市政人工智能--从局部最优到全局最优

市政决策很少是在真空中做出的。 它们是在时间压力、预算限制、相互冲突的政治目标和日益复杂的情况下做出的。

在实践中，这往往会导致一种熟悉的模式： 决定的是当地的最佳项目，而不是全球的最佳组合。

这正是市政人工智能的战略意义所在。

局部最优：似是而非，但系统不完整

在传统的预算和投资过程中，项目通常是单独考虑的：

• 项目 A 是合理的
• 项目 B 是必要的
• 项目 C 在政治上是可取的

这些决定本身可能都是正确的。 问题出在项目之间：

• 预算竞争
• 筹资逻辑重叠
• 时间安排影响效果
• 组合产生新的效果

结果往往是局部最优： 一个在直接比较中令人信服的决策、 但在整体组合中却无法达到最大效果。

为什么说市政是指数系统

只要同时有多个项目需要决策 市政当局就离开了线性空间。

即使只有几个项目，决策空间也会呈指数增长。 如果有 50 个项目，就会产生一个无法再 "思考"--只能计算--的空间。

这就是为什么人类的直觉、Excel 模型和经典软件 不可避免地达到极限的原因：

核心思维错误：项目而非组合

局部优化与整体优化的决定性区别不在于单个项目，而在于所有项目之间的相互作用、 而是所有项目之间的相互作用。

局部最优回答了这个问题：

这个项目有意义吗？

全球最佳实践回答了这个问题：

在所有限制条件下，所有项目的哪种组合能使整体效果最大化？

第二个问题无法凭直觉回答。

从选择到计算

现代市政人工智能（如 StratePlan）不会孤立地评估项目、 而是将其作为完整决策空间的一部分。

不是顺序评估，而是同时评估。

在这种情况下，市政人工智能并不意味着自动化。 它意味着事前优化。

没有计算的是建议

在传统的决策过程中，通常会选择几个方案。 从数学角度看，这只不过是在决策空间中猜测而已。

在 50 个项目中，每一个未经充分计算的决策都相当于 从超过四百万种可能性中做出选择--却不知道 不知道自己究竟离全局最优有多近。

全球最优：政治中立，技术可靠

全球最优并不是一个政治决定。 它是一个数学陈述：

在给定的目标、预算和限制条件下，恰好有一种投资组合 具有最大的整体影响。

现代市政人工智能使这一组合显而易见：

• 透明
• 可追溯
• 审计证明

政治机构继续决策--但 但这是第一次在整个决策领域，而不是部分决策领域的基础上进行决策。

结论：从直觉到可预测性

地方政府不是因为缺乏专业知识而失败。 它们的失败是因为复杂性呈指数级增长。

从局部最优到全局最优并不是一个文化问题，而是一个数学问题、 而是一个数学问题。

局部人工智能意味着

• 减少分期付款
• 减少机会损失
• 每欧元的影响更大

最重要的是 对整个机会空间做出公正的决定。