Самый важный момент прост: умные города сокращают выбросы углекислого газа, когда подключенные датчики делают больше, чем просто собирают данные. Полезная схема — это замкнутый цикл: устройства Интернета вещей (IoT) измеряют происходящее, программное обеспечение анализирует данные, а автоматизированные системы управления или городские операторы изменяют физическую систему, потребляющую энергию или топливо. Это может означать сокращение ненужного охлаждения, перенастройку светофоров, приглушение уличного освещения, когда улицы пусты, перераспределение спроса на электроэнергию или более эффективное планирование маршрутов служебных автомобилей.
Это различие важно, потому что город может установить тысячи датчиков и при этом добиться незначительной пользы для климата, если данные никогда не повлияют на работу инфраструктуры. Наиболее эффективные проекты начинаются с измеримой проблемы выбросов, связывают данные с оперативным решением, а затем проверяют результат по сравнению с базовым показателем.
В городах здания, транспорт, уличное освещение, коммунальные услуги и другие энергоемкие системы концентрируются на относительно небольшой территории. Международное энергетическое агентство (МЭА) подсчитало, что города производят около 70% мировых выбросов углекислого газа, поэтому более эффективное управление энергопотреблением в городах может иметь огромное значение. В отчете МЭА « Расширение возможностей городов для будущего с нулевым уровнем выбросов» объясняется, что цифровые системы могут помочь городам управлять энергопотреблением в режиме реального времени и более эффективно координировать инфраструктуру.
Интернет вещей (IoT) и искусственный интеллект (AI) играют разные роли. IoT предоставляет данные: занятость, температура, потребление электроэнергии, скорость движения транспорта, наличие парковочных мест, состояние оборудования, уровень освещенности или качество воздуха. Затем AI и передовая аналитика могут выявлять закономерности, прогнозировать спрос, отмечать аномалии или рекомендовать более оптимальные настройки управления. Заключительный этап — оперативный: изменение настроек термостата, замедление работы насоса, изменение времени работы светофора, зарядка батареи в другое время или вызов ремонтной бригады до того, как оборудование начнет расходовать больше энергии.
Системы отопления, охлаждения, вентиляции и освещения являются подходящими объектами для анализа, поскольку они потребляют большое количество энергии и часто работают по фиксированному расписанию. Датчики присутствия, интеллектуальные счетчики, телеметрия оборудования и данные о погоде могут показать, что действительно необходимо зданию, вместо того чтобы предполагать, что каждому помещению требуется один и тот же сервис в течение всего дня.
Анализ МЭА « Энергетика и ИИ 2025» дает полезное представление о масштабах возможностей: оптимизированное управление системами отопления, вентиляции и кондиционирования воздуха может сэкономить около 10% энергопотребления в зданиях, оборудованных системами управления. Это пример технического потенциала, а не гарантия для каждого здания. Экономия зависит от базового уровня, климата, состояния оборудования, режима использования помещений и интенсивности работы системы управления.
Цифровой район Пунггол в Сингапуре — наглядный тому пример. На странице JTC, обновленной 10 июля 2026 года, указано, что в районе установлено более 20 000 датчиков, собирающих в режиме реального времени информацию о производительности зданий, заполняемости, условиях окружающей среды и потреблении энергии. По данным JTC, алгоритмы искусственного интеллекта и машинного обучения могут использовать эти данные для достижения экономии энергии до 20%. В этом же районе объединены интеллектуальная энергосеть, солнечные батареи на крышах, централизованное охлаждение и цифровой двойник; JTC сообщает о 35-процентном сокращении ежегодных выбросов углекислого газа для интегрированной системы. Подробная информация доступна в обзоре устойчивого развития цифрового района Пунггол на сайте JTC .
Для города или владельца недвижимости, рассматривающего такой подход, наилучшим вариантом является портфель с централизованной системой управления зданием, значительными нагрузками на системы отопления, вентиляции и кондиционирования, предсказуемым режимом использования помещений и достаточным количеством субсчетчиков для создания надежной базовой линии. Небольшое здание с уже эффективной системой управления может иметь гораздо меньший запас мощности.
Управление дорожным движением — это естественный пример применения, поскольку дорожные условия меняются каждую минуту. Камеры, подключенные светофоры, дорожные датчики, системы взимания платы за проезд и данные о местоположении транспортных средств могут служить входными данными для адаптивного управления дорожным движением. Затем искусственный интеллект может прогнозировать заторы, улучшать выбор маршрута, выявлять происшествия или изменять время работы светофоров.
В анализе МЭА на 2025 год говорится, что улучшение выбора маршрута и характеристик вождения может привести к повышению эффективности транспортных систем примерно на 5–10%. Следует отметить, что эта цифра является оценкой, полученной на основе моделирования или на уровне конкретного приложения, а не универсальным результатом для городов.
Сингапур служит полезным примером того, как это реализуется на практике, а не просто обсуждается. В парламентском ответе от 4 августа 2026 года Министерство транспорта заявило, что Управление наземного транспорта экспериментирует с данными ERP 2 для динамической оптимизации светофоров с помощью Единой интеллектуальной системы управления дорожным движением (CRUISE). Оно также расширяет использование видеоаналитики на основе искусственного интеллекта для более раннего обнаружения инцидентов. Официальное описание содержится в обновлении Министерства по управлению дорожным движением .
Аргументы в пользу снижения выбросов парниковых газов наиболее убедительны, когда улучшенная организация дорожного движения сокращает время простоя, частые остановки и трогания с места, ненужные круги или пробег служебных автомобилей. Они ослабевают, если более ровные дороги стимулируют увеличение использования автомобилей. МЭА специально предупреждает, что обратный эффект может нивелировать часть пользы от искусственного интеллекта в плане сокращения выбросов, если технологии приведут к тому, что пассажиры будут чаще пользоваться личным транспортом, а не общественным транспортом.
Уличное освещение менее эффектно, чем цифровой двойник города, но это один из самых наглядных примеров того, как подключенная инфраструктура обеспечивает ощутимую экономию энергии. Базовая архитектура проста: датчики освещенности, датчики движения, сетевое управление и светодиодные светильники позволяют городу обеспечивать необходимое освещение, снижая мощность, когда полная яркость не требуется.
В тематическом исследовании Ассоциации органов местного самоуправления Великобритании описывается внедрение системы «умных мест» в районном совете Южного Кестевена, где 12 уличных фонарей использовали датчики освещенности, датчики качества воздуха, видеонаблюдение, таймеры и регуляторы яркости. В исследовании сообщается, что мощность освещения могла снижаться с 70 Вт до 5 Вт ночью и снова увеличиваться при обнаружении движения, что, по сообщениям, позволило сэкономить 56% энергии, средств и выбросов углекислого газа в рамках пилотного проекта. Подробности проекта задокументированы в тематическом исследовании Ассоциации органов местного самоуправления, посвященном «умным местам» .
Проекты такого типа хорошо подходят для городов, где до сих пор используются мощные светильники, действует длительное время работы, а потребность в освещении на улицах существенно меняется в зависимости от времени суток и активности. Они менее привлекательны там, где уже используются эффективные светодиоды и современные системы диммирования.
Сокращение выбросов углерода — это не только уменьшение потребления электроэнергии. Время тоже имеет значение. Здание, аккумуляторная батарея, зарядное устройство для электромобилей или система централизованного охлаждения могут перенести часть своего потребления с наиболее загруженных часов на периоды с большей выработкой возобновляемой энергии.
В этом и заключается логика, лежащая в основе энергоэффективных зданий, взаимодействующих с энергосетью. В руководстве Министерства энергетики США за 2024 год по технологиям энергоэффективных зданий, взаимодействующих с энергосетью, гибкость спроса описывается как способ сокращения потерь энергии, балансировки пиковых нагрузок и лучшей интеграции генерации с переменной мощностью. В масштабах города подключенные здания могут стать управляемыми ресурсами, а не пассивными потребителями.
Сингапурская открытая цифровая платформа иллюстрирует районный вариант этой идеи. Компания GovTech заявляет, что платформа интегрирует данные в режиме реального времени из множества систем и может автоматически отключать устройства, которые больше не нужны. На странице продукта от 15 мая 2026 года указана цель снижения энергопотребления на 30% для сценария использования платформы в цифровом районе Пунггол. Актуальное описание можно найти на официальной странице открытой цифровой платформы GovTech .
Не для каждого полезного приложения «умного города» требуется сложный генеративный искусственный интеллект. Датчики уровня заполнения в общественных мусорных баках могут сократить количество ненужных поездок по вывозу мусора. Интеллектуальные счетчики воды могут выявлять утечки на ранней стадии. Прогнозируемое техническое обслуживание может обнаружить неисправность насоса, чиллера или двигателя до того, как это приведет к перерасходу энергии или вызовет более масштабный сбой. Видео- или экологические датчики могут помочь городу проводить целевые проверки вместо того, чтобы отправлять бригады по фиксированному графику.
Углеродный след обычно имеет косвенный характер: меньшее количество километров пробега грузовиков, меньшее количество перекачивающих насосов, меньшее количество отходов материалов или более эффективное оборудование. Это означает, что план измерений должен отслеживать физический результат, а не просто количество подключенных устройств. Город должен, например, задаться вопросом, сколько километров пробега транспортных средств удалось избежать, сколько киловатт-часов было сэкономлено или сколько утечек было предотвращено.
| Городская система | Интернет вещей или ввод данных | ИИ/управление действиями | Основной углеродный путь | Наилучший вариант |
|---|---|---|---|---|
| Здания и централизованное охлаждение | Занятость, температура, показания счетчиков, телеметрия оборудования. | Прогнозирование спроса, оптимизация систем отопления, вентиляции и кондиционирования, выявление неисправностей. | Снижение потребления электроэнергии или топлива. | Крупные портфели с централизованным управлением |
| Транспорт и мобильность | Дорожные датчики, камеры, данные о транспортных средствах и сигналах | Адаптивные сигналы, обнаружение инцидентов, оптимизация маршрута | Меньше работы двигателя на холостом ходу и меньше неэффективного вождения | Перегруженные транспортные коридоры с жесткой политикой в отношении общественного транспорта. |
| Уличное освещение | Датчики уровня освещенности, времени, движения и неисправностей. | Динамическое затемнение и оповещения о необходимости технического обслуживания | Снижение потребления электроэнергии | Устаревшие или переосвещенные сети |
| Электросеть и гибкий спрос | Умные счетчики, цены, выработка возобновляемой энергии, состояние батареи | Автоматическое перераспределение или уменьшение нагрузки | Снижение пикового спроса и более эффективное использование возобновляемых источников энергии. | Районы с гибкой нагрузкой и современным управлением. |
| Управление отходами и коммунальными услугами | Уровень заполнения бункеров, местоположение автопарка, состояние активов. | Оптимизация маршрутов и технического обслуживания | Меньше пробега грузовиков и меньше потерь оборудования. | Маршруты с частыми и ненужными пересадками |
В рамках заслуживающего доверия проекта перед его внедрением определяется потребление энергии или топлива, а затем эти изменения пересчитываются в углеродные выбросы с использованием документированного коэффициента выбросов. Полезными показателями являются кВт·ч на квадратный фут, топливо на милю пробега транспортного средства, энергия охлаждения на тонно-час или электроэнергия на час освещения. Подсчет показаний датчиков, панелей мониторинга или вызовов API не демонстрирует климатической выгоды.
Панель мониторинга, которая сообщает службе эксплуатации зданий о чрезмерном потреблении энергии, полезна, но система, которая может безопасно корректировать заданное значение, планировать ремонт или отключать неиспользуемую зону, значительно сокращает путь к экономии. Чем больше ручных операций требуется для работы системы, тем больше вероятность того, что полезная информация останется неиспользованной.
Сокращение потребления энергии не будет успешным, если оно делает здания некомфортными, улицы небезопасными или автобусы ненадежными. Хорошие программы отслеживают как выбросы углерода, так и результаты предоставления услуг: жалобы на комфорт, время в пути, уровень освещения, время работы оборудования, давление воды или пропущенные вывозы мусора.
Искусственный интеллект сам по себе потребляет электроэнергию. В отчете МЭА за 2025 год подсчитано, что в 2024 году центры обработки данных были ответственны примерно за 180 миллионов метрических тонн косвенных выбросов CO2 от потребления электроэнергии, что составляет около 0,5% от общемировых выбросов от сжигания топлива. Это не означает, что городам следует избегать ИИ, но это означает, что вычислительные мощности должны быть соразмерны задаче. Простой алгоритм управления может быть лучше, чем большая модель, если он дает тот же оперативный результат.
Повышение эффективности иногда может сделать услугу дешевле или проще в использовании, что может увеличить спрос. Более плавное движение транспорта может привлечь больше автомобилистов; более дешевое охлаждение может привести к снижению температуры на термостате; более удобная парковка может стимулировать больше поездок на автомобиле. МЭА прямо отмечает, что эти обратные эффекты могут уменьшить или обратить вспять некоторые показатели экономии выбросов. Поэтому технологии работают лучше всего в сочетании с транспортной политикой, политикой землепользования, строительной политикой и политикой в области чистой энергетики.
Интернет вещей и искусственный интеллект являются хорошими кандидатами, если выполняются четыре условия: система потребляет значительное количество энергии или топлива, условия эксплуатации меняются со временем, данные могут описывать эти изменения, и кто-то — или автоматизированный контроллер — может действовать на основе этой информации. Если хотя бы один из этих элементов отсутствует, экономическое обоснование быстро ослабевает.
Прежде чем объявить проект успешным, задайте шесть вопросов. Существовал ли базовый уровень до начала проекта? Были ли нормализованы погодные условия, заполняемость, объем трафика или другие важные переменные? Задокументирован ли коэффициент выбросов? Может ли город продемонстрировать операционные изменения, которые привели к экономии? Было ли учтено потребление электроэнергии цифровой системой и любым дополнительным оборудованием, если это было существенным? И измеряются ли результаты в течение достаточно длительного времени, чтобы не принять краткосрочную аномалию за устойчивое улучшение?
Если ответы на эти вопросы ясны, Интернет вещей и искусственный интеллект могут стать мощными инструментами для декарбонизации городов. Если же нет, город может создать более взаимосвязанную систему, не доказав при этом, что она является низкоуглеродной.
Наиболее эффективные климатические проекты в рамках концепции «умного города» определяются не тем, насколько продвинутой кажется технология, а тем, насколько данные измеримо изменяют физическую систему с высоким уровнем выбросов. Интеллектуальное управление зданиями, оптимизация энергопотребления в масштабах всего района, адаптивное управление дорожным движением, подключенное освещение, гибкие энергосети и более эффективная работа муниципальных служб — все это может снизить углеродный след городов, если уровни сбора данных, аналитики, управления и измерения работают согласованно.
Имеющиеся данные также подтверждают осторожный вывод: ИИ — это ускоритель, а не замена экологически чистой электроэнергии, общественному транспорту, энергоэффективным зданиям, компактной городской планировке или разумной климатической политике. В собственной оценке МЭА на 2025 год подчеркивается, что широкое внедрение ИИ может привести к существенному сокращению выбросов, но только если города преодолеют барьеры, связанные с данными, инфраструктурой, квалификацией, регулированием и эффектом отскока. Это правильный критерий для оценки любого заявления о «умном городе»: не интеллектуальность системы, а способность города доказать, что он потребляет меньше углерода, предоставляя при этом тот же или более качественный сервис.
Практическое руководство 2026 года по искусственному интеллекту, датчикам для умного дома, дистанционному мониторингу, безопасности при падениях, конфиденциальности и тому, как технологии могут поддерживать комфортное старение в привычной обстановке без замены ухода.
Узнайте, как города могут использовать данные о мобильности, землепользовании, климате и состоянии окружающей среды для создания более безопасных, экологичных и удобных для пешеходов районов, не ставя технологии выше людей.
Сравните ведущие программы в области проектирования беспилотных летательных аппаратов и аэрокосмической техники, касающиеся дронов, автономности, систем управления, эксплуатации БПЛА и научных исследований для аспирантов, с учетом проверенных обновлений к 2026 году.
A practical guide to AI-powered surgical robotics: current capabilities, levels of autonomy, precision benefits, limits, regulation, and evaluation criteria.
Инвестиции в улавливание и хранение углерода растут, но может ли улавливание углерода обратить вспять глобальные выбросы? Узнайте, где это работает, что ограничивает масштабы и какие доказательства имеют значение.
Compare seven global programs for digital supply chains, logistics, analytics, global trade, and operations, with practical guidance on choosing the right fit.
Узнайте, как интерфейсы «мозг-компьютер» расшифровывают нейронные сигналы для восстановления коммуникации и движений, чего достигли недавние исследования и что по-прежнему ограничивает использование BCI.
Узнайте, как коммерческие дроны сочетают в себе датчики, периферийный ИИ, батареи, средства связи и программное обеспечение для управления полетом, а также где автономность по-прежнему зависит от задачи и регулирования.
Сравните семь перспективных вариантов аккумуляторных батарей и систем хранения энергии по таким параметрам, как материалы, системы, исследования, опыт работы в отрасли, гибкость, языковые особенности и соотношение цены и качества.
Learn how payload mass, battery limits, weather, propulsion efficiency, and aircraft architecture shape industrial UAV endurance—and how to improve it.
