人們總是高估未來兩年的變化，低估未來十年的變革。

隨著技術(shù)迭代曲線放緩、基礎(chǔ)大模型賽道的競(jìng)爭(zhēng)格局企穩(wěn)，人工智能市場(chǎng)的性質(zhì)正在發(fā)生變化，更多的創(chuàng)新和價(jià)值創(chuàng)造正在向應(yīng)用層匯聚。

從“百模大戰(zhàn)”到“降價(jià)潮”，從“卷技術(shù)”到“卷價(jià)格”再到“卷應(yīng)用”，螞蟻、字節(jié)、百度、智譜以及初創(chuàng)企業(yè)已經(jīng)在走各自不同的路了?？梢钥隙ǖ氖牵?dāng)人工智能逐步走向產(chǎn)業(yè)化、專業(yè)化分工，大模型已成為各行業(yè)“標(biāo)配”，誰先找到大模型通往產(chǎn)業(yè)路徑的“鑰匙”，誰就有機(jī)會(huì)喝到“頭啖湯”。

如今，車路云一體化成為當(dāng)下交通行業(yè)的新主題，隨著大模型在各行業(yè)的深度扎根，其能否與車路云一體化形成合力，為人們的交通出行描繪出一幅面向未來的嶄新圖景？

Scaling Law失靈了嗎？

一直以來，Scaling Law（尺度定律）是被人工智能領(lǐng)域普遍接受的冪律增長(zhǎng)，即：模型的性能隨著模型大小、數(shù)據(jù)集規(guī)模和訓(xùn)練計(jì)算量呈現(xiàn)冪律關(guān)系。這意味著在一定范圍內(nèi)，增大模型規(guī)模和數(shù)據(jù)集規(guī)模，能夠顯著提升模型性能。也就是業(yè)內(nèi)常說的：模型越大，性能越好。

但最近半年來，Scaling Law明顯放緩，OpenAI也不得不承認(rèn)，GPT5.0版本要等到明年才能推出。而造成這一現(xiàn)象的根本原因在于，全球普遍出現(xiàn)了算力和數(shù)據(jù)的供給短缺，特別是數(shù)據(jù)規(guī)模量陷入了極大的瓶頸。機(jī)器吃不飽，就導(dǎo)致了大模型的性能輸出側(cè)無法完成高質(zhì)量輸出。

在這種情況下，大模型就一直無法解決機(jī)器幻覺、高錯(cuò)誤率的問題。MiniMax創(chuàng)始人、首席執(zhí)行官閆俊杰認(rèn)為，GPT-4存在30%~40%的錯(cuò)誤率，國內(nèi)大模型整體上也存在60%~70%的錯(cuò)誤率，要想讓AI從一個(gè)輔助人類的工具到能獨(dú)立完成工作，為社會(huì)創(chuàng)造更大的價(jià)值，最核心的一點(diǎn)是整體降低大模型的錯(cuò)誤率。

大模型技術(shù)的發(fā)展似乎陷入了一個(gè)惡性循環(huán)的怪圈，大模型的性能提升需要大量使用后的數(shù)據(jù)投喂，但大模型的錯(cuò)誤率又讓人們不敢大規(guī)模使用。如何破局？

業(yè)內(nèi)還發(fā)現(xiàn)一個(gè)現(xiàn)象，將大模型縮小規(guī)模至特定的專業(yè)領(lǐng)域，ScalingLaw依然在發(fā)揮價(jià)值，向?qū)I(yè)大模型投喂專業(yè)知識(shí)庫，模型依舊呈現(xiàn)能力的巨大提升。

聚焦到交通場(chǎng)景，交通是一個(gè)非常典型的從感知、認(rèn)知、到?jīng)Q策、控制的過程。傳統(tǒng)人工智能在里面目前只呈現(xiàn)碎片化應(yīng)用，比如識(shí)別信號(hào)燈、識(shí)別違章等。想要真正解決問題，需要用大模型這一根線，把車流、道路、交通信號(hào)等所有的散點(diǎn)串聯(lián)起來，形成更高維度的全局智能，通過對(duì)車、路、云、網(wǎng)等交通關(guān)鍵節(jié)點(diǎn)開展智能協(xié)同，形成對(duì)交通態(tài)勢(shì)的全面、及時(shí)、精準(zhǔn)的感知、控制與決策。

交通感知方面，大模型可以進(jìn)行道路路況識(shí)別和車輛車流密度檢測(cè)?；谀硯嬅嫔僧?dāng)前路況描述并直接發(fā)布，這些數(shù)據(jù)可以連接到導(dǎo)航軟件，將海量的監(jiān)控圖片、監(jiān)控?cái)?shù)據(jù)利用起來。同時(shí)，大模型在道路分割、服務(wù)區(qū)、停車場(chǎng)余位識(shí)別、交通事件檢測(cè)等方面也有所應(yīng)用，可做到讓視頻監(jiān)測(cè)真正免配置，大幅提升檢測(cè)準(zhǔn)確率。

交通治理方面，通過大模型的語義理解、泛化推理、自動(dòng)取數(shù)能力，可對(duì)歷史交通數(shù)據(jù)和實(shí)時(shí)交通數(shù)據(jù)進(jìn)行自動(dòng)分析和處理，精準(zhǔn)定位、判斷某路段和某區(qū)域的交通狀況，提供初步、快速的交通決策支持，并結(jié)合交通領(lǐng)域?qū)I(yè)知識(shí)，生成可行性交通解決方案，讓交通管理人員可以快速找到解決問題的落腳點(diǎn)，開展方案測(cè)試和評(píng)估。

智能控制優(yōu)化方面，大模型通過集成和調(diào)度車輛監(jiān)管、交通信號(hào)調(diào)整、智能導(dǎo)航、智能停車等多種智能服務(wù)，實(shí)現(xiàn)交通系統(tǒng)的動(dòng)態(tài)優(yōu)化和智能化服務(wù)，提高交通治理效率和安全性。

車路云一體化是全局最優(yōu)解嗎？

隨著城市的日益發(fā)展，交通基礎(chǔ)設(shè)施老化滯后、城市化進(jìn)程加速、車輛爆發(fā)式增長(zhǎng)等一系列問題成為交通的不能承受之重，這就需要從全局角度，通過賦予交通更加智能的“大腦”，更好平衡和協(xié)同各交通參與方之間的關(guān)系，提升交通治理效能，而車路云一體化正是作為這個(gè)智能樞紐被提了出來。

從車路云一體化發(fā)展路徑來看，主要包括以下四個(gè)發(fā)展階段。

第一階段是信息交互協(xié)同。該階段主要實(shí)現(xiàn)車輛與道路的信息交互與共享，包括車輛的位置、速度、方向等，以及道路的交通信號(hào)、限速標(biāo)志、路況信息等。通信范圍可以是車輛與路側(cè)單元（RSU）之間的直連通信，也可以是車輛與車輛之間的多跳通信。

第二階段是協(xié)同感知。該階段在信息交互協(xié)同的基礎(chǔ)上，進(jìn)一步利用車載和路側(cè)的感知設(shè)備（如攝像頭、雷達(dá)等），對(duì)道路交通環(huán)境進(jìn)行實(shí)時(shí)高精度的感知定位，從而為自動(dòng)駕駛提供更全面、更準(zhǔn)確的環(huán)境信息。

該階段的協(xié)同感知可以分為“初級(jí)協(xié)同感知”和“高級(jí)協(xié)同感知”兩個(gè)方面，區(qū)別在于道路感知設(shè)施的部署范圍、類型、精度等方面的差異。初級(jí)協(xié)同感知的道路感知設(shè)施相對(duì)單一、部署范圍有限、檢測(cè)識(shí)別準(zhǔn)確率較低、定位精度較低，只能服務(wù)于L3級(jí)以下的自動(dòng)駕駛車輛；高級(jí)協(xié)同感知的道路感知設(shè)施多樣、道路全面覆蓋、檢測(cè)識(shí)別準(zhǔn)確率高、定位精度高,能夠服務(wù)于L4級(jí)以上的自動(dòng)駕駛車輛。

第三階段是協(xié)同決策控制。在協(xié)同感知的基礎(chǔ)上，進(jìn)一步實(shí)現(xiàn)道路對(duì)車輛、交通的決策控制，包括對(duì)車輛的導(dǎo)航、速度、車道、轉(zhuǎn)向等進(jìn)行指導(dǎo)或干預(yù)，以及對(duì)交通信號(hào)、交通流等進(jìn)行優(yōu)化或調(diào)節(jié)，從而保障自動(dòng)駕駛的安全、提高交通效率。

該階段的協(xié)同決策控制可以分為“有條件協(xié)同決策控制”和“完全協(xié)同決策控制”兩個(gè)方面，區(qū)別在于協(xié)同決策控制的適用范圍、程度、復(fù)雜度等方面的差異。有條件協(xié)同決策控制只能在自動(dòng)駕駛專用道、封閉園區(qū)等環(huán)境下或?qū)崿F(xiàn)自主泊車等功能時(shí)實(shí)現(xiàn)；完全協(xié)同決策控制則能夠在任何時(shí)間、任何道路和交通環(huán)境下，都可實(shí)現(xiàn)車路全面協(xié)同感知、協(xié)同決策控制功能。

第四階段是車路云一體化。車路云一體化的核心在于信息整合、實(shí)時(shí)交互和協(xié)同決策。通過融合智能網(wǎng)聯(lián)車輛、路側(cè)設(shè)施及云端平臺(tái)，提供更全面、準(zhǔn)確的交通環(huán)境感知，并協(xié)同交通場(chǎng)景各參與要素進(jìn)行高效的全局智能決策。

在車路云一體化的加持下，道路通行能力得以提升，智能駕駛將變得更加安全。當(dāng)下的自動(dòng)駕駛汽車，仍無法在追求極致安全與道路效率兩者之間形成優(yōu)雅的平衡。當(dāng)每一輛車都成為智能體的時(shí)候，它們各自的決策發(fā)生沖突時(shí)會(huì)形成一種算法博弈。如果兩輛車都決定加速，就可能發(fā)生碰撞；如果同時(shí)減速，效率又會(huì)降低；另外還會(huì)遇到車輛在路口的相互博弈，導(dǎo)致車輛停在路中間，又會(huì)引發(fā)交通擁堵。

車路云一體化作為交通中統(tǒng)一的關(guān)系協(xié)調(diào)方，其價(jià)值正在于通過全局智能決策，成為協(xié)調(diào)各交通要素之間關(guān)系的樞紐，通過借助大模型、深度學(xué)習(xí)等人工智能技術(shù)幫助各方做出更好決策，從而構(gòu)建起良性的交通關(guān)系，保障交通的通行效率和安全性。

該技術(shù)所具備的全天候、低延時(shí)、高精度、超視距、強(qiáng)交互等特點(diǎn)，極大提升了車輛的反應(yīng)速度和決策效率?？梢哉f，車路云一體化不僅代表了技術(shù)的融合，更是對(duì)現(xiàn)有交通系統(tǒng)的一次革命性升級(jí)。

面向未來，車路云一體化或?qū)⒊诤媳倍沸l(wèi)星和路側(cè)設(shè)施的高精度高可靠定位技術(shù)、以視覺識(shí)別和激光雷達(dá)為核心的感知技術(shù)、基于云端大模型的智能網(wǎng)聯(lián)交通分布式云平臺(tái)，以及高級(jí)別自動(dòng)駕駛技術(shù)等多項(xiàng)技術(shù)的方向發(fā)展。

“AI大模型+車路云一體化”的桎梏

雖然AI大模型+車路云一體化為城市交通描繪了一幅未來圖景，但在雙方不斷融合的過程中，還要面臨各種挑戰(zhàn)。

首先，數(shù)據(jù)的共享交互成為影響車路云一體化應(yīng)用效果的重要因素。對(duì)于交通大模型而言，不僅需要海量的交通數(shù)據(jù)，并且對(duì)數(shù)據(jù)的準(zhǔn)確性、可靠性都要求極高。但在現(xiàn)實(shí)中，城市的交通數(shù)據(jù)分散存儲(chǔ)和被管理在不同部門，且有些數(shù)據(jù)存放在內(nèi)網(wǎng)中，不能存放在公網(wǎng)中，數(shù)據(jù)之間無法做到實(shí)時(shí)共享和交互，導(dǎo)致數(shù)據(jù)的可用性受到限制。

同時(shí)，交通管理中的很多問題都涉及到生命安全，也涉及重要交通信息的決策和判斷。但一些大模型在應(yīng)用中還存在“一本正經(jīng)地胡說八道”的情景和結(jié)果，所以在大模型結(jié)果的可靠性上還需要進(jìn)行更加準(zhǔn)確的甄別。而數(shù)據(jù)質(zhì)量直接關(guān)系到大模型的性能和可靠性，這就需要從數(shù)據(jù)的獲取、標(biāo)注、分析、處理等環(huán)節(jié)進(jìn)行把控，保證大模型的數(shù)據(jù)原料都是準(zhǔn)確可靠的。

其次，群體智能協(xié)同控制的決策難題。比如快速路的上下匝道，車一多就形成擁堵，當(dāng)自動(dòng)駕駛車輛過來，如何有效地分配路權(quán)？類似的場(chǎng)景會(huì)有很多，車路云一體化規(guī)劃決策的第一個(gè)障礙就是復(fù)雜路網(wǎng)情況下，如何聚焦到特定場(chǎng)景下進(jìn)行路權(quán)的分配，該以怎樣的目標(biāo)進(jìn)行分配，然后才有軌跡規(guī)劃和車輛控制問題，這還涉及道路智能化等級(jí)、車輛自動(dòng)駕駛等級(jí)的問題。

第三，算法參數(shù)權(quán)重劃分的事故責(zé)任追溯難題。如果車輛因?yàn)槁穫?cè)設(shè)施提供的錯(cuò)誤信息而導(dǎo)致的交通事故，路側(cè)設(shè)備設(shè)施是不是要負(fù)責(zé)？路側(cè)設(shè)備設(shè)施硬件本身沒問題，因?yàn)楣物L(fēng)下雨導(dǎo)致的細(xì)微偏位給出的錯(cuò)誤信息，這些設(shè)備設(shè)施的安裝養(yǎng)護(hù)單位是不是要負(fù)責(zé)？如果是網(wǎng)絡(luò)通訊的原因造成的延遲，那么電訊運(yùn)營商和設(shè)備商是不是要負(fù)責(zé)？如果云端發(fā)出指令導(dǎo)致全局交通癱瘓，或者車輛追尾，那么發(fā)布指令的單位要不要負(fù)責(zé)？

現(xiàn)實(shí)中的責(zé)任界定問題對(duì)應(yīng)的就是車輛做決策規(guī)劃的算法參數(shù)優(yōu)先級(jí)問題。所以行業(yè)標(biāo)準(zhǔn)、對(duì)應(yīng)的法律條文，保險(xiǎn)等等才變得非常重要。

以智慧道路建設(shè)為例，信號(hào)燈數(shù)據(jù)200ms的延遲和1秒的延遲造成的結(jié)果截然不同。同理，對(duì)于不同車輛自動(dòng)駕駛的決策機(jī)制，也要有類似的行業(yè)標(biāo)準(zhǔn)約束。

第四，混合交通流下的全局規(guī)劃難題。L0-L4級(jí)別自動(dòng)駕駛車輛長(zhǎng)期混合存在、C0-C5等級(jí)智能道路混合長(zhǎng)期存在?；旌辖煌飨略斐傻慕煌魑蓙y甚至?xí)档徒煌ㄍㄐ械乃俣?。傳統(tǒng)交通流的理論是基于人類駕駛行為，將車流類比為水流，以流量、密度、速度三者來進(jìn)行表征。

最直接的如車頭時(shí)距的測(cè)算，通過大樣本的人類駕駛員行為觀察是可以得到參數(shù)范圍的。但是混合流狀態(tài)下，這個(gè)參數(shù)受到的影響因素就變得更多了。所以人類駕駛員+自動(dòng)駕駛混合流交通狀態(tài)下的參數(shù)標(biāo)定，在不考慮不同自動(dòng)駕駛決策機(jī)制的前提下，以統(tǒng)一標(biāo)準(zhǔn)要求，簡(jiǎn)化模型后支撐全局的決策分析也是需要經(jīng)過自動(dòng)駕駛車輛普及過程中進(jìn)行實(shí)驗(yàn)及觀測(cè)的。

當(dāng)控制對(duì)象從個(gè)體變成群體，被控對(duì)象本身就是智能化的，這對(duì)傳統(tǒng)交通流理論帶來了新的挑戰(zhàn)。對(duì)應(yīng)的控制理論、優(yōu)化決策的方法也要隨之發(fā)生改變。

大模型在交通行業(yè)中的應(yīng)用，很多應(yīng)用場(chǎng)景的理論邏輯是正確的、通暢的，可以預(yù)見的價(jià)值也是存在的。但即便是市場(chǎng)進(jìn)程比較快的企業(yè)，目前也都還缺乏有說服力的案例實(shí)踐。一項(xiàng)很好的技術(shù)，在工程實(shí)踐后往往也會(huì)出現(xiàn)新的問題。是否是“質(zhì)的改變”還需要經(jīng)過市場(chǎng)和用戶的檢驗(yàn)與認(rèn)可。

大模型確實(shí)可以讓行業(yè)躍遷到一個(gè)全新的階段，但行業(yè)對(duì)于大模型要進(jìn)行理性的判斷，它有能的一面，也有不能的一面。無論是傳統(tǒng)的模型還是當(dāng)下火熱的大模型，都是為了交通最原始的目標(biāo)服務(wù)，即為車流、物流、客流提供更加安全、暢通、舒適的交通服務(wù)，善選工具、善用工具才是行業(yè)應(yīng)該更關(guān)注的事情。