← Financial Cloud Cloud Cloud Club · AWS Re:cap

极点宏观|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 02: 端侧多模态 AI 与智慧城市实践

讲者: 政务数据

场次: 02

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

端侧多模态 AI:从三日原型到城市级公共能力

核心主张

能辨识一盘食物并估算营养的手机应用,看起来像小产品。实务上它同时触及影像理解、知识检索、端侧推理、隐私保护、公共卫生与长期运营。政府与大型企业真正该学的,不是三日能做完多少功能,而是如何在第一天就把范围、风险、数据与问责边界写清楚。

决策视角

本简报以公共价值为主线,串联香港智慧城市、数字政府、数据治理、北部都会区、健康与医疗创新及区域协作。技术选择不以单一品牌为中心,而是依监管、数据驻留、延迟、成本、供应链韧性、人才能力与退出条件组装。

带走重点

听众将带走可重用方法:把展示型 AI 拆成可接受范围的工作包;建立端侧与云端的分工;以拒答、不确定性与人工复核控制健康风险;再用证据链、阶段闸门与服务指标,把原型升级为可审计、可运营、可扩展的正式能力。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

为何热量辨识能对智慧政府说话

小场景的放大效应

一盘食物的照片,含有光线、遮挡、混搭菜式、份量、地域饮食与个人偏好带来的不确定性。这与政府影像辨识必须处理的模糊身份证件、现场巡查、灾害照片、农作物病虫害影像非常相似。小型健康应用因此是理想的工程沙盒:能以低成本暴露 AI 系统最难处理的边界。

公共服务有何不同

互联网产品可以用快速更新修补问题。政府服务必须同时承担可用性、可解释性、公平性、投诉处理与供应商延续。若模型分错类、云端离线或数据泄露,影响不只是单一用户体验,而可能成为公共信任与治理风险。

转换方法

把热量应用当成缩小版的数字政府系统。逐项练习身份、授权、数据最小化、知识来源、模型版本、人工否决与降级服务。基础到位后,同一架构可安全重用于学校膳食、基层健康教育、长者服务及偏远地区离线外展。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

从政策到产品:五年规划如何变成工程待办

策略转译

香港首份经济社会发展五年规划,把创新科技、民生、北部都会区、区域合作、绿色转型与安全治理放在同一发展框架。工程团队必须把这些宏观方向转成具体需求:减少民众重复提交、提升弱网可用性、缩短办理时间,并让跨部门协作具备清楚授权与可追溯性。

需求层次

第一层是公共成果,例如健康教育覆盖、服务可及性与前线负担。第二层是业务能力,例如影像预筛、可信数据检索与人工转介。第三层是技术组件,例如端侧模型、API、向量索引、身份平台与日志。这样可避免先买平台再找用途。

落地纪律

每个政策目标都必须对应问责拥有者、服务对象、可量测指标、数据依据、预算上限与退出条件。若功能无法说明如何改善公共成果,或只能用模型准确率证明价值,就不应进入正式采购与大规模部署。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

三日冲刺第一原则:冻结问题,不冻结学习

范围边界

三日只验证一条完整旅程:拍摄餐盘、质量检查、食物候选、份量线索、营养检索、风险标示与结果呈现。明确排除疾病诊断、个人治疗建议、全菜系覆盖与临床级精度,避免团队被不可能的承诺拖垮。

假设清单

冲刺开始前写下可被推翻的假设:单张照片是否足够;端侧模型能否在目标手机内存内运行;用户是否理解区间估算;弱网下哪些功能仍可用。每个假设都需要测试方法与停止条件。

学习产出

三日成功不是功能数量最多,而是能回答值不值得继续、最大风险在哪、下一轮需要什么数据与专家。结束时交付范围声明、测试记录、失败样本、模型与知识版本、成本估算、风险登记册与下一阶段决策建议。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

第一日:一次写清需求、数据与安全底线

上午工作

用半天完成用户旅程、关键角色与错误后果分析。营养教育用户、校园管理者、健康专业人员与系统管理员看到的信息与权限不同。任何高风险提示都必须预先定义谁可检视、谁可变更、谁负责回复投诉。

数据准备

只使用公开、合成、匿名化或正式授权的影像与营养数据。建立最小数据字典,记录菜名、地域别名、估算单位、来源日期、适用范围与限制。原型阶段不收集无关人脸、位置、装置标识符或完整健康记录。

安全闸门

完成威胁建模与滥用情境,包括恶意影像、提示注入、知识库投毒、模型文件替换与日志泄露。若无法做到敏感信息遮罩、传输加密、版本锁定与基本审计,原型只能在隔离环境示范,不得接触真实市民数据。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

第二日:让端侧推理跑起来,也让失败看得见

推理管线

先检查影像清晰度、亮度、构图与敏感内容,再把影像交给端侧多模态模型,产出有限数量的食物候选。输出应包含候选名称、可见证据、信赖区间与需要重拍的角度,而不是一个看起来确定的单一答案。

装置预算

按不同手机内存、处理器、操作系统与电池状况建立装置矩阵。逐项量测模型加载时间、首次推理、持续推理、峰值内存、耗电与表面温度。若高端手机能跑、前线常用装置不能跑,必须重新评估公共服务价值。

失败可视化

分类并保留遮挡、反光、混搭菜式、酱汁、餐具比例失真与本地菜名差异等案例。团队每天检视错误类型分布与新出现的边界,而不是只挑选成功照片展示。可重复的失败分类,比单一精修结果更有工程价值。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

第三日:产品化、评测与可交付证据

体验收敛

最后一天把功能收敛成可理解操作:拍摄指引、处理状态、结果区间、数据来源、风险提示、重拍与人工协助。界面不得把模型信心伪装成医疗可信度,也不得用精确小数制造虚假确定感。

最小评测

建立包含正常、困难、超出范围与恶意输入的测试集。除食物候选命中率外,还要测拒答是否正确、营养引用是否对应、敏感信息是否泄露、离线模式是否完整、延迟是否可接受,以及出错后系统能否安全恢复。

交付包

示范版本应连同模型卡、数据卡、版本清单、架构决策记录、测试结果、已知限制、成本假设与后续工作一并交付。决策者看到的不只是画面,而是判断风险、预算与可持续性的完整证据。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

端侧、云端与混合推理:按问责边界选择

何时适合端侧

需要离线运作、低延迟、数据最小化或现场即时回应时,端侧推理优势明确。它可先做影像质量检查、敏感信息遮罩、初步分类与简单规则,减少原始数据外送。但装置碎片化、模型更新与算力限制,会提高测试与支持成本。

何时适合云端

需要大模型能力、集中知识更新、复杂检索或跨部门服务共享时,云端较易统一治理与扩展。数据驻留、网络依赖、每次推理成本、供应商故障与跨境数据流仍须明确处理。云端不应成为所有数据的默认去处。

混合原则

最务实的设计通常是端侧先过滤与摘要,仅在同意且必要时上传最少数据;云端处理需要更强能力的任务;断线时回退到离线知识与保守提示。每一段都需要清楚的 SLO、超时、重试、降级与回滚规则。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

模型量化不是压缩作业,而是服务设计

工程取舍

量化可降低模型大小、内存与推理时间,但也可能影响细粒度辨识与语言生成稳定性。不要只比文件大小。要对照真实任务,检查菜式候选、拒答、地域别名与混搭菜式描述是否退化。

分群策略

按装置能力建立高、中、低配置,选择不同模型大小、影像分辨率、上下文长度与并行度。低端装置可用两段流程:先用轻量模型筛选,需要时才启用更强能力,让不是每台装置都承担相同资源成本。

发布经验

量化版本必须有自己的标识符、自己的评测与回滚路径。灰度发布先从内部测试装置开始,再扩大到真实环境的一小部分;观察崩溃、耗电、升温、延迟与任务成功。只看准确率,往往错过用户最先感受到的性能问题。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

影像质量闸门:先判断能不能看,再判断看到什么

预先检查

好的辨识管线不应把每张照片直接送进模型。先判断是否模糊、过暗、反光、裁切不全、距离太远或含有多盘食物,再给出具体拍摄指引。这一步减少后续错误,也节省端侧电池与云端成本。

敏感遮罩

餐盘照片也可能拍到人脸、员工证、病历、地址或屏幕内容。系统应先在端侧检测并遮罩不必要信息;用户预览后再决定是否继续。遮罩结果也必须进入测试,避免过度遮罩破坏食物判断。

可行动回馈

不要只显示「影像不合格」。指出原因与下一步,例如靠近餐盘、补光、去掉包装、由上方重拍,或放置已知尺寸的参照物。具体回馈把模型限制转成用户跟得上的流程设计。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

食物候选辨识:从单一答案到证据集

候选输出

对相似菜式、地方名称与混搭餐盘,模型应输出少量排序后的候选,并说明可见食材、烹调方式与不确定部分。用户可修正候选,但修正不得直接进入正式知识库,必须经过质量流程。

分类体系

建立菜式、食材、烹调方式、份量单位与饮食文化的分层词汇。把「叉烧饭」拆成主食、蛋白质、酱汁与配菜,有助营养估算与跨地域对应,也让新菜出现时可重用既有组件。

偏差控制

评测集必须覆盖粤菜、少数族裔饮食、素食、学校膳食、长者软食与不同餐具。若数据只来自网红照片或标准摆盘,模型会低估真实场景的遮挡与多样性,并对特定社群落出系统性错误。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

份量估算:热量误差的最大来源

为何困难

食物辨识正确不等于热量正确。单张二维照片缺少深度、密度与容器尺寸信息。同一碗饭因拍摄角度看起来可以差很多;酱汁、油脂与隐藏食材更难从表面判断。

降低误差

要求由上方与侧面各拍一张,使用标准餐具或参照卡,询问碗盘尺寸,并让用户选择小、中、大或克数区间。系统应保存估算方法,而不只是最终数字。

结果表达

输出宜优先采用区间、主要假设与敏感因子,例如「若包含两汤匙酱汁,上限估算会上升」。对无法合理估算的混搭菜式,拒答精确热量数字,改提供食物组成与一般健康教育信息。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

知识库与模型分离:让每个答案可追溯

为何分离

模型擅长理解影像与语言,但不应凭记忆编造营养数字。营养主数据、过敏原、单位换算与政策提示应放在可版本化的知识库。模型只负责提出查询、整理结果与说明限制。

来源治理

每笔记录必须记载发布机构、更新日期、适用地区、食物状态、份量单位与授权条件。来源冲突时保留差异,不要把多个数值平均成看似权威的答案。过期或无来源的数据不得用于高风险提示。

更新机制

知识更新与模型更新采不同节奏与审批流程。小幅数据修正可快速发布,但影响过敏原、健康警示或法律用词的变更需要双人复核、测试与回滚。这种解耦降低每次更新的风险与成本。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

不确定性、拒答与人工复核

安全设计

政府 AI 的成熟度不是答得更多,而是知道何时不答。当影像质量低、候选差距小、知识来源缺失,或用户询问疾病治疗时,系统应停止给出精确结论,清楚说明限制,并引导重拍或专业协助。

人工否决

人工复核不是装饰。流程必须定义哪些输出需要复核、复核者需要看到什么证据、必须多快回复,以及已发布结果能否撤回或更正。高风险节点的人员必须有明确否决权,不得被绩效指标逼着快速放行。

评测方法

拒答也必须量测。错误拒答降低可用性;该拒不拒增加风险。测试集需要正常、模糊、超出范围、对抗及健康关键情境,并分开计算适当作答、适当拒答与错误自信的比率。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

健康安全边界:教育工具不得冒充医疗系统

使用限制

应用定位为健康教育、研究示范与一般饮食认知。不诊断疾病、不给治疗建议、不调整用药、不做个人医疗决策。界面、宣传、数据保存与人员培训必须一致。免责声明不能一面宣称低风险,实际流程却鼓励医疗依赖。

高风险处理

若用户提到严重过敏、低血糖、吞咽困难、妊娠、肾病或类似状况,系统不得凭照片判断安全。应提供清楚、非诊断性的风险提醒,并建立转介至具备资质专业人员或紧急服务的路径。

问责证据

每次输出保留模型版本、知识来源、规则版本、信赖度、拒答原因与用户修正。若出现投诉或疑似伤害,机构能重建当时系统看到什么、依据什么、谁做最终决定。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

离线优先:弱网地区仍需要基本服务

基本包

离线模式至少保留拍摄指引、影像质量检查、敏感遮罩、常见食物候选、基本营养教育与紧急风险提示。需要即时数据或专业复核的功能应清楚标示暂时无法使用。旧数据不得呈现为最新结果。

同步策略

恢复连接后,只上传必要摘要、错误码与经同意的样本。使用队列、重试、去重与冲突处理,避免同一事件提交两次。同步失败不得阻挡用户查看已完成的离线结果。

演练要求

测试不只是关掉 Wi-Fi。还要模拟高延迟、频繁断线、低电量、存储不足与时钟偏差。对偏远健康外展、灾害现场或大型活动,离线能力是服务韧性,不是附加项。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

电池、热管理与可持续使用

量测情境

在连续拍摄、背景下载、模型更新与长时间推理下量测耗电与升温。一次性顺畅示范不代表日常可用,因为过热会触发降频,低电量模式也可能限制背景工作与相机能力。

控制措施

使用较低分辨率预检、动态批次、按需加载模型、缓存常用知识,以及闲置时更新。高耗能任务应告诉用户为何需要,并允许延后到充电或更佳网络时再做。

公共采购视角

验收应在指定装置矩阵上量测每任务能耗、峰值温度、平均延迟与崩溃率。若供应商只提交旗舰装置的实验室结果,不能证明服务能覆盖前线常用设备。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

证据链:把每次 AI 动作变成可审计事件

事件内容

完整事件包含去识别化输入摘要、影像质量结果、模型与提示版本、知识检索来源、工具调用、规则命中、人工复核、最终输出、延迟与成本。不是所有原始内容都需长期保存。重点是能重建决策。

保存策略

按数据分类设定不同保存期,并把安全事件、模型质量、业务交易与调试日志分开。高敏感原始影像可在端侧处理后删除,只保留哈希、特征摘要或经核准的匿名样本。

审计价值

证据链支持投诉调查、版本回滚、偏差分析、供应商验收与成本核对。没有证据的 AI 系统,即使平均准确率很高,也无法在政府场景承担问责。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

从 PoC 到正式上线:六道阶段闸门

闸门设计

依序通过六道闸门:问题价值、数据合法性、技术可行性、安全与隐私、运营就绪、公共问责。每道闸门有必要文件、量化门槛、批准角色与退回条件,避免原型因高层关注而跳到全面上线。

停止条件

若没有合法数据来源、无法建立人工复核、离线时没有安全降级、供应商不提供必要版本信息,或三年成本超出可负担范围,项目应暂停或缩小用途。停止不是失败,而是治理成熟。

扩展方法

先在低风险辅助场景与受控人群试行,观察错误后果与运营负担,再扩展到更多地区与装置。每次扩展都重新评估数据、容量、公平与支持能力。不要假设先前结论仍然成立。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

服务指标:从模型分数到公共价值

公共成果

核心指标包括服务办理时间、一次办结率、重复提交减少、前线工作量、弱网可及性与民众满意度。这些指标回答技术是否真正改善服务,而不只是多了一个新界面。

模型与工程

模型层追踪任务成功、引用命中、错误自信、适当拒答与敏感数据泄露。工程层追踪 p95 延迟、可用性、变更失败率、平均修复时间、装置崩溃与灾备结果。

治理与成本

治理层追踪高风险人工复核、可追溯率、政策拦截与投诉结案。成本层追踪每次推理成本、单位吞吐、闲置资源与三年 TCO。每个指标都需要拥有者与触发行动,避免仪表板只供展示。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

成功案例:一百多项数字政府与智慧城市措施

成果背景

香港完成全政府电子服务审视,并在二〇二五年底前推进一百多项数字政府与智慧城市措施,运用大数据、人工智能、区块链及地理空间分析改善公共服务。此案例的成功不是单一技术,而是共用平台、跨部门协调与便民目标的组合。

可重用底座

政府云、大数据分析平台、数字身份、共享区块链、聊天机器人服务与统一服务入口,让部门不必每次从零建设。共用能力减少重复投资,也为安全、身份、日志与服务可用性设定一致基线。

对 AI 原型的启示

若热量应用要进入公共卫生场景,应接上既有身份、同意、云端与数据交换能力,而不是再建一座孤岛。成功案例说明,先建立可治理的共用底座,再容纳多供应商方案,比追逐单一超级平台更可持续。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

成功案例:数字身份从登录工具升级为服务入口

采用规模

香港一站式 iAM Smart 数字身份平台已累积超过四百万登记用户,支持超过一千三百项服务与电子表格,并取得信息安全与私隐信息管理相关国际标准认证。规模化的关键是身份、签署、填表与文件能力可被多项服务重用。

设计启示

公共 AI 不应自行管理密码、身份证件复本与完整个人数据。通过可信身份平台取得最少必要属性,并对高风险操作使用加强认证,可减少重复收集与冒充。匿名健康教育功能不应强制登录。

下一步衔接

企业数字身份平台预计于二〇二六年底推出,政府对企业及企业对企业服务可进一步使用企业验证、数字签署、预填与文件钱包。若 AI 代理代表机构行事,授权范围与签署证据会比自然语言能力更重要。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

成功案例:CDEG 改善一次办事

运作方式

CDEG 让部门或获授权机构在市民同意下交换已核实数据,每月约处理二百万次数据交换。它把「不要再交一次」从口号变成受控流程,并保留数据来源、目的与授权关系。

对健康应用的教训

若校园或社区健康服务需要年龄组别、服务资格或既有预约状态,应通过同意交换取得必要字段,而不是要求上传整份证明。营养照片与健康数据仍应分开处理,避免便利扩大数据联动。

治理重点

同意必须具体、可理解、可撤回且有时限。数据接收方不得把一次性授权延伸到模型训练或商业用途。每次交换都需要目的、最少字段、保存期与例外通报,才能维持市民信任。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

成功案例:开放数据从供给走向使用

规模进展

截至二〇二五年十二月,公开数据下载量由二〇一九年约五十亿次增至超过八百亿次。平台提供五千七百多个数据集、约一百一十个 API,并有二千五百多个数据提供者参与。这说明稳定供给、机器可读与持续更新能形成使用生态。

质量重于数量

AI 应用需要数据字典、更新频率、授权、血缘、质量规则与联系人。上传文件不等于可用。对营养、交通、环境等数据,版本与时间戳尤其重要,因为使用过期数据可能造成真实风险。

实施建议

指定数据产品拥有者,追踪 API 可用性、字段变更、错误回报与下游影响。对外开放时提供样本、限制、变更通知与历史版本,让多品牌云端、学术与企业团队能安全重用。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

成功案例:AI+ 公共服务从工具目录开始

务实入口

香港以 AI 工具与方案目录覆盖七类常见工作:数字人客服、会议摘要、文件处理、写作、流程自动化、创意推广与数据分析。论坛、研讨与配对活动协助部门了解可用选项。这比要求每个部门自己研究每个模型更有效率。

多供应商治理

目录不应只列功能与价格,还应标示数据去向、部署模式、模型来源、日志能力、可携性、支持等级与禁用场景。同一用途至少保留一个替代方案,并用共同测试集比较,避免品牌认知取代证据。

落地次序

先从草稿、摘要、分类等低风险内部工作开始,要求人员确认后才外发;再逐步处理跨部门流程与市民互动。每个工具都需要退出路径、数据导出与提示版本管理。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

北部都会区:把 AI、教育与健康创新放进空间规划

发展定位

北部都会区把创新科技、专上教育、健康与医疗创新视为重要功能,并强调规划先行、基建带动、产业驱动与以人为本。未来五年规划提出超过七万个住房单位及一百万平方米经济楼面,为产业与社区共同成长创造容量。

技术机会

大型新区可把数据管线、数字身份、物联网、边缘计算、绿色建筑与公共卫生服务纳入基础设计,而不是事后拼接。连接大学城、科研设施、产业园与社区,也有助闭合真实场景测试与人才培养的循环。

治理提醒

living lab 不能成为无限制收集数据的借口。每个试点都需要清楚范围、居民沟通、退出安排与独立评估。新区技术应支持开放接口与多供应商运营,避免城市基础设施长期锁定单一方案。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

河套与跨境创新:规则互通比网络互通更难

协作价值

河套深港科技创新合作区以一区两园推动研发、测试、转化与产业化,并与新田科技城共同构成北部创科引擎。健康科技可结合香港研究、法治与国际连通,以及深圳工程、制造与市场能力。

数据边界

跨境合作先划数据类别与流向,区分公开数据、一般业务数据、个人数据、重要数据与研究样本。对每一类把法律依据、存储位置、访问角色、加密、审批与删除写清楚。合作协议不能取代具体控制。

标准合同经验

GBA 个人信息跨境流动标准合同于二〇二三年开始先行,并自二〇二四年十一月起扩展至大湾区各行业。工程团队仍须把合同要求落到 API 字段、日志、权限与事故通报。法律文件本身不会自动变成安全系统。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

智慧健康:从医院数字化到社区预防

政策方向

五年规划把基层医疗、慢性病防治与早诊早治、智慧医疗、健康信息基建及中西医协作列为优先。智慧健康因此不能只集中在大型医院,也必须支持社区、长者、照顾者与弱网地区的持续服务。

应用层次

低风险层可提供健康教育、预约、提醒与一般饮食信息。中风险层可协助专业人员整理数据与发现异常。高风险诊治必须留给具备资质人员。不同层次使用不同数据、模型、复核与验收标准。

热量案例的位置

端侧餐盘辨识最适合放在健康教育与行为记录层,协助用户理解食物组成与份量,而不是做疾病判断。任何连接电子健康记录的做法,都必须另行完成临床、安全、隐私与专业责任评估。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

智慧乡村与远程服务:小模型也能产生高公共价值

场景需求

智慧乡村试点包括公共 Wi-Fi、远程医疗、电子支付、非法倾倒与内涝检测,以及由机器人与人工智能辅助的山火早期发现。这些场景共通点是网络不稳、运维资源有限,以及现场回应时间重要。

架构选择

把初步检测放在边缘装置,保留本地规则与离线运作。中央云端处理模型管理、跨区分析与专家协作。装置必须支持远程盘点、更新、回滚与停用,并在通信中断时保存事件序列。

运营经验

远程部署最常被忽略的是电力、防水、防尘、备件、现场培训与告警疲劳。采购评分应包含五年可维护性与更换周期,而不只是模型准确率与一次性报价。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

多云与混合云:不绑品牌,要绑标准

选型哲学

不同品牌云端服务在模型生态、数据分析、边缘管理、安全与区域覆盖上各有长处。政府不必平均拆分工作负载,而应按数据驻留、服务等级、成本、能力成熟度与既有人才选择最适合的位置。

可携设计

使用容器、标准 API、基础设施即代码、开放数据格式与外部化设定,把身份、日志、模型接口与业务规则分离。可携不是随时零成本搬迁,而是关键依赖能在合理时间与预算内被替换。

避免假多云

若两朵云只同时出现在简报上,但数据、监测、人才与演练都集中在单一供应商,仍是单点依赖。真正的多云需要明确故障转移、数据一致性、共同安全基线与定期退出演练。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

企业能力堆叠:每一层都有清楚问责

端到端层次

装置层处理相机、遮罩、离线推理与装置状态。API 层处理身份、限流与协议。数据层处理主数据、向量索引、版本与质量。模型层处理登录、评测、发布与回滚。运营层处理监测、事故与成本。

共用平台

Kubernetes 适合需要一致部署与长生命周期服务的工作负载。Serverless 适合事件驱动与突发流量。对象存储适合版本化资产。内容分发适合模型与静态知识分发。选择应由问责与负载特性决定,而不是技术潮流。

最低文件

每个组件都需要拥有者、SLO、容量假设、RTO、RPO、成本上限、数据分类、外部依赖、更新方法与退出计划。没有这些材料的组件不应进入正式架构。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

MLOps:装置分群、灰度发布与漂移管理

发布单元

端侧模型不能只靠应用版本管理。必须按装置类型、模型格式、量化方法、知识版本与规则版本形成可追溯的发布单元。任何一项变更都可能改变最终行为。

灰度策略

先发布给内部与低风险人群,设定健康指标与自动停止条件,再逐步扩大。若崩溃率、延迟、错误自信或耗电超过门槛,系统应停止扩大并回滚,不必等到大量用户投诉。

漂移监测

监测季节菜式、新包装、相机硬件与使用习惯造成的输入漂移,也监测知识更新后的输出变化。漂移不是数字一变就重训。先判断是否影响公共成果与特定群体。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

安全设计:保护模型、装置与供应链

端侧防护

必要时使用安全存储、凭证绑定、程序完整性检查与远程证明,降低模型文件、规则或 API 密钥被篡改。装置遗失时可撤销凭证并清除敏感缓存,不依赖用户自行处理。

服务防护

API 实施最小权限、限流、输入验证、恶意文件扫描与异常检测。模型与知识更新必须签署、验证并分批发布,避免供应链污染一次影响所有装置。

事故准备

建立模型替换、数据泄露、提示注入、供应商中断与不良更新的处置手册。演练必须包含技术修复、业务降级、管理通报、市民沟通与证据保存。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

隐私工程:数据最小化是架构能力

收集最少

若辨识只需餐盘一部分,在相机界面引导裁切。若统计只需年龄组别,不收集出生日期。若错误分析只需特征摘要,不保留原始影像。每少一项数据,也降低泄露、合规与运营成本。

目的限制

健康教育、服务分析、模型改善与研究是不同目的,不能用一份含糊同意涵盖。用户应能使用基本服务而不参与模型训练,撤回同意后必须有可执行的删除流程。

可验证控制

隐私要求必须变成测试:遮罩准确度、日志不含原始影像、按期删除、权限变更立即生效、导出内容完整。没有技术验证的政策文件,不能证明数据最小化真的落地。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

采购与验收:买能力,不是买展示

标书要求

规格应描述业务成果、风险边界、接口、数据权利、可观测性与退出要求,避免锁定特定模型名称或专有服务。供应商可提出不同技术组合,但必须通过共同测试集与现场情境。

验收组合

把准确度、拒答、安全、公平、延迟、耗电、可用性、成本、灾备、日志与投诉流程一并验收。单一平均分会掩盖高风险失败。设定不可妥协的硬门槛。

合约保障

明确数据与衍生权利、模型更新通知、分包商、漏洞修补、服务终止、数据导出、删除证明与移交期。若退出成本不透明,低价可能变成昂贵的长期依赖。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

组织模式:政产学研投协同

角色分工

政府定义公共问题、规则与采用场景。企业负责工程与持续运营。大学与研究机构提供方法、评测与人才。投资者支持可扩展的成果转化。任何一方都不应单独决定高风险系统的成功标准。

共同语言

以用例、数据契约、服务指标、风险登记册与架构决策记录作为跨界沟通工具。研究准确率、商业营收与公共价值是不同目标,项目开始时需要明确排序。

知识移转

合约要求文件、培训、联合值班以及代码与配置交付,让公共服务团队具备基本判断与接管能力。外包可补充能力,但不能外包最终问责。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

人才与数字素养:教用户质疑 AI

能力层次

领导者需要理解风险与投资组合。产品拥有者需要定义公共成果。工程师需要数据、模型、安全与运营。前线人员需要辨识不确定性、更正错误并启动人工流程。培训不能只教提示。

实务训练

用真实但已匿名的失败案例做桌面演练,包括模型自信但答错、数据来源冲突、供应商中断、不良更新与市民投诉。参与者决定停止、回滚、通报与回复,而不只是操作界面。

持续机制

建立实务社群、工具目录、共用测试集、技术配对活动与季度案例回顾。这与智慧城市中公务员技术培训与跨部门协调的经验一致,把个人专家知识转成组织能力。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

绿色 AI:把算力成本纳入公共问责

连结城市目标

香港方向是二〇五〇年前碳中和,并推进建筑能效、低碳运输、循环经济、可持续航空燃料与氢能。AI 项目也应量测运算、存储、网络与装置更新的资源成本,而不是假设数字化天生绿色。

工程选择

优先采用适合任务的小模型、端侧预筛、缓存、批次处理、模型量化,以及自动关闭闲置资源。高耗能训练需要清楚改善目标与停止条件,避免为微小分数提升花费不成比例的算力。

采购指标

要求供应商报告资源使用、硬件寿命、能源地区、装置更换与电子废弃物安排。绿色指标不必取代服务质量,但应与成本、延迟与公共价值一并评估。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

城市韧性:把故障当成必然,而不是例外

威胁范围

极端天气、网络中断、电力问题、供应商故障、网络攻击与不良发布都可能让数字服务失效。五年规划强调城市安全、跨部门预警、应急预案与灾后快速复原。AI 系统必须进入同一韧性体系。

降级层级

设定四种模式:完整服务、受限服务、离线基本服务与人工替代。每一级把可用功能、数据新鲜度、问责拥有者与市民提示写清楚,避免故障当下临时决定。

演练与事后检讨

定期演练区域云故障、身份平台不可用、不良模型更新与请求暴增。事后检讨不只问复原时间,也问关键民生服务是否保留、是否产出错误输出、跨部门通报是否清楚。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。

结语:以克制、证据与公共问责推进 AI

重新定义成功

三日完成端侧热量应用,可证明团队能快速整合。不能证明医疗有效性、监管适配或大规模可靠性。真正成功是清楚知道什么能用、什么不能用、出错时如何保护市民,以及继续投资是否合理。

城市级启示

香港在数字身份、CDEG、开放数据、政府共用平台、一百多项智慧城市措施与 AI 生态建设上的成功经验说明,长期能力来自共用底座、跨部门治理与持续运营,而不是单一模型。

行动原则

从低风险辅助场景起步。以端侧数据最小化、模型与知识分离、不确定性、人工否决、证据链、多供应商标准与退出演练建立信任。让 AI 成为稳定、可信、克制且可持续的公共能力,而不是短暂展示。

现场提问: 把本页变成架构审查问题。要求团队用证据作答,未答项目记入下一份工作清单。