构建环境污染、资源短缺、气候事件等多风险因素驱动的系统韧性提升技术库与决策推荐平台。未来的主要发展趋势包括：以行为调控为驱动，建设智能风险态势模拟调控大模型，提高城市重污染风险环境违法、环境舆情的预警和应急能力；以过程安全为核心，实现生态风险在城市系统内部级联、耦合传导的精准与智能化研判；以服务决策为目标，构建风险适应决策支撑平台，追求成本效益最优、复杂情景最稳健、协同效益最大化等多维权衡。
(6)城市街景感知技术与空间特征识别方法
城市街景环境会对人们的感知和行为产生较大影响，五十多年来，城市设计师和学者都进行了广泛的研究，以了解人们如何看待各种城市街景设计，最终目标是提升整体城市体验。城市感知被定义为个人和团体对城市环境的解释和体验，一直是该领域的核心研究对象，其中城市视觉感知被视为城市感知的一个子集，其侧重于城市视觉元素对感知的影响。研究发现，城市视觉感知可以从以人为中心的角度为人类主观体验提供有价值的见解。计算机视觉等技术的最新发展，加上城市视觉数据源(例如街景图像、卫星图像、视频虚拟现实和航拍图像等)的日益普及，使研究人员扩大了研究规模并增加了其量化人们感知建筑环境的机会进一步导致了相关研究的激增。计算机视觉已成为提取城市街道属性的标准方法，使研究人员能够将此类数据与城市街景的研究直接或间接联系起来。如何量化用户对街景质量的评价是未来城市街景研究的难点，这需要结合人工智能的方法(例如采用计算机视觉技术识别街景图像来预测用户的感知)。统计数据时，丰富的街景场景和样本属性的多样化也至关重要。为了克服收集多样化数据的困难，可搭建一个有利于持续评估的开源数据平台，例如贡献者可以对图像进行评分，使城市感知研究民主化，并加深数据维度。此外，感知数据收集的娱乐化也提供了一种创新策略，这可以吸引更广泛的受众参与城市研究。
(7)环境大气大数据耦合同化技术及智能感知共享平台
环境大气大数据耦合同化及智能感知预测通过大数据技术、人工智能、区块链等数字技术在大气污染防治领域的创新应用，构建常规污染物、气溶胶组分、光化学观测、高分辨率模拟等数据的质量控制和同化综合分析系统，形成支撑大气污染精细化治理的综合同化数据集。开展环境大数据的快速融合、自动感知分析、人工智能挖掘和无碍共享，将环境大气监测数据与污染源、气象、模拟等多元数据进行耦合关联分析，快速感知大气污染事件、重污染过程、来源成因并提出调控建议。针对大数据与人工智能在大气环境应用中的数据瓶颈、模式模拟预报性能极限、复杂系统控制难题等关键共性问题，建立基于人工智能与动力学混合机制的大气环境新型模拟系统，动态预测突发性大气污染事件发展态势，开展人工智能赋能的无缝隙预报预测与深度优化控制，形成人工智能与大数据结合的大气环境模拟-预测-控制技术链条，构建基于重大科技基础设施和高性能计算平台的环境大气大数据耦合同化及智能感知的新型信息化系统，基于区块链等技术开展成果共享，加速数据和技术共享应用。未来，环境大气大数据耦合同化及智能感知预测技术发展将推动环境大气研究与管理范式变革，服务于美丽中国建设和全球环境治理。
(8)环境智能中的隐私计算方法与系统
隐私计算是一种在数据处理过程中保护数据隐私的技术集合。其核心目标是在不泄露敏感信息的情况下实现数据的有效利用。目前的主流隐私计算方法与系统可以概括为以密码学为核心的多方安全计算技术融合隐私保护和联合机器学习建模的联邦学习技术，以及依托可信硬件的可信执行环境技术。虽然各种隐私计算技术蓬勃发展，但目前的主流方法仍存在异构场景和海量设备下学习与通信效率低、隐私保护资源开销高、隐私计算系统易受攻击导致隐私泄露等问题。例如，联邦学习技术适用于对性能和规模要求较高的建模场景，但易受梯度逆推等攻击的威胁造成隐私泄露，且无通用计算能力；多方安全计算技术的安全性更高，但计算逻辑复杂，且通信成本较高；可信执行环境技术可以支持更复杂的计算需求，但高度依赖特殊硬件计算环境，普适性较低。所以，从环境智能中的隐私计算应用需求来看，想要通过单一技术“包打天下”几乎不可能。未来隐私计算技术的发展必须根据具体的应用场景和特点，组合运用不同的隐私计算技术，在保证原始数据安全和隐私性的同时，完成对数据的计算和分析。另外，在应用实践中，隐私计算还应结合数据监管技术(例如区块链、智能合约等)来健全其在数字身份、算法、计算、监管等方面的信任机制，进一步完善数据要素的确权、定价与交易的可信体系建设。
(9)大小模型端云协同进化技术
大小模型端云协同进化技术是人工智能和分布式计算领域重要的前沿发展方向。该方向的兴起主要源自超大规模预训练模型的性能提升与能耗增长不成比例，限制了参数规模继续扩张，并凸显了在移动端等边缘垂直化智能应用中难以落地的瓶颈。后大模型时代的前沿创新路径已经从云侧大模型参数竞赛走向云侧大模型的强大推理能力与端侧小模型的低延时优势相结合，以提升整体系统的智能化水平与资源利用效率，推动人工智能广泛落地。该方向的研究主要集中在中国、美国、欧洲、印度等国家和地区，代表性高校和企业包括上海交通大学、浙江大学、清华大学、北京大学、麻省理工学院、加州大学伯克利分校、阿里巴巴、华为、谷歌、OpenA1、微软和苹果公司。这些机构不仅在算法理论研究方面有所贡献，也在推荐系统、自然语言理解、视觉目标检测与识别、自动驾驶等实际应用中进行了大量探索，具有产学研深度合作的特点。目前研究成果集中在模型降维压缩、端云同构模型聚合、隐私保护与安全、系统平台等方面，未来主要研究方向包括复杂模型弹性拆分、轻量模型个性增强、异构模型协同泛化等。该技术有望广泛应用于各类智能终端与物联网设备中，从而推动智慧新零售、智慧城市建设、智能家居、智能制造、智慧教育智慧医疗等多个行业的智能化和数字化转型。
(10)复杂制造系统的多维态感知与优化调度关键技术
复杂制造系统具有设备异构、流程复杂、耦合性强等特点。其中，复杂制造系统的多维态感知是利用多种传感器与智能数据处理技术对系统中的设备状态、生产环境、工艺流程等多源异构、低质量、高噪声的海量工业多模态数据进行实时监测与分析。通过感知制造系统的多维度状态信息，结合智能调度算法，复杂制造系统智能调度技术能够达成动态调整工件排产、运输路径等生产制造过程，优化人力、设备、运力等资源分配，优化生产效率、能耗等生产效益指标的目标。随着工业互联网、边缘计算、大数据等技术的不断发展，相关技术由简单的数据采集、处理、生产流程控制和设备管理发展为生产状态数据驱动的生产调度和优化决策。该技术涵盖生产系统自下而上多维度数据感知和多环节智能调度，从而实现对复杂制造系统的高效管理与控制。当制造系统难以实现智能感知时，需构建设备终端、边缘及云计算协同的制造云控制系统；当复杂制造系统难以精确建模时，需实现数据驱动的跨域制造精准建模；当传统优化方法难以适应小批量、多品种生产的动态运行需求时，需设计异构场景智能动态优化调度策略及方法。因此，目前该领域的主要研究方向为围绕制造过程的数据感知、处理、优化、决策、执行全流程，进行多维制造终端状态数据实时智能感知、制造历史大数据隐含知识挖掘、跨域制造数据精准建模、异构场景智能动态优化调度，以及“云-网-边-端”等云控制系统构建等。该领域未来的研究方向包括多传感器数据融合智能工厂云控制系统自主迭代，以及基于行业大模型的制造系统全流程数据感知、融合及优化调度等。
2.2
●
Top 4 工程开发前沿重点解读
2.2.1 数据与模型双驱动的智能数学规划算法
在传统的管理学研究和实践中，模型和数据常常是相互独立处理的。由于预测和优化的目标与实际决策目标不完全一致，所以将模型和数据单独考虑可能导致决策结果欠佳。因此，数据与模型双驱动的智能数学规划算法的重点在于如何将数据蕴含的规律与数学规划模型特征有机结合，共同驱动智能决策。其中规划模型与算法是求解的理论根基，而数据规律是算法在应用场景中加速的关键。传统的数学规划模型往往是多种实践场景的统一抽象，并且在算法设计时需要考虑理论的最坏情况，以保证求解各类问题时的稳定性。然而，实践中某一类问题的数据往往呈现特定分布或规律。对数据规律的把握和利用能够弥补模型与算法设计时过于抽象和保守的缺陷。近年来，随着越来越多的场景面临着动态决策和数据变动的问题数据与模型双驱动的智能数学规划算法逐渐获得运筹学和机器学习领域的关注，并且取得了长足的发展涌现了以在线学习为代表的一系列方法。
在线学习是典型的数据与模型深度结合的数学规划方法。与传统的先用数据建模、再离线求解的离线优化框架不同，在线学习的数据生成伴随着优化过程同步进行，能够以损失少量最优性为代价，换取智能决策的高效运行。数据的非稳态问题以及外部的干扰往往会给在线学习和决策问题带来较大的挑战，即学习的对象可能随时间发生变化或策略性地进行反馈。这种情况会对在线学习中“探索”和“利用”之间的平衡构成很大的挑战。
实践中，常常使用机器学习(包括深度学习、强化学习等)对数据规律特征进行挖掘，所以“数据与模型的双驱动”也是机器学习和运筹优化的融合。Bengio等(2021)总结了机器学习与优化算法结合的几类范式：机器学习预测最优解、机器学习帮助选取备选算法和算法参数、嵌入机器学习的优化算法。三个优化范式中机器学习的融合程度由浅及深，均在包括电力系统优化、云计算资源调度等各类工业生产中获得了广泛的应用。
“数据与模型双驱动的智能数学规划算法”是数学规划从优化理论到高效实践落地的重要发展方向，未来的重点研究方向包括：①应用拓展，许多行业的数字化还在发展中，数据还在积累，需要基于现有数据，为更多行业提供数据与模型双驱动的数学规划解决方案；② 技术革新，将在线学习与机器学习的最新研究成果(例如多模态大模型等)融入行业的实践中；③ 在数据与模型双驱动的基础上，引入硬件驱动，探索GPU、量子计算等新兴计算平台助力数学规划算法的可能性。
图 10.15为“数据与模型双驱动的智能数学规划算法”工程开发前沿的发展路线。技术发展分为三个阶段每个阶段都对应不同的目标与任务。第一阶段(2024-2026年)旨在夯实理论基础，建立数据与模型双驱动的算法理论体系。第二阶段(2026-2028年)聚焦于核心技术的突破,特别是在智能算法与新兴技术融合方面。第三阶段(2028年及以后)则着眼于产业创新实践，将理论与技术应用于复杂系统和高吞吐平台。整个规划通过逐步实现算法体系、评价体系，以及工程管理方法的构建，最终推动技术的全面成熟与实际应用。
2.2.2 面向自动驾驶数据闭环的大模型技术开发与场景库构建
限制自动驾驶汽车开发和部署的一个关键瓶颈是由于安全关键事件的稀缺性，在自然驾驶环境中验证其安全性所需的经济成本和时间成本高昂。自动驾驶汽车的高安全性能要求对安全关键事件数据进行全面感知收集、对周围道路使用者的行为进行精确建模及预测、对安全关键场景进行准确学习和决策，以及对智能驾驶安全性能进行高效验证和确认。现有的自动驾驶系统在理解复杂场景方面仍面临如下难题：
(1)传感数据融合难题
自动驾驶车辆通常使用多种传感器(如摄像头、雷达等)来感知环境，产生不同类型的环境数据，且难以保证数据的有效性。此外，自动驾驶汽车的安全关键感知任务面临比传统场景更为严重的数据不平衡问题，而现有的方法(如类重新平衡、信息增强和模块改进)只能处理有限的不平衡比率。
(2)动态场景预测难题
道路上的人类行为和其他车辆的动作具有非常大的随机性，现有的规则驱动和预设场景库方法难以覆盖复杂的现实动态场景，无法有效模拟多样化道路状况、不可预测的交通行为及复杂环境变量。因此，要在复杂且动态的场景中实现精准预测，不仅需要检测物体的位置和运动轨迹，还需要理解交通信号、人类意图等信息。
(3)长尾场景预测难题
现实中存在一些罕见或极端情况(如突然的道路障碍、突发的车辆失控、行人闯人等)，而这类场景在训练数据中出现的频率较低。这种稀缺性可能导致现有的深度学习等模型出现严重的估计偏差，从而影响自动驾驶场景的生成与测试的有效性。
因此，如何提高机器学习模型的泛化和推理能力，以克服数据不足，在不依赖广泛的任务特定数据的情况下克服稀缺性诅咒，已成为目前自动驾驶场景生成与测试的前沿问题。这就要求人工智能体同时具备自下而上(感知数据驱动)和自上而下(认知预期驱动)的推理能力，弥合数据中未发现的信息鸿沟。近年来，大语言模型(LLM)和视觉语言模型(VLM)等基础模型通过使用全监督微调、语境学习和思维链等技术，在自然语言处理和视觉理解与推理方面表现出显著的泛化和推理能力。通过大规模参数和深层次的非线性结构，LLM 和 VLM 能够精准地捕捉数据中的潜在模式和细微差异。同时，LLM 和 VLM 具备较强的表征学习能力，通过预训练和迁移学习，能够在有限的标注数据下有效地在高维特征空间中发现稀有类别的规律，从而提高对长尾分布中低频安全关键事件的预测性能。目前主流的研究方向包括：一是应用 LLM 适配和优化自动驾驶场景生成任务。利用大模型进行多模态数据融合，涵盖各种复杂的道路情况、天气条件和行人行为。结合现有的自动驾驶数据集、规则库等，使用 LLM 生成稀缺场景和动态场景的自然语言描述，并将其转换为可用于预测的视觉场景信息(如车辆意图、道路情况等)。二是基于提示学习开发基于自然语言描述生成驾驶场景的方法。提示学习(prompt learing)通过提供简单的自然语言描述，使模型能够根据这些描述生成高效、准确的驾驶场景;通过设计和优化提示词(prompts)，有效地引导LLM生成复杂的驾驶场景;通过提示词的灵活性，确保生成的场景具有足够的多样性和复杂性，以应对各种可能的驾驶环境;通过上下文感知，生成更加真实和富有逻辑的场景；通过引入视觉、语音等多模态信息，与提示词结合，实现更加全面的驾驶场景生成;探索如何利用自动提示生成技术，动态调整提示，以生成特定需求的场景，为场景模拟、系统测试和模型优化提供强大的支持。三是构建可持续生成优化的数据闭环系统。将LLM生成的场景数据反馈给自动驾驶模型，分析模型在这些数据上的表现，并动态调整生成策略。例如，当模型在某类场景下表现不佳时，系统可以生成更多类似场景来增强模型的适应性，使其更加多样化，覆盖更广泛的驾驶条件，确保生成的数据不仅能提高模型的鲁棒性，还能有针对性地弥补模型在特定场景下的不足。
展望未来，面向自动驾驶数据闭环的大模型技术开发与场景库构建将以提升多源数据融合感知能力、增强复杂场景下的预测能力等为需求导向，利用自然语言处理、多模态场景识别等关键技术，推动其向多样性、可靠性和安全性发展。图10.18为“面向自动驾驶数据闭环的大模型技术开发与场景库构建”工程开发前沿的发展路线。
2.2.3 工程建造云边端数据协同管理平台
工程建造云边端数据协同管理平台是一种以云边端协同架构为核心的智能建造数据管理系统，通过实时、全面地采集工程建造过程中各方的各类数据，深度挖掘数据背后的知识与价值，实现对工程进度、资源配置和质量风险的更准确、更及时的监管。从技术发展趋势来看，目前该领域的研究主要集中在以下几个方面：
(1)工程建造云边端节点管理技术
工程建造云边端节点管理技术通过云端和边缘节点的动态资源调度、终端节点的实时监控及访问控制确保数据处理的及时性。通过系统各方的演化博弈和协调机理，激励机制优化资源分配和任务调度，促进各节点在性能和效率上的最佳平衡，从而提高工程建造过程中的资源利用效率。该技术的研究热点涵盖节点访问控制、系统各方演化博弈与协调机理等。
(2)工程建造端边协同与云边协同技术
工程建造端边协同技术通过终端实时数据采集与传输，边端数据同步与反馈、动态任务分配、数据安全保护等，实现终端设备与边缘计算节点之间的高效协作和低延迟的终端设备控制:工程建造云边协同技术通过动态任务分配与负载均衡、数据同步与传输、边缘缓存与预处理、协同调度与资源管理、实时反馈与控制等方式，实现高效的数据处理和系统优化，实现资源全局优化与智能决策支持。该技术的研究热点涵盖端边节点计算协同、云边计算任务协同、数据传输同步与分发等。
(3)工程建造云边数据分析与算法优化
工程建造云边数据分析与算法优化技术旨在采用先进的数据挖掘与机器学习算法提高云边端平台中数据协同处理的精度与速度,通过对海量工程数据进行深入分析,识别关键特征与趋势,为工程决策提供依据算法的持续优化确保数据协同处理的实时性与准确性，为云边端平台能够动态分析处理各方数据提供支持确保工程建造过程中的最优数据资源利用，提高整体工程效率与质量。该技术的研究热点涵盖数据挖掘分析算法开发、多源异构数据融合分析处理、数据质量评估与优化等。
(4)工程建造云边计算任务卸载策略及优化
工程建造云边计算任务卸载策略通过识别任务的计算需求和资源消耗，动态地将任务分配至云端或边缘节点，不仅确保计算任务的高效执行，还通过负载均衡减少系统的响应时间；策略的动态优化可以提升任务卸载的智能化水平，实现算力资源最优配置和充分利用；通过实时监控和反馈机制，云边端平台能够及时调整任务卸载策略，以适应不断变化的工程需求，保证数据协同管理的同时提升整个工程建造过程的灵活性和响应速度。该技术的研究热点涵盖计算任务调度与卸载策略优化、负载均衡与资源配置优化、实时监控与动态反馈机制。
(5)工程建造云边端与区块链融合技术
工程建造云边端与区块链融合技术是指将云边端架构与区块链结合，以解决在数据存储、计算、传输系统管理等方面的安全性和可信问题。目前，其主要的研究方向包括：利用区块链的多副本存储机制保证数据的完整性；利用区块链智能合约为云边端构建可信的计算框架；利用区块链共识机制促进云边端系统各参与方之间数据可信共享；利用区块链的链式结构和哈希加密实现数据溯源等。然而，云边端与区块链融合仍然面临很多挑战，例如：云边端架构不同层次节点呈现的异构性和区块链网络中节点的对等地位相排斥；由于云边端与区块链系统中单点故障导致区块链副本数据的泄露，对用户的隐私性造成极大挑战；区块链共识机制、智能合约等过程给边缘节点带来了更大的存储和计算成本等。这些困难和挑战仍然是云边端与区块链融合技术未来研究和发展的重点方向。
展望未来，工程建造云边端数据协同管理平台将向着分析处理更精确、协同效率更高、数据安全更可靠的方向继续发展。人工智能大模型的发展将为云边端平台提供更多的数据分析处理功能，并依据数据特征更加自主地预测和提供决策支持；终端设备采集能力和边端设备计算能力的不断提升，将会持续提升云边端平台中各方数据传输效率和计算资源利用率；云边端架构与区块链融合技术将保障平台各参与方数据的隐私性并提升安全性，为云边端平台的可靠性和安全性提供保障。图 10.19为“工程建造云边端数据协同管理平台”工程开发前沿的发展路线。
2.2.4 面向服务创新的情智兼备数字人
情智兼备数字人的核心在于模拟人类的情感和智慧，使机器能够进行更加自然和富有同理心的交互。作为人工智能领域的前沿技术，该技术正逐渐成为科学研究与产业应用的热点。它不仅涉及人工智能、人机交互、虚拟现实等技术，还包括情感计算等新兴领域，旨在创造出能够理解、学习和适应复杂社会环境的智能体。情智兼备数字人在多个领域具有重要的应用价值。在心理健康领域，可以用于认知能力、情感状态等感知和评估,提供个性化的陪伴、支持和干预。在教育领域,能够根据学生的情感状态调整教学策略提升学习效率。在服务领域，能够提升用户体验，提升问题解决的效率。在娱乐领域，能够提供更加丰富多样化和定制化的用户体验，如虚拟偶像和虚拟主播等。
数字人技术的发展经历了从简单的图形建模、渲染到复杂的情感交互的转变。早期阶段，数字人外观主要以卡通或者简易形态出现，其行为和动作主要来自预定义的数据库，而其模式主要为二维平面模式。图形学技术的发展推动了精细化建模和渲染的进步，尤其是对皮肤、毛发、五官部位的超精细建模、控制和渲染能力提升，使高逼真数字人呈现成为可能。此外，人工智能的发展也带动了数字人形象自动生成数字人动作自动生成等方面的进步。目前，数字人技术已经能够实现高度逼真的外观和动作模拟，但在情感表达和交互两方面上仍有待提高。主要原因是上述问题涉及人类认知和心理认知科学等领域的基本规律相关理论和关键技术尚未完善。随着人工智能技术的不断进步，未来的数字人将更加注重情感层面的模拟和表达。
情智兼备数字人作为虚拟数字人的高级形态，其涉及的研究方向既包括与虚拟数字人相关的方向，如外观建模、动作驱动、语音合成、真实感渲染等,还包括与“情”“智”相关的关键研究方向。对于“情”当前的研究主要集中在情感建模、情感感知、情感编码和情感表达等方面。情感建模是构建数字人情感状态的基础;情感感知涉及如何通过多种传感器捕捉人类的情感信号;情感编码是将感知到的情感信息转换为可处理的数据;情感表达则是如何让数字人通过语言、表情和动作等方式表达情感。对于“智”，当前研究主要在数字人对环境的智能理解、智能决策、智能反馈、学习升级等方面。
图10.21为“面向服务创新的情智兼备数字人”工程开发前沿的发展路线。情智兼备的数字人技术依托于人工智能的底层突破，近年来主要聚焦于人体建模与动画、多模态交互、情感计算和自主学习与决策四大领域。未来发展将侧重高精度人体建模、大模型驱动的行为生成、基于情景感知的主动交互、情感的编解码与生成、基于大模型的自主学习与决策。该技术在文旅、医疗、政务等服务场景中将具有广泛应用。
来源：中国工程院院刊