CITY POLICY & OPPORTUNITY INTELLIGENCE
AI Know 智慧城市
面向城市数字化厂商的政策、案例与项目情报日报
北京车路云一体化项目完成中标公示,投资额近14亿元,成为当日金额最大的城市数字化项目。
政府动作
先看政府做了什么,再判断项目机会。
- 上海奉贤区 — 发布《数字奉贤“十五五”规划》,确立“南上海数字城市典范”建设目标,明确产业、治理、民生三大主线,日期为2026-08-19。
- 海南省 — 社保医保业务推进线下“一窗通办”与线上“一网通办”融合,提升民生服务数字化协同水平,日期为2026-08-19。
- 北京 — 车路云一体化项目完成中标公示,总投资额近14亿元,标志着超大城市车路云协同基础设施进入实质建设阶段,日期为2026-08-18。
- 民政部 — 联合支付宝政务AI助手“晓政”上线婚姻登记专项便民服务,基于MCP能力连接十省官方服务通道,日期为2026-08-19。
从政策原文,到厂商机会
今日政策面释放出一个清晰信号:城市数字化转型正从“建底座”向“用底座”跃迁,而算力作为最底层资源,其供给逻辑正在发生根本性转变。
工信部“毫秒用算”专项行动和国务院《AI+行动意见》的政策组合拳,核心意图是打破算力“囤积—闲置—紧缺”的恶性循环。过去几年地方政府和平台企业热衷于“堆卡”建数据中心,但真实利用率参差不齐。政策转向“盘活存量、精准对接、弹性供给”,意味着考核导向从“拥有多少算力”变为“输出多少有效Token价值”——这对IDC服务商、云厂商和地方政府招商逻辑都是重大转向。《数字奉贤“十五五”规划》的发布则提供了一个区县级样本:不做大而全的算力竞赛,而是以“底座+产业+治理+民生”四维联动,更注重数字化投入的产出比和居民可感度。
落地难点在于:其一,算力调度涉及跨区域利益分配,地方政府之间“不愿放、不愿接”的博弈仍在;其二,冷板式液冷国标的发布解决了技术规范问题,但存量数据中心的改造升级成本不低,标准落地需要配套激励政策。趋势上,后续可关注更多城市在“算力券”“算力并网”等机制上的创新,以及液冷标准对智算中心设计规范的传导效应。整体判断:下半年的政策重心将从“建设热情”转向“运营效率”,城市数字化转型的叙事将从“投资故事”变为“运营故事”。
哪些模式值得复制
- 上海奉贤区 — 数字奉贤“十五五”规划:全域数字化转型顶层设计,涵盖数字底座、数字经济、数字治理、数字民生四大领域。
- 北京市 — 车路云一体化项目:投资额近14亿元,建设覆盖城市主要道路的车路协同基础设施与云控平台。
- 海南省 — 社保医保“一窗通办+一网通办”:线上线下融合的民生服务数字化升级项目。
- 北京(基于“一张图”的超大城市治理) — 探索以城市信息模型(CIM)支撑超大城市精细治理的实践路径。
- 民政系统(十省) — 婚姻登记智能服务专项:依托政务服务AI助手“晓政”连接十省官方通道,提供预约、咨询、网点查询等服务。
主流厂商正在做什么
- 阿里云 — 上线超节点实例,并计划将数据中心产能增超两倍,强化AI训练推理一体化算力供给能力,日期为2026-08-17。
- 达实智能 — AIoT智能物联网平台签约金额超4300万元,上半年在智慧建筑、智慧医疗等多领域持续中标,面向城市楼宇与园区数字化场景,日期为2026-08-17。
- 支付宝(阿里) — 政务AI助手“晓政”联合民政部民政通上线婚姻登记专项服务,通过MCP能力连接十省官方通道,实现结婚登记预约、政策咨询、网点查询等一站式办理,日期为2026-08-19。
- 华为 — 今日无公开可核验的国内政务/城市数字化具体动作。
- 腾讯云 — 今日无公开可核验的国内政务/城市数字化具体动作。
- 百度智能云 — 今日无公开可核验的国内政务/城市数字化具体动作。
- 火山引擎 — 今日无公开可核验的国内政务/城市数字化具体动作。
项目机会与采购窗口
| 项目名称 | 金额 | 招标主体 | 信源 | 日期 | 大致内容 |
|---|---|---|---|---|---|
| 北京车路云一体化项目 | 近14亿元 | 北京(招标主体未披露) | 观点网 | 2026-08-18 | 车路云一体化基础设施建设,涵盖路侧感知、通信网络与云控平台等 |
今日无其他3000万以上且信息完整的智慧城市/算力/数字政府/政务AI招投标项目。
事实从哪里来
今日新闻来源 / 参考12条
IT之家 8 月 19 日消息,据彭博社今天(19 日)晚间报道,“AI 教母”李飞飞认为,包括她自己在内的科技从业者,还需要更好地向公众说明人工智能能带来什么价值。她同时警告,美国社会对 AI 的反
面对大模型规模与硬件内存之间高达20倍的算力鸿沟,不重训的“1比特量化”如何把千亿参数的硅基大脑塞进微型设备? 编辑丨岑峰  
nbsp;过去几年,大模型竞争的主线很清晰:更大的模型、更多的数据和更强的GPU集群。但随着预训练边际收益递减,模型能力Scaling正从单纯的预训练堆叠向后训练强化学习(RL)转变,数学推理、代码生