1898年，在美国纽约举行了首届国际城市规划会议，即将迈入20世纪的人类正在讨论“人类如何在未来一个世纪处理马粪围城问题”。

而这个问题，不光纽约有，英国的伦敦、法国的巴黎等大型城市全都面临。

而如今的人们早已不会为此焦虑，更有效率更加先进的汽车代替了马车，而当人们抱怨汽车尾气时新能源汽车登场。

大国大城，人口富集，城市病为人诟病。但人口疏解未必是城市发展的必经之路，“一网统管”“智能化”等新技术新管理方式的出现，也许会药到病除。

当下城市病的症结在于人口极度膨胀而缺乏有效管理手段，所以“疏”不是终点，能行之有效的治理才是正解。

当然，要审视疏解人口和城市发展之间的关系，就首先要明白居民人口与基层政府不匹配的底层治理困境。

我国目前的基层治理仍处于从社会管理模式向“服务型”社会治理模式的过渡阶段。

基层政府处在自上而下管理体制的最末端，对上完成各级政府部门下达的任务和指标，对下直接面对公众复杂的利益诉求和服务需求，基层工作面广量大、纷繁复杂，常常用“千线一针”来形容基层政府的不堪重负。

十九届四中全会首提“数字政府建设”。4年间，大数据和云计算等新兴技术的注入，强化了基层政府的治理能力和决策水平，同时也拓宽了多元主体政治参与的渠道和途径，发挥了赋能政府和赋权社会的重要作用。

2023年初，ChatGPT掀起大公司AI创新潮。但，其对社会治理能力和公共服务水平的改变尚未有太多讨论。

在这一轮智能化大潮中，最突出的特点是人机交互可能正逼近一个新的奇点，与上一轮“判别式AI”的爆发不同，本轮主要是“生成式AI”的爆发，让我们看到AI变成生产力的巨大潜力。如果进一步跳出个人视角，就会发现这种对个人的改变最终会累积成对社会运行模式的改变。

这背后的逻辑并不复杂。

当人类进入文字时代后，认字的人才会更有效的掌握生产资料和信息；也因此，才能有效调动社会中的资源去实现国家的管理、扩张。

黄仁宇在《万历十五年》里借申时行之口解答了我们的疑问：

一个人熟读经史，文笔华美，就具备了在御前为皇帝作顾问的条件？难道学术上造诣深厚，就能成为大政治家？这是因为古老的帝国其精神上的支柱为道德，管理的方法为依靠文牍。

文字记录着道德，也传递着信息。对天子而言，他需要受道德熏陶的官员去替他管理边疆，也需要用文牍来连接中央和地方。

对于翰林学士而言，精研各种记录丰富的档案则是提高管理能力的捷径。当翰林学士把历年所有因革的文件逐月逐日地整理比对，那么再平庸的人也会知道当问题发生，历史上可能的应对措施是什么。

这些档案就是语料，这些翰林学士就是科举优化出的模型，出仕则意味着训练完成，成为皇帝的ChatGPT。

所以，回过头来看，科技的进步某种程度上就是人的进化，能源革命也可以看成是人力革命，而人工智能可以看成是智力革命。

科技在迭代版本，谁要是不能跟上科技变更的步伐，就意味着无法完成自身的进化，个人如此，城市服务和社会治理亦如此。

秉要执本，城市服务和社会治理千头万绪，什么最能拉升效率和体验？

往往越宏大的命题，越需要一个小的切口。

1983年，沈阳市率先设立了第一部政务热线，随后迅速在全国其他城市推广。政务热线的出现，让政府能够便捷、及时的获取民情民意和回应民众诉求。可以说，政务热线为城市治理水平的提升撕开了一道突破口。

近期“淄博烧烤”火爆，除了众多保障措施外，当地市场监管部门还放出承诺：若发现价格违法行为，请及时拨打“12345”投诉。

政务热线的群众满意水平间接反应了一个政府的治理水平。政务热线作为政务服务“总客服”、 协同联动的“总枢纽”、社情民意的“总参谋”，嫁接起群众与政府的沟通渠道，协同了多个民生核心部门、街道等。

天下大事必作于细，细微处的功夫才能见真章。

城市，尤其是超大城市，治理面临场景复杂、服务低效和沟通不畅等问题。能直达群众固然是好，但管理细致的同时也意味着流程繁杂，工作量也会呈几何倍数上升，政务热线一号归并后，加剧了事务的繁杂程度，接听量也更大。如果政务热线只是作为“传话筒”、“出气筒”，那就违背了建设初衷。因此，以智能化手段提升政务热线效率成了一条必经之路。

其实这个问题不止发生在城市治理中，早期的互联网服务也出现过类似的困境。

彼时的京东，出于对客服体验的重视，2009年在江苏宿迁正式成立京东客服中心。此后伴随着京东业务体量极速增长，客服人员很快增加到了一个人力瓶颈，单纯的增加人力难以满足业务的发展，尤其是在京东618等大促期间。

为了解决零售、物流等行业大规模客服的劳动强度大、人力不足、效率低下的问题，京东云言犀（下称“言犀”）逐渐打磨出了一套AI系统，对内支撑2万多名自有客服员工降本增效，优化客户服务体验，对外助力政企数智化转型，并抗住了多个618、11.11、虎年春晚等客服需求洪峰。

从客服的进化或许我们可以一窥政务热线的发展路径――业务系统构建、智能技术应用和价值创造。政务热线从1983年开始建设到整合阶段，国办53号文以后再到标准化和规范化的阶段，现在全面进入智能技术应用阶段。

智能技术的应用期，也是政务热线向智能化转型升级的最关键阶段。在此阶段，接听率、回复准确率、满意度迎来全面提升。

京东云智能政务热线是历经千锤百炼的京东智能服务系统，在政务场景下的落地实践，将智能化应用嵌入到12345“接-派-办-督-考-评”全流程中，形成从接到市民诉求、判断市民问题、自动创造工单并精准派单至相应委办局，跟踪工单执行情况，自动给市民外呼电话反馈办理进度的全闭环。

拆解智能政务热线的关联方，有助于我们理解为什么言犀会带来显著性改变：

市民的诉求是什么？有人听，好好听，然后再是好好办。

面对市民，言犀能提供智能语音接待、智能在线接待等，为市民提供7×24小时全天候的、秒级的自动快速响应和全面服务。

快速响应还不够，市民最不想面对的就是一个冷冰冰的木头疙瘩。

所以基于突出的语音语义能力，言犀还支持四川、重庆、陕西、山西等多地方言识别和情感识别，与不善于普通话的市民无障碍沟通，可以自主判断市民的情绪变化，调整回复语让交互更具“人情味”。

在安徽芜湖，言犀打造的“智慧小芜”上线之后，灵活解答处理企业和群众诉求，准确率达到98.7%，提升了芜湖12345热线的服务效率与市民体验。

话务员的需求是什么？一是服务技能的精进，二是效率的提升。

面对话务员，言犀提供了智能培训、坐席智能辅助、智能质检等功能，全方位助力话务员提高效率。

在话务员上岗之前，通过提供系统性的智能培训，让话务员迅速掌握业务知识提高技能。在服务过程中，可提供语音转写、情绪智能识别、知识话术推荐、风险实时预警等实时辅助能力。还可以利用机器学习技术对工单进行预填写，对地址、诉求、承办单位进行推荐。

从服务前培训，到服务过程中的准确响应、答复再到任务的派发，智能化体现了科技的原本之义，即提升“人”而不是单纯的替代“人”。

山西大同就是最好的例证。智能化升级后降本增效成果显著，大同12345接通率提升至100%。不仅如此，事项办结率提升至97.9%，话务员单次服务时长缩短31.2%，夜间人工降低40%，有力支撑热线中心高效运营管理，话务员沟通成本和工作压力均大大降低。

而作为城市服务和城市治理的核心，各委办单位又最需克服什么困难？当然是避免单打独斗，各自为政。

面向委办单位，言犀可协助城市各个部门共建、共享知识库，减少信息孤岛。

面向管理者，智能政务热线的“领导驾驶舱”功能，实现了三屏联动，使管理者可以随时随地查看整个城市的运营情况，并可提供基于民情的判研和分析、专题分析，帮助管理者全面了解城市的运转情况。

在河北保定，利用大数据分析，深入打造了“接诉即办”数字化平台，打通热线“接-派-办-督-考-评”全流程，推动决策从“接诉即办”向“主动治理、未诉先办”转变。2022年上半年，共受理群众诉求【【QQ微信】】余件次，同比增长122.78%，响应率100%。

以人为本，从来不是口号。社会的进步既离不开肯担责肯做事的政府，也需要有担当有能力的企业。

在京东云从服务内部提效到对外赋能的路径中，可以发现一直坚持价值为导向的创新。科技产品只有满足了具体的人的需求、实现了现实的社会价值，才有可能真正产生AI落地的价值。

如今，智能化技术的应用已经落到了民生实处,打造“智慧城市”，让城市治理由数字化向数智化转型，不再是一个选择题，而是一个必答题。

京东云“技术+业务”双轮驱动下，已深度服务百城，并在东莞、大同、保定、芜湖等多个城市，助力政务热线智能化转型，让服务市民落到实处，以热线“小切口”推动治理“大民生”。

chatgpt会成为下一个风口吗 chatgpt能运用在哪些业务场景

第一，很难。第二，难也得赶。

难很好理解，但这里分享一个不同的观点：我认为难的方向与之前普遍认知有所不同。

我之前已经写过很多ChatGPT和大语言模型门槛的文章，譬如说算法，包括模型结构和训练方法，譬如说高算力，譬如说大数据。除此之外还有种种工程细节。

不过，现在不同了。从纯技术的角度看，要做一款对标ChatGPT的产品门槛其实越来越低。

为什么呢？从大方向说，技术肯定是越来越贬值的，不过，就具体细节来说，又有很多值得关注的地方。ChatGPT掀起风潮以后，OpenAI坚定选择了闭源，模型、算法和训练数据都没有公开，甚至论文也没公开，这个做法即使是OpenAI也很不寻常。总之，外边只能通过API使用模型能力。

但是，开源社区的澎湃发展超乎想象，投入大模型开源行列的团队规模也超乎想象。从算法到数据到模型都在快速发展迭代，开源圈子从理论和工程两个方面对大模型能力的研究越来越多，你要做什么，要怎么做，目标越来越明确，这比从无到有的漫漫摸索要容易太多。

而且，开箱即用的工程资源也越来越多，这意味着什么？这意味着时间。很多的坑和门槛，已经有不知名的开源同伴为你趟过去了。你只需要专注于你的目标。也正因为开源，大家都得以专注于自己的目标，形成良性循环。

此外，还有一个意外的“开源”，那就是数据。

很多文章介绍ChatGPT，通常会强调模型、训练方法（RLHF）和算力，往往会忽略数据，但我认为高质量的问答对话数据是训练ChatGPT关键的关键，也是一道让绝大多数团队望而生畏的门槛。

但是，意外就意外在忽然踏着五彩祥云来了一位英雄，硬是把这条门槛给削低了许多。这位英雄还不是别，正是OpenAI。

怎么回事呢？行内的同学肯定猜到了，ChatGPT出了名的就是对话质量高，再加上我要的就是做到ChatGPT对等的水平，那为什么不干脆直接用ChatGPT吐出来的数据呢？

这事本来还有点麻烦，ChatGPT只能通过Web界面交互，用来构建大规模数据集效率太低。怎么办呢？还得是你OpenAI，直接开了API接口，而且相比前一个模型还便宜了。所以这段时间很多团队都在卷用ChatGPT花式构建高质量训练数据集，甚至构造一个提示模板让ChatGPT自动吐数据也能发一篇论文，看论文都看得已经有点玩游戏游戏看攻略的意思。

而且还有一点好，这些论文通常还附送一个用ChatGPT构建的开源数据集，高质量数据集的问题，至少训练具有ChatGPT水平的高质量数据集问题，现在已经不怎么是问题了。

数据有了，开源模型就有了起飞的燃料了。现在开源模型发展到什么程度了呢？不断有团队说做了一个开源模型，或者基于开源模型的一个什么，性能和GPT-3.5可以五五开，有一些更厉害一点，说在部分任务下和ChatGPT也能五五开了。

所以现在为什么隔几天就出来一个“平替”的开源模型，原因就在这里。开源生态一旦发育成型，孵化产品那就是下饺子。

那么，难在哪里？

用户数据本身就是资源，就是门槛。OpenAI是不断在积累用户数据的，然后用这些新数据再去训练新模型。在这个过程中，OpenAI直接面对用户，在这个过程中没有模型在中间赚差价。而我们用的数据还是由老的模型生成，那么哪怕效果再好，不过也只是达到老模型的水平。

这就有点像阿喀琉斯追龟悖论。准确来说，这个语境下应该是龟追阿喀琉斯。

何况你还想做商业化，想商业化就得和Open抢客户。对于用户来说，既然OpenAI已经更早发布了一款更好的产品，口碑和黏性已经形成，还有多少人有动力，去使用后来者差不多的追赶品呢？

何况，你距离差不多还差得多呢？

怎么办呢？难，难也得赶，因为：

唯有赶才可能赶得上。