“我们既有的很多大数据研究，是以秒为单位的，比如人流手机信令、公交刷卡数据；而另一方面，过去几百年的档案记录，又是以十年、几十年的时间点来呈现的。”龙瀛教授介绍道，团队之所以提出“城市中频动力学”的概念，正是因为观察到城市的物质空间环境，实际上是以每年为尺度在变化的。

“每年去一个城市，你能看到它的建筑物、道路、铺装发生了相应的变化。”五年间，团队围绕西宁市中心城，每年春季开展系统性的地面影像与多传感器数据搜集，范围覆盖几百平方公里，精度则聚焦到街道、建筑界面这样的微观单元。

如果说“中频动力学”回应的是“如何更好地观察城市”，那么龙瀛教授近年提出的“城市人工智能（UrbanAI）”则试图回答一个更根本的问题：当AI全面渗透，城市本身会发生什么？

“我十多年前开始在中国开展城市大数据研究，那是大数据的时代。但过去三四年，我注意到另一个时代已经翻开篇章——人工智能时代。”龙瀛教授认为，AI与城市的结合，不止于“用AI研究城市”，更在于“AI重塑城市空间”。他在理论框架中将城市人工智能分为三个层面：

龙瀛教授团队在西宁的实践，还有一个更深层的技术意义——它回应了城市更新中一个普遍困境：规划师急需及时、翔实、准确的数据，但传统数据在时效性、覆盖度和颗粒度上往往力不从心。

“现有城市数据往往是某一时刻的截面数据，覆盖度不足，标准不统一，规划师还经常依赖实地勘察和问卷访谈，主观性强、效率低。”龙瀛教授说。事实上，当前城市更新面临的现状评估困境是多重的：一是数据获取难，高精度的空间数据往往掌握在不同部门手中，数据壁垒严重；二是数据更新慢，很多基础数据的更新周期长达数年，无法反映城市空间的动态变化；三是数据颗粒度粗，宏观统计数字难以支撑微观尺度的空间诊断。规划师要在这样的数据条件下做出精准判断，无异于“戴着镣铐跳舞”。

龙瀛教授团队采用的“移动感知”方法，正是对这一困境的技术回应。通过在自行车、汽车等移动载体上搭载多传感器系统，在城市中穿行即可同步采集街景影像、激光点云、环境噪声、空气质量和热环境等多维数据。“这种方法实现了高效率、低成本、大范围的基础数据采集，特别适合中频、高精度的城市空间追踪。”龙瀛教授解释道。与传统人工踏勘相比，移动感知的效率提升数倍；与卫星遥感相比，它的精度达到街道、建筑界面这样的微观层级；与固定监测站相比，它的覆盖范围更广、空间连续性更强。

这套方法不仅在西宁成功落地，团队还形成了系统的工作手册，成为城市更新专项规划的技术支撑。更重要的是，这种“中频”动态追踪让数据具备了时间维度上的可比性——规划师可以看到每一栋建筑、每一条街道在过去一年中的实际变化，而不是将更新决策建立在“想当然”的经验判断之上。

龙瀛教授认为，这恰恰说明了技术必须回归真实问题：“我们关注技术能不能解决真实问题，能不能被地方使用，能不能经得起实践的检验。”在他看来，从“智能感知”到“高效利用”的跨越，关键在于打通数据采集与业务应用之间的通道——数据采集不能为了采集而采集，必须始终以“能用、好用、管用”为标尺。当前团队正在努力的方向，正是将这种中频观测方法转化为可推广的技术工具，让更多城市的规划管理者具备“每年为城市做一次体检”的能力。

在龙瀛教授看来，AI不仅仅是工具层面的升级，它正在成为城市的一种新型基础设施——既包括看得见的硬件，也包括看不见的软件。

“城市人工智能既包括以算法、模型为核心的软件形式，也包括由人工智能驱动的机器人和物联网等硬件载体。二者相辅相成，共同作用于城市运行机制与空间治理。”龙瀛教授说。

从硬件维度来看，AI驱动的物理设备正在以前所未有的速度嵌入城市空间。无人配送车穿梭于社区街道，自动驾驶巴士在指定线路上试运行，无人机承担起城市巡检、应急响应的任务，无人工厂和灯塔工厂重新定义了生产空间，无人便利店、无人酒店等商业业态也在重塑消费场景。这些AI硬件不再是城市空间的“外来物”，而是正在成为城市基础设施的一部分——就像一百年前电力和电梯改变了建筑的高度，今天AI硬件正在改变城市空间的构成逻辑和使用方式。

从软件维度来看，AI算法和模型正在成为城市运行的“操作系统”。交通信号灯的智能调度、公共资源的动态配置、城市风险的预警预判，背后都离不开AI算法的支撑。龙瀛特别指出，这种软件层面的AI，影响的不仅是城市的技术系统，更重要的是它改变了人的行为。“它影响了城市中每一个人的生活方式和工作方式。”当越来越多的人接受远程办公、在线教育、无人零售，群体性的行为变化就会倒逼空间功能的重新定义——写字楼可能不再是写字楼，商业综合体可能不再以“逛”为核心逻辑。