知識圖譜丨白皮書
前言：
新型基礎設施建設是為加快國家規劃建設推出的重大工程和基礎設施建設項目，面向新產業、新業態和新模式，同時助力傳統基礎設施的智能化改造。新基建三大規劃領域中，兩大領域都直接提及人工智慧。新基建背景下，人工智慧將迎來新一輪快速發展。
當前人工智慧的發展仍然處於弱人工智慧的狀態，研究重心由感知智能過渡到認知智能。知識圖譜是一種用圖模型來描述知識和建模世界萬物之間關聯關係的大規模語義網絡，幫助機器實現理解、解釋和推理的能力，是認知智能的底層支撐。
2019年知識圖譜相關的融資金額較2018年增長超過200%，逐漸成為人工智慧又一熱點產業，產業鏈已初具規模，2019年知識圖譜核心產品市場規模約65億元，知識圖譜技術帶動經濟增長規模約391.8億元。
本報告從善政、惠民、興業、智融四個部分對知識圖譜技術在其他行業中的代表性應用場景進行梳理，對知識圖譜未來的發展和應用做出展望，同時對人工智慧「新基建」下，城市數位化、智慧化發展的創新場景進行展示。
新基建與知識圖譜概述
新基建的內涵和外延
發力於科技端的信息數位化基礎設施建設
2020年4月20日，國家發改委將新型基礎設施初步定義為：以新發展理念為引領，以技術創新為驅動，以信息網絡為基礎，面向高質量發展需要，提供數字轉型、智能升級、融合創新等服務的基礎設施體系。
與傳統的基礎設施建設相比，新基建體現出「重創新、補短板」的特徵：主要面向新產業、新業態和新模式，促進經濟結構優化；但同時也對傳統基礎設施建設形成補充，助力傳統基礎設施的智能化改造，提高傳統基礎設施的運行效率。
伴隨著技術革命和產業變革，新型基礎設施的內涵和外延還將不斷豐富和延展。
人工智慧是新基建的重點領域
人工智慧推動智能產業化和產業智能化
人工智慧是新一輪科技革命和產業變革的核心驅動力，在新基建的三大領域中，兩大領域都直接提及人工智慧。在信息基礎設施領域，人工智慧與雲計算、區塊鏈一起被視為一種新技術基礎設施；而在融合基礎設施領域中，人工智慧則被視為支撐傳統基礎設施轉型升級的重要工具。人工智慧新基建的本質不僅僅指向其自身的產業化發展，更是在實體經濟中尋找應用場景，賦能生產力升級，即作為重大應用基礎設施，推動各行業完成智能化轉型，實現新舊動能的轉換。艾瑞諮詢測算，2019年人工智慧賦能實體經濟產生的市場規模超過570億元。
人工智慧進入認知智能探索階段
當前呈現弱人工智慧狀態，在認知智能領域還處於初級階段
人工智慧的本質是進行生產力升級，因此評判人工智慧技術是否有價值，要看其應用是否貼近生產核心。一般認為，人工智慧分計算智能、感知智能和認知智能三個層次。計算智能即快速計算、記憶和儲存的能力；感知智能即對自然界具象事物的識別與判斷能力；認知智能則為理解、分析等能力。當前，數據標準化已經趨於成熟，以快速計算和存儲為目標的計算智能已基本實現；在機器學習和深度學習技術的推動下，以視聽覺等識別技術為目標的感知智能也突破了工業化紅線，實現了機器對自然界具象事物的判斷與識別。
但感知智能呈現的終究是一種弱人工智慧狀態，還只能在某一方面的人類工作上協助或替代人類。當人們能使用機器識別更多事物，自然而然地引發了對事物的理解和分析等深層次的自動化知識服務的需求，而需要外部知識、邏輯推理或者領域遷移的認知智能領域還處於初級階段。學界已經展開認知智能領域的研究，2018年以來，美國人工智慧協會收錄關於認知智能層面的論文逐年增多，佔所有收錄論文的比重也有提升。
知識圖譜的定義
用圖模型來描述知識和建模萬物關係的語義網絡
知識圖譜是一種用圖模型來描述知識和建模世界萬物之間關聯關係的大規模語義網絡，是大數據時代知識表示的重要方式之一。知識圖譜最常見的表示形式是RDF（三元組），即「實體x 關係 x 另一實體」或「實體 x 屬性 x 屬性值」集合，其結點代表實體（entity）或者概念（concept），邊代表實體/概念之間的各種語義關係。由於知識圖譜富含實體、概念、屬性和關係等信息，使機器理解與解釋現實世界成為可能。
上世紀七八十年代，傳統的知識工程與專家系統解決了很多的問題，但是都是在規則明確、邊界清晰、應用封閉的限定場景取得成功，嚴重依賴專家幹預，一旦涉及到開放的問題就基本不太可能實現，因此難以適應大數據時代開放應用到規模化的需求等問題。相對於傳統的知識表示，知識圖譜具有規模巨大、語義豐富、質量精良與結構友好等特點，宣告知識工程進入了一個新的時代。
知識圖譜是認知智能的底層支撐
為描繪物理世界生產生活行為提供有效的方法與工具
讓機器具備認知智能具體體現在讓機器掌握知識，擁有理解數據、理解語言進而理解現實世界的能力，擁有解釋數據、解釋過程進而解釋現象的能力，擁有推理、規劃等一系列人類所獨有的思考認知能力，而這些能力的實現與大規模、結構化、關聯密度高的背景知識是密不可分的。
知識圖譜通過對海量結構化和非結構化數據進行知識萃取並關聯形成網狀知識結構，對概念間的關係屬性進行聯結和轉換，支持非線性的、高階關係的分析，為描繪物理世界生產生活行為提供了有效的方法與工具，是認知智能的底層支撐。知識圖譜幫助機器實現認知智能的「理解」和「解釋」能力：通過建立從數據到知識圖譜中實體、概念、關係的映射，使機器能理解數據，從數據中提煉出行業或領域內高精度的知識；通過利用知識圖譜中實體、概念和關係來解釋現實世界中的事物和現象，使機器能解釋現象。更進一步的，基於知識圖譜和邏輯規則或統計規律，機器能推理出實體或概念間深層的、隱含的關係，實現認知智能的「推理」能力。
知識圖譜的基本構建流程
數據-知識抽取-知識融合-知識加工-知識應用
根據覆蓋範圍的不同，知識圖譜可以區分為應用相對廣泛的通用知識圖譜和專屬於某個特定領域的行業知識圖譜：通用知識圖譜覆蓋範圍廣，注重橫向廣度，強調融合更多的實體，通常採用自底向上的構建方式，從開放連結數據(「信息」)中抽取出置信度高的實體，再逐層構建實體與實體之間的聯繫；行業知識圖譜指向一個特定的垂直行業，注重縱向深度，具有豐富的實體屬性和數據模式，通常採用自頂向下的構建方式，先定義好本體與數據模式，再抽取實體加入到知識庫。
知識圖譜的構建遵循知識抽取、知識融合、知識加工、知識應用的基本流程。從海量結構化和非結構化數據中進行實體、關係、屬性和事件的信息提取，通過本體和實體對齊、指代消解解決多種類型的數據衝突問題，完成知識融合。將知識存儲到知識庫中，最後進行進一步的知識推理和圖譜應用。
知識圖譜行業現狀
知識圖譜的應用價值
對複雜關係的深入挖掘和直觀展示
知識圖譜是符號主義人工智慧的代表，核心在於對多模、多源異構數據和多維複雜關係的高效處理與可視化展示，將社會生活與生產活動中難以用數學模型直接表示的關聯屬性，融合成一張以關係為紐帶的數據網絡。通過對關係的挖掘與分析，能夠找到隱藏在行為之下的關聯，並進行直觀的展示。基於知識圖譜的上述優勢，適宜解決關係複雜的問題，如深度搜索、規範業務流程、規則和經驗性預測等相關研究課題。
連結主義中的深度學習算法是新一代人工智慧的標誌性技術，但深度學習有其局限性，側重解決影響因素較少、但計算高度複雜的問題，而不太適宜解決影響因素較多、且摻雜眾多非線性關係的問題。通過與知識圖譜的配合使用，依託於行業知識與經驗的深度學習將產生更多貼近產業核心的認知智能應用，有助於覆蓋場景中大多數問題，形成完整的以「場景需求」為導向的人工智慧解決方案，進一步實現生產力升級的終極目標。
知識圖譜的典型應用
原圖應用
知識圖譜是人工智慧應用鏈條的第一步，是人工智慧的底層技術。知識圖譜在高效數據處理和知識加工推理方面的能力，可以推動人工智慧既有產品的升級或提供更有效的解決方案，同時也可以轉化為新的商業產品形式。
知識圖譜的產品形式可以分為原圖應用和算法支撐兩類。原圖應用指基於知識圖譜的圖結構和豐富的語義關係，直接通過圖譜產生價值的服務形式，例如圖挖掘、關聯分析等。通用知識圖譜被視為下一代搜尋引擎的核心技術，而行業知識圖譜由於有具體場景的認知深度，能很好地滿足垂直領域知識類查詢的需求，如企業業務流程查詢、司法領域案例查詢等。算法支撐指通過知識圖譜對於信息源的數據進行處理，將產出的結構化關聯數據用於其他人工智慧任務的算法模型訓練和應用中，得到能解決具體場景問題的研判建議，形成解決辦法產生價值的服務形式。
支撐其他人工智慧任務：搜索、問答、推薦
知識圖譜為其他人工智慧任務提供算法支撐的典型應用主要包括智能問答、智能搜索和智能推薦、決策分析系統等，目前都已產生了成熟且廣泛應用的商業產品，同時也是各領域知識圖譜中的重要一環。基於知識圖譜的智能搜索能對文本、圖片、視頻等複雜多元對象進行跨媒體搜索，也能實現篇章級、段落級、語句級的多粒度搜索。智能搜索讓計算機更準確地識別和理解用戶深層的搜索意圖和需求，在知識圖譜中查找出目標實體及其相關內容，對結果內容進行實體排序和分類，並以符合人類習慣的自然語言的形式展示，從而提高搜索體驗。智能問答可以分為直接回答、統計回答和推理回答。基於知識圖譜的智能問答能從實體和短句兩個維度進行挖掘，能理解多樣問法和有噪音問法，具有較高的準確率、召回率。在對話結構和流程設計上，能實現實體間上下文會話的識別與推理，最終實現更自然的人機互動。基於知識圖譜的智能推薦則通過獲得用戶和物品的精確畫像，從而實現準確的匹配和有針對性的推薦，實現場景化、任務型的推薦。
知識圖譜的行業發展情況
2019年核心產品市場規模約65.0億元，預期將迎來快速發展
隨著人工智慧的算法和算力不斷提升，數據來源愈發廣泛，大規模自動化的知識獲取和全新的知識表示成為可能。與之相對應的，傳統知識工程受限於知識獲取階段需要重度的人工參與，在網際網路時代不再能適應整個網際網路高效化、智能化應用的需要。推力和拉力的共同作用促進了知識圖譜發展，其構建中的核心產業主要包括Schema三元組模型構建、實體標註等技術，知識圖譜管理平臺與建模服務、垂直行業的知識圖譜應用產品及解決方案等。據艾瑞諮詢統計推算，2019年知識圖譜核心產品的市場規模約為65.0億元，仍有較大發展空間，預計2024年將突破200億元，年複合增長率達到20.4%。此外，知識圖譜技術的應用也進一步帶動傳統企業智能運維效率升級，據艾瑞諮詢估算，2019年中國知識圖譜技術帶動經濟增長規模達391.8億元，預計到2024年將突破1000億元。
知識圖譜產業鏈與參與者圖譜
知識圖譜在各領域中的應用概覽
數據繁雜、單一價值有限、問題抽象需要可視化展現、五層關聯維度以上的應用場景更加適合搭建知識圖譜
知識圖譜應用場景
善政：城市治理知識圖譜應用場景
知識圖譜賦能城市智能公共管理系統，打造城市「數字大腦」
中國城市存在巨大的存量治理和精細化發展需求。隨著城市公共管理的數據來源由政務數據不斷拓展至交通、視頻、環境等其他城市運行感知數據以及企業數據，城市大數據平臺也從政務共享交換平臺，發展成為多方共建共用共享的大數據平臺。基於知識圖譜技術，將分散在政府各個部門、生產生活各個領域的相互孤立的數據資源聯通共享，實現多源數據集成交換，從而對政務數據和社會數據進行深度挖掘。通過數據融合分析與管控，最大化發揮數據要素的效能，發現不同群體、不同行業的服務需求，實現政務服務的精準化供給、政府科學決策和高效社會治理。
善政：公安知識圖譜應用場景
重點解決數據關聯性和數據價值挖掘問題，賦能線索情報分析與案件預警
公安大數據是全面助推公安工作質量、效率、動力變革的重要力量。隨著跨部門、警種、業務的協同和整合大趨勢的到來，知識圖譜能通過數據分析、文本語義分析等手段，抽取出人、物、地、機構、虛擬身份等實體，並根據其中的屬性、時空、語義、特徵、位置聯繫等建立相互關聯，構建一張多維多層的，實體與實體、實體與事件的關係網絡。在解決公安大數據發展中面臨的數據缺乏關聯性、缺乏全警種智能應用等問題時發揮重要作用，真正激發大數據的價值。
建設公安知識圖譜仍遵循知識圖譜搭建邏輯，但其中知識抽取、本體層建設和實戰應用開發等環節需要運用分布式儲存、關聯算法、語義推理等技術，將公安部門多年業務中積累的技戰法進行總結和可視化處理，與技術算法相互轉換，以集成犯罪和預測模型，實現重點人員場所關聯分析、物品關聯分析、團夥關係分析、異常事件挖掘、相似案件推理等功能，提升公安信息化的智能化水平，促進公安情報研判的演進，高效服務公安的打防管控工作，甚至做到精準的犯罪預測預警。
惠民：醫療健康知識圖譜應用場景
在就醫導診、輔助診斷、藥企市場拓展等領域提供知識服務
醫療健康是典型的數據海量且多源異構的行業，且限於數據專業性強、結構複雜，數據融合在醫療健康行業應用場景中更加困難。利用知識圖譜的能力，可以聚合核心醫學概念和全方位的醫療生態圈知識，從海量的臨床案例中對經驗和知識進行提煉整理、錄入標註、體系構建，在解決優質醫療資源供給不足和醫療服務需求持續增加的矛盾中產生重要的作用。
惠民：教育知識圖譜應用場景
教育知識圖譜與機器學習算法結合實現智適應教育
當前人工智慧技術更多應用在如拍照搜題、口語評測、課堂監控等外圍需求的工具上，並未能有效深入到教學場景中，而真正產生生產價值建立在充分且必要的數據基礎上，搭建貫穿教材知識體系、教學資源管理和受教育者學習軌跡的知識圖譜，將教與學的全過程進行可視化展現，使靜態知識點數據與動態教學活動的數據產生關聯，為算法利用提供支撐環境。
知識圖譜在教育領域主要有以下幾種應用場景：一是將學科教材知識進行本體建模，形成可關聯性查詢的知識網絡；二是以圖結構將教學資源以及關係進行語義化組織，以便合理調用；三是在知識圖譜的基礎上，應用大數據、AI等技術形成面向學習目標的個性化學習路徑，實現千人千面的教學方案；四是面對受教育者搭建個人知識圖譜，通過對其知識點學習進度和考試反饋數據的實時關聯，形成知識掌握狀態的可視化個人畫像，以至於習題推送和老師一對一教學有的放矢；五是將教育領域碎片化多源異構數據進行處理，形成標準化的關聯數據集，為機器學習算法訓練提供充要條件。
通過以上五點應用，勾勒出基於知識圖譜的數字中臺形式，最大限度地對教育領域數據進行資源整合，為上層智能化應用提供支撐，改變了「傳統教育披上人工智慧外衣」的狀況，用技術起底教育邏輯，形成數據指導下自適應學習的價值閉環。
興業：通用製造業知識圖譜應用場景
對基礎數據進行建模，在製造全流程實現多方面協調管控
製造業體系龐大、場景豐富、產品類型多、定製化程度高，具有數據龐大且知識結構複雜的特性，存在著如工序流程和工藝製造知識等事理知識，同時也存在大量的定量知識。事件之間存在著大量的事理邏輯關係，而不同角色本體構造提出的需求也不盡相同。引入知識圖譜技術，將工廠車間、人工資源、物料組件、設備制具、工藝流程、故障等製造業的基礎數據進行知識分類和建模，通過對知識的抽取，對定量知識與事理知識的融合以及對實體之間複雜關係的挖掘，構建製造業知識服務平臺，建立產品規劃、設計、生產、試製、量產、使用、服務、營銷和企業管理等全生命周期的互聯，還能融合環境、焚燒、水務、模具、能源管理等多個相關行業的知識內容，通過快速搜索和推理關係中的趨勢、異常和共性更好地組織、管理和理解製造業體系的內部聯繫，將知識轉化為決策依據，破除產品封閉式的重複研發實現創新，進行全流程多方面的協調管控，提高製造流程中問題的預見和解決能力，提升資源管理能力、生產效率和產品質量。
興業：智慧建築知識圖譜應用場景
集合構建以BIM數據與規範為主的建築工程行業知識圖譜
當前建築行業仍是勞動力密集型行業，擁有動態且複雜的行業結構。根據不同項目類型、項目階段和項目目標，將項目過程中不斷重複的知識、使用知識本體的方式進行組織化的設計和管理，以實現從圖紙設計、審圖、施工、驗收到樓宇運維全流程內知識的重複使用和組織化管理，是建築行業實現智能化的目標。當前建築信息模型（BIM, BuildingInformation Modelling）從工程實踐到管理理念上都在給建築業與施工業帶來不同程度的變革。作為含有豐富語義信息的三維模型載體，BIM的屬性與信息體系包含了建築的空間幾何信息、屬性信息等，是實體建築的數位化表達，具有真實性和全面性的特點都可以有效分類和聚集成為若干知識本體，結合知識圖譜的知識抽取、知識融合及知識加工等構建技術，集合成以BIM數據與規範為主的建築工程行業知識圖譜，從而提升設計階段BIM審圖規範與效率、輔助施工階段質量管理與決策、改善運維階段數據流轉與分析能力。
智融：智能風控與信用評估
知識圖譜與機器學習相結合，重塑金融領域智能風控過程
無論是傳統金融或是網際網路金融領域，信用評估、反欺詐和風險控制都是最為關鍵的環節，隨著近些年金融數據的爆發式增長，傳統風控系統逐漸力有不逮，而應用機器學習算法和知識圖譜的智能風控系統在風險識別能力和大規模運算方面具有突出優勢，逐漸成為金融領域風控反欺詐的主要手段。機器學習和知識圖譜相結合是目前主流的解決方案。
機器學習算法通過概率計算的方式，以數學運算特徵反應風險情況，形成易於機器計算的風控模型；而知識圖譜通過權威經驗和規則創建本體模型和抽取實體的範圍，根據實體間關係形成關聯數據網的圖譜形式，打通相關數據，動態、實時地描畫囊括個人基礎信息、金融行為、社交網絡行為等用戶綜合畫像，並結合業務場景，根據畫像的情況與模型對應，形成具有金融業務特性的風控體系，在解決方案的決策環節結合規則和概率的綜合評價，給出最終的風險評估，整個過程能夠實現秒級響應。知識圖譜的應用不僅能夠為缺乏可解釋性的機器學習算法帶來必要的參考系，還可以串聯金融業務中產生的大量多源異構數據形成知識庫或知識中臺，挖掘數據深層價值，為實現標籤體系構建、投資關係梳理、產業鏈風險預警、智能催收等上層應用打下基礎。
智融：智能投資研究顧問
通過自動抓取和產業鏈關係推理解決投研領域痛點
對一級或二級市場的投資研究，一直是泛金融領域重要的課題，上市公司或一些重要的標的公司在公開網絡中披露了眾多如財務數據、定期公告、公司研報等有價值的信息，為投資者行為提供了充分的參考依據。傳統投研工作需要分析師通過各種渠道搜集和判別信息，憑藉個人經驗對零散的數據進行組織建模，以報告的形式產出趨勢觀點和數據分析，大部分的物料和時間成本都花費在信息和數據的搜集上，加之金融資訊信息時效性極強，成果可控性不高，縱使頭部金融數據機構提供了相應的軟體產品，但數據的顆粒度和產業鏈關聯性仍難以滿足多元需求。此外，金融行業人才流動快，專精於某一領域的分析師一旦離職，將直接影響這個行業分析的延續。
利用NLP技術自動抓取關鍵信息，搭建投研領域知識圖譜，能減少基礎數據處理的工作，將各個行業的發展變化抽象導入數字層面，為知識查詢和應用開發提供實現基礎。由於券商研報中80%的數據指標在傳統軟體產品中無法被查詢，分析師在進入一個新領域時要耗費大量時間搜集類似數據，知識圖譜投研產品可以大大縮短這一必要勞動時間，大幅提高投研效率。除靜態領域圖譜外，基於時間序列還能搭建對網絡報導、新聞事件進行抓取的事理圖譜，兩相結合，從行業固有邏輯和實時信息雙管齊下，推導事情的發展脈絡和趨勢走向，梳理關聯脈絡，為後續判斷投資機會等研判類應用提供數據支撐。
知識圖譜應用展望
創新的知識圖譜形態
構建多模態知識圖譜，拓展知識圖譜的應用場景和領域
單模態交互技術是弱人工智慧時代典型的代表特徵，集中在單一模態的感知技術給智能機器產品帶來了很多的局限性，個體從感知到認知外界進而形成知識的過程，通常需要多種感官同時對信息進行處理和融合。當前知識圖譜技術已經被廣泛用於處理結構化數據和文本數據，但對於視覺、聽覺數據等的關注度相對較低，且目前仍缺乏有效的技術手段來從這些數據中抽取知識。如果在更大範圍內進行連結預測和實體對齊，進而進行實體關係抽取，能使現有的模型在綜合考慮文本和視覺特徵時獲得更好的性能。傳統的知識圖譜構建將不同模態的數據分別完成抽取再通過圖譜融合來形成最後的多模態圖譜，但從源頭上沒有考慮不同模態特徵之間的依賴和對應關係，使知識融合的最終結果無法很好地刻畫多模態數據本身蘊含的各種關聯。多模態知識圖譜為每種模態（如圖像、文本）構建一個特徵表示，將不同模態的嵌入映射到同一個嵌入空間，以實現最大化連結節點的嵌入之間的相似性，以及最小化未連結節點的嵌入，使邊在相同模態內的兩個節點之間以及來自不同模態的節點之間。即多模態知識圖譜在傳統知識圖譜的基礎上，把多模態化的認知體驗與相應的符號關聯，構建多種模態下的實體，以及多模態實體間多種模態的語義關係，即使得圖譜本身一開始就具備多模態的特性。
知識圖譜與區塊鏈技術結合發展
優化知識來源管理、知識儲存和更新、智慧財產權保護
區塊鏈技術的最關鍵特徵為去中心化，即不依靠中心管理節點，讓每個個體都有機會成為中心，能實現數據的分布式記錄、存儲和更新。在知識圖譜中運用區塊鏈技術能實現多節點知識輸入、儲存和更新，使開放連結知識庫在更多分布節點獲取知識，鼓勵更多人群、特別是那些具有專業領域知識的人共同來參與知識圖譜的搭建，實現知識量的進一步充實。實現去中心化還能解決容錯性問題，提升系統的抗攻擊性，使知識圖譜或知識管理平臺不太可能因為某一個局部的意外故障而停止工作，任何一個節點受到攻擊也不會使整個系統造成癱瘓。區塊鏈技術還具有開放性的特性，將知識圖譜與區塊鏈技術相結合，使知識圖譜記錄的數據不可逆，也不可篡改，在系統層面上實現信息的公開，每次記錄或標註的數據和知識都能追溯到源頭，對偽造所有權的行為也能提供完整的證據鏈，實現知識確權，即知識在被多層轉讓後仍可追溯到相應原始知識貢獻者，知識貢獻者的智慧財產權受到更有力保護。區塊鏈技術的另一特性是透明性，數據對所有人公開，任何人都可以通過公開的接口查詢區塊鏈上的數據和基於數據開發相關應用，整個平臺信息高度透明，為搭建完成後的知識圖譜加強了可查詢性和應用性。另外，知識的貢獻不僅僅應該被記錄，而應該被更多的激勵，區塊鏈的激勵機制使得知識貢獻者的數位化資產可以被交易，實現知識變現的效果，提升知識貢獻的積極性。
人工智慧新基建下城市創新場景
人工智慧「新基建」下城市創新場景
智慧交通：蘇州交警5A計劃
城市是基礎設施建設的核心載體，城市智慧化建設是新基建價值實現的重要需求領域。數據是城市治理最重要的資源之一，新基建的各個領域中，5G使數據傳輸實現跳躍式發展，滿足更多應用場景；物聯網採集海量數據，並根據反饋提供命令執行支持；雲計算提供計算存儲等基礎服務，為大規模軟硬體、數據的操作和管理提供平臺；而人工智慧技術尤其是通過對知識圖譜的應用，能對城市生活中的衣、食、住、行數據，城市管理中的行政管理、公共事業管理、勞動與社會保障、土地資源管理等數據進行分析和挖掘，建成易於組織、管理和利用的動態知識庫，提升城市治理效率。
「蘇州交警5A計劃」依託人工智慧、大數據、物聯網、視頻識別、移動網際網路等現代信息技術，使交警自有數據、網際網路數據及其他部門數據實現匯聚共享，解決了城市外場設備多、應用效率低、數據獨立分散、信控手段單一落後等問題。「蘇州交警5A計劃」在全市信號控制路口達5887個，聯網率達81.1%，實現交通狀態精準感知、交通擁堵成因深度挖掘、交通事件研判預測、交通信號實時優化等功能，2019年全市交通死亡事故起數和死亡人數同比下降13.67%、13.21%。