Các thành phố thông minh trên thế giới đã ứng dụng AI như thế nào?

Khái niệm Thành phố thông minh (TPTM) đã có sự thay đổi đáng kể trong quá trình hình thành và ứng dụng vào thực tiễn, từ mô hình truyền thống xoay quanh công nghệ đến mô hình hiện đại, hướng dịch vụ lấy người dân làm trung tâm. Bài viết này phân tích vai trò và ứng dụng của Trí tuệ nhân tạo (AI) trong cả hai mô hình TPTM truyền thống và hiện đại. Ở mô hình truyền thống, AI chủ yếu được sử dụng để tự động hóa, phân tích dữ liệu lớn và tối ưu hóa vận hành các hệ thống đô thị, với những ứng dụng nổi bật trong quản lý giao thông, tiết kiệm năng lượng và đảm bảo an ninh công cộng. Thông qua các ví dụ thực tiễn, bài viết cho thấy AI góp phần nâng cao hiệu quả vận hành và giảm chi phí cho các đô thị.

1. Thành phố Thông minh là gì?

Thành phố thông minh (Smart City / TPTM) là khái niệm xuất hiện cùng với quá trình đô thị hóa nhanh chóng và sự phát triển của công nghệ thông tin trong thế kỷ XXI. Thời kỳ đầu, TPTM được định nghĩa là khu vực đô thị ứng dụng các công nghệ thông tin và truyền thông (ICT) nhằm nâng cao hiệu quả vận hành các dịch vụ như năng lượng, giao thông, và quản lý tài nguyên, với mục tiêu giảm thiểu lãng phí, tiết kiệm chi phí và tối ưu hóa quản lý (mô hình truyền thống). Trải qua quá trình phát triển, khái niệm về TPTM đã dần mở rộng phạm vi, nhấn mạnh vào việc thiết kế, cung cấp và tối ưu hóa dịch vụ dựa trên nhu cầu thực tế, hành vi tiêu dùng và sự tham gia chủ động của người dân, doanh nghiệp và du khách (mô hình hướng dịch vụ).

Sự khác biệt đầu tiên và rõ nét nhất giữa hai mô hình nằm ở vai trò của công nghệ. TPTM truyền thống lấy việc triển khai công nghệ làm trung tâm, sử dụng các hệ thống cảm biến, mạng lưới IoT, dữ liệu lớn và điện toán đám mây để giám sát, thu thập dữ liệu và điều phối các dịch vụ đô thị. Ví dụ, hệ thống chiếu sáng thông minh, đồng hồ điện tử tự động hay quản lý giao thông theo thời gian thực đều là sản phẩm của cách tiếp cận này. Ở mô hình này, người dân chủ yếu là đối tượng thụ hưởng dịch vụ, ít có cơ hội tham gia vào quá trình thiết kế hay ra quyết định liên quan đến các dịch vụ đô thị. Đối tượng cung cấp dịch vụ cũng chủ yếu là cơ quan công quyền hoặc các đơn vị/doanh nghiệp công ích.

Trái lại, mô hình TPTM hiện đại lấy người dân làm trung tâm, xây dựng mối quan hệ cung cấp và tiêu dùng dịch vụ, còn công nghệ là công cụ để nâng cao trải nghiệm và giá trị dịch vụ cho người dùng. Dữ liệu được sử dụng không chỉ để tối ưu vận hành mà còn để cá nhân hóa dịch vụ, phản hồi nhanh với nhu cầu thay đổi của cộng đồng. Mô hình này cho phép mở rộng đối tượng tham gia cung cấp dịch vụ (cả các doanh nghiệp, thậm chí cá nhân) lẫn dịch vụ cung cấp (giải trí, lưu trú, nhà hàng…) được tích hợp trong kiến trúc TPTM. Các nền tảng số như ứng dụng di động tích hợp, cổng dịch vụ trực tuyến, hay mô hình dịch vụ theo yêu cầu (Mobility-as-a-Service, Health-as-a-Service) cho phép cư dân chủ động lựa chọn, phản hồi và đồng kiến tạo dịch vụ đô thị. Công nghệ blockchain, AI, và điện toán biên cũng được ứng dụng để đảm bảo minh bạch, bảo mật và tối ưu hóa, cá nhân hóa dịch vụ.

Khía cạnh quản lý và tương tác với người dân cũng có sự khác biệt rõ rệt. TPTM truyền thống thường tổ chức quản lý tập trung, nơi các quyết định được đưa ra chủ yếu bởi chính quyền dựa trên dữ liệu thu thập từ hạ tầng công nghệ. Ngược lại, TPTM hiện đại thúc đẩy mô hình quản trị đồng kiến tạo (co-governance), trong đó người dân không chỉ là người sử dụng dịch vụ mà còn là đối tác tham gia đóng góp ý kiến, phản hồi và cùng chính quyền xây dựng, điều chỉnh dịch vụ đô thị thông qua các nền tảng số mở.

Về phát triển bền vững, TPTM truyền thống tập trung vào tiết kiệm tài nguyên, giảm lãng phí và tối ưu hóa vận hành để đạt hiệu quả kinh tế. Tuy nhiên, theo nghiên cứu của Ahvenniemi và cộng sự (2017), mô hình TPTM hiện đại lại chú trọng nhiều hơn tới sự hài hòa giữa kinh tế, xã hội và môi trường, hướng tới phát triển bao trùm (inclusivity) và thúc đẩy lối sống xanh, bền vững. Dịch vụ đô thị hiện đại không chỉ hướng tới tiết kiệm mà còn phải đảm bảo tiếp cận cho mọi đối tượng, tăng cường sự tham gia của cộng đồng và thích ứng với những biến động xã hội.

Các nghiên cứu thực nghiệm tại châu Âu và châu Á cho thấy, các thành phố áp dụng mô hình dịch vụ tiêu dùng (service consumption model) – nơi dịch vụ được cá nhân hóa, cung cấp theo nhu cầu và có cơ chế phản hồi liên tục – thường đạt được mức độ hài lòng của người dân cao hơn, đồng thời tăng cường sự tham gia cộng đồng và khả năng thích ứng với các thay đổi xã hội. Trong khi đó, mô hình truyền thống dù giúp tiết kiệm chi phí vận hành nhưng đôi khi lại thiếu linh hoạt, chưa đáp ứng được nhu cầu đa dạng của cư dân hiện đại.

2. Ứng dụng AI trong mô hình thành phố thông minh hướng dịch vụ hiện đại

Sự phát triển của mô hình TPTM hiện đại đã tạo ra một bước ngoặt trong cách thức thiết kế, triển khai và vận hành các dịch vụ đô thị. Nếu như mô hình truyền thống tập trung vào việc tự động hóa và tối ưu hóa vận hành dựa trên hạ tầng công nghệ, thì mô hình hiện đại lại đặt người dân vào vị trí trung tâm, cá nhân hóa trải nghiệm, thúc đẩy sự tham gia và đồng kiến tạo dịch vụ. Trong bối cảnh này, trí tuệ nhân tạo (AI), đặc biệt là các nền tảng trợ lý ảo (AI assistants), đóng vai trò then chốt trong việc kết nối nhu cầu của người dân với các dịch vụ của thành phố, đồng thời giúp các nhà cung cấp dịch vụ (bao gồm chính quyền, các cơ quan công ích và cả các doanh nghiệp cung cấp dịch vụ thương mại) hiểu rõ và phục vụ tốt hơn cho cộng đồng cư dân đa dạng.

2.1 Trợ lý AI đã mang lại sự chuyển đổi trong tiếp cận dịch vụ đô thị.

Khác với các hệ thống quản lý tập trung trước đây, mô hình TPTM hiện đại xây dựng các nền tảng số linh hoạt, cho phép người dân tiếp cận, lựa chọn và thậm chí cá nhân hóa các dịch vụ đô thị theo nhu cầu thực tế. Trợ lý AI, dưới các hình thức như chatbot, trợ lý giọng nói, ứng dụng di động tích hợp, đã trở thành giao diện tương tác chính giữa người dân và hệ sinh thái dịch vụ thành phố. Những nền tảng này không chỉ cung cấp thông tin, hướng dẫn sử dụng dịch vụ mà còn có khả năng học hỏi từ hành vi, phản hồi của người dùng để đưa ra các đề xuất phù hợp, từ đó nâng cao sự hài lòng và hiệu quả sử dụng dịch vụ.

Một ví dụ điển hình là ứng dụng Citymapper ở London hay Moovit tại nhiều thành phố lớn trên thế giới, sử dụng AI để phân tích dữ liệu giao thông thời gian thực, lịch trình cá nhân, thói quen di chuyển và điều kiện môi trường để đưa ra các gợi ý lộ trình tối ưu cho từng cá nhân (Citymapper, 2024; Moovit, 2024). Không chỉ dừng lại ở giao thông, các nền tảng như “Smart Dubai App” hay “My Singapore” tích hợp hàng trăm dịch vụ công, cho phép người dân truy cập, thanh toán, đăng ký và nhận hỗ trợ qua một giao diện duy nhất với sự hỗ trợ liên tục của trợ lý AI (Smart Dubai, 2023; GovTech Singapore, 2024).

2.2 Cá nhân hóa dịch vụ dựa trên dữ liệu lớn và AI

Thay vì cung cấp các dịch vụ đồng nhất cho mọi công dân, các trợ lý AI có khả năng xây dựng hồ sơ người dùng dựa trên dữ liệu lịch sử, vị trí, tương tác, sở thích và thậm chí cả cảm xúc. Nhờ đó, mỗi người dân có thể nhận được các khuyến nghị phù hợp về phương tiện di chuyển, lịch trình khám chữa bệnh, sự kiện cộng đồng, chương trình giáo dục, thậm chí là các cảnh báo an ninh, môi trường cá nhân hóa. Tại Helsinki, nền tảng “MyData” cho phép người dân kiểm soát và chia sẻ dữ liệu cá nhân cho các dịch vụ công và tư nhân một cách chủ động, đồng thời sử dụng trợ lý AI để phân tích và đề xuất các dịch vụ phù hợp nhất với từng cá nhân. Điều này không chỉ nâng cao trải nghiệm người dùng mà còn thúc đẩy sự tham gia của cộng đồng vào quá trình đồng kiến tạo dịch vụ đô thị.

Một trong những thách thức lớn nhất của đô thị hiện đại là đảm bảo mọi nhóm dân cư, bao gồm người cao tuổi, người khuyết tật, người nhập cư và các nhóm yếu thế khác, đều có thể tiếp cận và sử dụng các dịch vụ thành phố một cách bình đẳng. Trợ lý AI, với khả năng nhận diện giọng nói, dịch ngôn ngữ tự động, giao diện thân thiện và khả năng tùy chỉnh, đã mở ra nhiều cơ hội mới trong lĩnh vực này. Ví dụ, tại Barcelona, trợ lý AI của thành phố có thể giao tiếp bằng nhiều ngôn ngữ, hỗ trợ người khiếm thị qua chức năng chuyển văn bản thành giọng nói, hoặc giúp người cao tuổi đặt lịch khám bệnh, gọi taxi, nhận thông báo sức khỏe chỉ bằng giọng nói mà không cần thao tác phức tạp (Ajuntament de Barcelona, 2023). Tại Singapore, hệ thống “Beeline” sử dụng AI để phân tích nhu cầu di chuyển của các khu dân cư xa trung tâm, từ đó đề xuất và tổ chức các tuyến xe buýt linh hoạt phục vụ riêng cho nhóm đối tượng này (GovTech Singapore, 2024).

Không chỉ mang lại lợi ích cho người dân, các trợ lý AI còn giúp các nhà cung cấp dịch vụ đô thị tối ưu hóa hoạt động, nâng cao chất lượng phục vụ và giảm chi phí vận hành. AI có thể tự động hóa quy trình trả lời câu hỏi thường gặp, tiếp nhận và xử lý phản ánh, dự báo nhu cầu sử dụng dịch vụ, từ đó điều chỉnh nguồn lực một cách linh hoạt. Ví dụ, hệ thống “Watson Assistant” của IBM đã được nhiều thành phố lớn như New York, Tokyo triển khai để hỗ trợ các trung tâm dịch vụ công, giúp giảm 40-60% khối lượng công việc của nhân viên trực tổng đài, đồng thời tăng tốc độ phản hồi và giảm thời gian chờ đợi của người dân (IBM, 2022). Tại Seoul, trợ lý AI “Seoul Bot” không chỉ trả lời các thắc mắc về giao thông, y tế, giáo dục mà còn tự động phân tích dữ liệu phản ánh của người dân để đề xuất các cải tiến dịch vụ cho chính quyền thành phố (Seoul Metropolitan Government, 2023).

2.3 Trong lĩnh vực giao thông,

Các trợ lý AI không chỉ giúp người dân lựa chọn lộ trình tối ưu mà còn hỗ trợ các nhà cung cấp dịch vụ vận tải dự báo nhu cầu, điều phối phương tiện và tối ưu hóa vận hành. AI có thể phân tích dữ liệu lớn từ cảm biến, camera, GPS, lịch sự kiện, điều kiện thời tiết để dự báo mật độ giao thông, nguy cơ ùn tắc, từ đó gửi cảnh báo và đề xuất giải pháp kịp thời. Tại Amsterdam, trợ lý AI tích hợp trong ứng dụng “Smart Mobility” phân tích thói quen di chuyển của từng cá nhân, đề xuất các phương án kết hợp giữa xe buýt, tàu điện, xe đạp và đi bộ, đồng thời tự động cập nhật khi có sự cố hoặc thay đổi lịch trình (Amsterdam Smart City, 2022). Đối với nhà cung cấp dịch vụ, AI giúp tối ưu hóa lộ trình, phân bổ phương tiện, giảm chi phí nhiên liệu và nâng cao hiệu quả khai thác hạ tầng giao thông.

AI đóng vai trò trung tâm trong việc cá nhân hóa và tối ưu hóa sử dụng năng lượng cho từng hộ gia đình, tòa nhà và toàn thành phố. Các trợ lý AI có thể đề xuất lịch sử dụng điện, nước, điều hòa không khí dựa trên thói quen sinh hoạt, giá điện theo thời gian thực và tình trạng lưới điện. Người dân có thể nhận cảnh báo về mức tiêu thụ bất thường, tư vấn tiết kiệm năng lượng, thậm chí tự động hóa việc bật/tắt thiết bị qua các nền tảng trợ lý giọng nói như Amazon Alexa, Google Assistant tích hợp với hệ thống nhà thông minh.

Đối với nhà quản lý, AI hỗ trợ dự báo nhu cầu năng lượng, điều phối nguồn cung từ năng lượng tái tạo, phát hiện rò rỉ, sự cố hoặc các điểm nóng tiêu thụ, từ đó nâng cao hiệu quả quản lý và giảm phát thải khí nhà kính. Tại Copenhagen, trợ lý AI “City Data Exchange” giúp cả người dân và doanh nghiệp truy cập dữ liệu môi trường, từ đó xây dựng các giải pháp xanh phù hợp với từng khu vực (Copenhagen Solutions Lab, 2021).

2.4 Hỗ trợ người dân tiếp cận dịch vụ y tế

Các nền tảng như “Babylon Health” ở London hay “AskPoli” tại Singapore sử dụng AI để tư vấn sức khỏe, đặt lịch khám, nhắc nhở uống thuốc, theo dõi triệu chứng và hướng dẫn tự chăm sóc tại nhà (Babylon Health, 2023; GovTech Singapore, 2024). Trợ lý AI còn giúp các nhà cung cấp dịch vụ y tế phân tích dữ liệu bệnh nhân, dự báo nhu cầu khám chữa bệnh, tối ưu hóa phân bổ nguồn lực, phát hiện sớm các ổ dịch và cảnh báo cộng đồng. Tại Hàn Quốc, hệ thống “Dr. Answer” sử dụng AI để phân tích dữ liệu y tế lớn, hỗ trợ chẩn đoán và đưa ra phác đồ điều trị cá nhân hóa cho từng bệnh nhân (Kim et al., 2020).

2.5 Thay đổi cách người dân tiếp cận giáo dục và tham gia các hoạt động cộng đồng

Các trợ lý học tập cá nhân hóa (Personal Learning Assistants) có thể đánh giá trình độ, sở thích, lịch sử học tập của từng người để đề xuất khóa học, sự kiện, tài liệu phù hợp, đồng thời nhắc nhở, động viên và hỗ trợ giải đáp thắc mắc. Tại Phần Lan, nền tảng “AI Tutor” tích hợp với hệ thống giáo dục thành phố, giúp học sinh, sinh viên và người lớn tuổi tiếp cận các khóa học phù hợp, đồng thời hỗ trợ giáo viên theo dõi tiến độ và điều chỉnh nội dung giảng dạy cá nhân hóa (Finnish National Agency for Education, 2022).

Trợ lý AI đã và đang đóng vai trò trung tâm trong mô hình TPTM hiện đại, trở thành cầu nối giữa người dân và hệ sinh thái dịch vụ đô thị. Nhờ khả năng cá nhân hóa, học hỏi liên tục và giao tiếp tự nhiên, trợ lý AI không chỉ giúp người dân tiếp cận dịch vụ thành phố một cách dễ dàng, thuận tiện mà còn hỗ trợ các nhà cung cấp dịch vụ tối ưu hóa hoạt động, nâng cao chất lượng phục vụ và xây dựng một môi trường sống bền vững, bao trùm. Để phát huy tối đa tiềm năng này, các thành phố cần đầu tư vào hạ tầng dữ liệu, xây dựng khung pháp lý phù hợp và thúc đẩy sự hợp tác giữa các bên liên quan nhằm đảm bảo AI thực sự phục vụ cho sự phát triển toàn diện của cộng đồng đô thị.

Tham khảo thêm bài viết về kiến trúc Agent-to-agent trong thành phố thành minh

Nguồn tham khảo:

1. Ahvenniemi, H., Huovila, A., Pinto-Seppä, I., & Airaksinen, M. (2017). What are the differences between sustainable and smart cities? Cities, 60, 234-245. https://doi.org/10.1016/j.cities.2016.09.009
2. Ajuntament de Barcelona. (2023). Barcelona City AI Assistant. https://ajuntament.barcelona.cat/
3. Amsterdam Smart City. (2020). Smart Grid Amsterdam. https://amsterdamsmartcity.com/projects/smart-grid-amsterdam; Smart Energy City. https://amsterdamsmartcity.com/projects/smart-energy-city; Smart Mobility. https://amsterdamsmartcity.com/projects/smart-mobility
4. Andreas, J., Klein, D., & Levine, S. (2020). Learning with latent language. In Proceedings of the 8th International Conference on Learning Representations (ICLR).
5. Babylon Health. (2023). Babylon: Your personal health service. https://www.babylonhealth.com/
6. BBC News. (2019). London’s CCTV network: How does it compare with other cities? https://www.bbc.com/news/uk-england-london-47534674
7. Berners-Lee, T. (2021). Solid: Re-decentralizing the web. https://solidproject.org/
8. Bogoch, I. I., Watts, A., Thomas-Bachli, A., Huber, C., Kraemer, M. U., & Khan, K. (2020). Pneumonia of unknown etiology in Wuhan, China: potential for international spread via commercial air travel. Journal of Travel Medicine, 27(2), taaa008. https://doi.org/10.1093/jtm/taaa008
9. Bommasani, R., Hudson, D. A., Adeli, E., Altman, R., Arora, S., von Arx, S., … & Liang, P. (2021). On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258.
10. City of Los Angeles. (2018). Automated Traffic Surveillance and Control (ATSAC). https://ladot.lacity.org/what-we-do/atsac
11. City of Vienna. (2022). Smart City Vienna: Digital services. https://smartcity.wien.gv.at/
12. Citymapper. (2024). Citymapper – The Ultimate Transport App. https://citymapper.com/
13. Copenhagen Solutions Lab. (2021). City Data Exchange. https://cphsolutionslab.dk/
14. Finnish National Agency for Education. (2022). AI in Finnish schools. https://www.oph.fi/en/news/2022/ai-finnish-schools