大多數市政與私營部門的基礎設施管理者，目前還很少考慮到人工智能與機器學習等技術能夠在改善道路、公共交通網絡或者水務事業等物理系統發揮怎樣的作用。

盡管已經有相當一部分城市意識到數據的重要性，但只有少數城市優先考慮進行數據收集，極少數城市嘗試將這些數據交付給可以改善決策的高級算法。當然，這一切可以理解，畢竟負責基礎設施的公共與私營部門管理者通常沒有太多時間用于思考未來——他們的當務之急在于不知疲倦地工作，確保人們能夠順利出行并獲得生活所必需的各類資源。

2011年1月21日星期五，一輛公共汽車駛過美國加利福尼亞州洛杉磯西一街坑洼破碎的道路

然而，隨著數據分析、人工智能與機器學習的出現，基礎設施決策者們由此迎來的改進潛能已經極為可觀，繼續選擇忽視將只能被時代淘汰。從預測需要維修或更新的基礎設施位置，到公共交通自動化、改進項目管理與承包商協調、優化從汽車到商品的流動方式等等，數字智能將有助于削減成本、提高效率并增強成果。

舉例來說，密蘇里州堪薩斯城與Xaqt合作，利用機器學習算法處理道路傳感器、攝像機、氣象數據以及其它信息來源上報的素材，從而預測并追蹤道路坑洼問題的變化情況。許多城市目前依賴于司機報告或者手動檢查攝像機圖像以發現坑洼問題——這是一種被動性而非主動性方法，因此必然導致維修工作大量積壓。然而，堪薩斯城如今已經能夠以85％的準確率預測坑洼問題，從而將成本降低30％。

匹茲堡正在與Rapid Flow Technologies公司合作安裝人工智能交通信號燈，其利用機器視覺與傳感器數據實時匹配道路狀況，而不再設置固定的時間間隔。該系統利用預測算法動態管理交通信號燈，并將數據發送至相信的交叉路口，從而優化整個信號網絡。這與大多數以手動編程方式設定指示燈時長的城市形成了鮮明對比——后者往往需要投入大量時間研究交通流量規律。另一方面，匹茲堡的智能交通燈將行車等待時間減少了超過40％，這意味著整個出行時長將降低約四分之一。

除了道路之外，航運與能源等私有化程度較高的基礎設施相關部門則在以更快的速度采用人工智能技術。過去幾年中，洛杉磯的TraPac終端在人工智能與機器人技術方面投入了大量資金，并由此建立起全美自動化程度最高的海港之一。航運巨頭DHL開發出一款基于人工智能的應用程序，能夠提前一周預測貨運延誤。在能源方面，佛羅里達電力與溝通公司以及杜克能源公司等企業正在利用機器學習與模式識別算法來檢測可能造成服務中斷的潛在廠區內問題。亦有眾多公共事業部門正在利用機器學習提高風力發電機效率并降低其維護成本。

被部署在美國加利福尼亞州洛杉磯港口的TraPac LLC航運終端，2016年3月9日星期三

在水務等其它領域，人工智能的發展速度相對較慢，但同樣開始掀起波瀾。想象一下，H20是舊金山的一家非營利性水技術創業加速機構，其2018年的加速名單中選定了12家公司，其中有2家為人工智能初創企業——Pluto AI利用人工智能預測工廠狀況并為水處理廠推薦最佳運行參數。該公司已經在全國各地的工廠中測試其解決方案，并成功幫助田納西州的Hallsdale－Powell公共事業區管理下轄的污水處理廠。

當然，利用人工智能與機器學習提高效率與效果的道路雖然擁有可觀機遇，但同時也存在著一系列難題。

隨著基礎設施世界正逐漸迎來日益復雜的數字技術，公共與私營部門的基礎設施管理者們將不得不采用新的知識基礎與技能組合。雖然這些決策者中不乏成熟的工程師，但其教育背景往往集中在機械、土木、結構或電氣領域。他們的專業知識與經驗仍然極具價值，但當下還需要接受來自計算機科學與軟件工程觀點的加持，從而滿足當今民眾及消費者的需求與期望。這種變化也意味著，官員們必須尋找新的合作伙伴與供應商——例如Xaqt、Rapid Flow Technologies以及Pluto AI等，從而利用數字智能成果增強傳統基礎設施。

隨著越來越多的城市開始將目光投向“智慧城市”，最重要的一點在于牢記，自動化、傳感器與數據只是個開始。一旦建立起更多自動化系統并收集到更為精細的數據，接下來要做的就是找到理解其內容的途徑。人工智能與機器學習可以通過管理上述系統并利用相關數據以解決這一挑戰，同時將物理與數字技術結合起來共同維護我們所擁有的基礎設施，并以我們從未想到過的方式對其加以改造。