《The Innovation》：The Neural City: A next-generation spatio-temporal intelligence paradigm for urban holistic governance
编辑推荐：
本文针对现代城市治理面临的数据孤岛和领域壁垒问题，提出"神经城市"新范式。研究通过构建时空特征场(STFF)统一多模态数据，结合时空推理模型(STRM)融合领域知识，实现"6W+4R"的智能治理框架，为城市交通、环境、能源等系统的整体优化提供创新解决方案。
现代城市正演变为涵盖交通、环境、安全、经济等复杂领域的巨型系统。这种复杂性要求城市治理必须突破传统模式，解决数据孤岛和领域壁垒两大核心难题。数据孤岛使得海量的城市时空数据（如图像、点云、轨迹、视频等）难以整合利用；领域壁垒则导致各专业领域（如交通、能源、环境、住房等）采用不同的术语体系、决策逻辑和工具方法，阻碍了跨域协作。这些问题使得城市治理往往只能实现局部最优，而难以达成全局最优决策。
为应对这些挑战，研究人员在《The Innovation》上提出了"神经城市"这一新一代城市治理范式。该范式旨在通过构建可计算、可查询、可微分的数字孪生城市，实现对整个城市系统的全面感知、深度分析和智能决策。
神经城市框架包含两大核心组件：神经城市表示（时空特征场，STFF）和神经城市引擎（时空推理模型，STRM）。STFF采用紧凑的4D结构，将多模态、多视角的时空数据编码为高维结构化特征空间，具备紧凑轻量化设计、相似性与互补性平衡、人机兼容三大特性。STRM则基于大语言模型(LLM)构建，具备时空层次感知、领域知识嵌入、链式时空推理和自我进化四大能力。
研究人员为开展这项研究主要采用了以下关键技术方法：基于哈希编码和树状索引的时空特征场构建技术，实现多源异构数据的高效整合；结合变分推理和对抗解耦的特征表示方法，平衡共享信息和模态特异性信号；采用提示工程和轻量级适配器的LLM时空感知增强技术；基于模板解析、检索增强生成(RAG)和参数高效微调的知识嵌入方法；结合强化学习、思维链(Chain of Thought)和ReAct的链式推理机制；应用持续学习和在线学习的模型自我进化策略。
神经城市表示：时空特征场
STFF通过将城市重构为动态时空场，实现了数据的实时集成和交互分析。其紧凑设计采用哈希编码和树状索引技术，有效处理海量城市数据；通过解耦共享信息和模态特异性信号，避免了传统整合中的信息损失；同时支持机器分析和人类可视化交互，为城市管理任务提供统一基础。
神经城市引擎：时空推理模型
STRM通过多层次时空感知能力，从建筑布局到城市形态进行多尺度理解；嵌入物理规律、行业标准和社会规范等领域知识，确保决策的合规性和可靠性；采用"再感知→规划→分析/仿真→反馈"的循环推理模式，支持复杂问题的逐步求解；通过持续学习和对抗训练实现模型的自我进化，保持长期有效性。
从概念到实践
虽然神经城市目前仍处于概念阶段，但其原型可追溯至杭州城市大脑和CityLearn等项目。随着多模态传感、云计算、基础模型（如ChatGPT、Gemini、DeepSeek）和智能体框架（如Plato、AutoGen）的发展，神经城市具备了向实践转化的技术基础。以自适应交通信号控制为例，STFF将道路划分为4D语义体素，STRM通过闭环推理实现实时拥堵检测和策略优化。
隐私、伦理与治理
神经城市框架内置隐私保护机制，采用联邦学习和差分隐私技术确保敏感数据安全；通过公平性优化、一致性检查和透明推理保障决策的公正可靠；建立实时监控和回滚机制，确保系统输出的安全性。
研究结论表明，神经城市范式通过STFF和STRM的协同作用，有效解决了城市治理中的数据孤岛和领域壁垒问题，实现了动态、自主、全面的决策支持。该框架的"6W+4R"治理模式（确定何时、何地、什么、什么变化；推理为什么；提出什么反应，以及在正确的时间、正确的地点将正确的数据传递给正确的人）为提升城市韧性、可持续性和宜居性提供了创新路径。随着技术的不断发展，神经城市有望成为未来智慧城市建设的核心范式，推动城市治理向整体化、智能化方向迈进。
该研究得到国家重点研发计划（2022YFB3904102）和国家自然科学基金博士生基础研究项目（424B2012）的联合资助。作者声明无利益冲突，并在论文撰写过程中使用ChatGPT进行语言优化。
