人們總是高估未來兩年的變化，低估未來十年的變革。

隨著技術迭代曲線放緩、基礎大模型賽道的競爭格局企穩(wěn)，人工智能市場的性質(zhì)正在發(fā)生變化，更多的創(chuàng)新和價值創(chuàng)造正在向應用層匯聚。

從“百模大戰(zhàn)”到“降價潮”，從“卷技術”到“卷價格”再到“卷應用”，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?，當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)“標配”，誰先找到大模型通往產(chǎn)業(yè)路徑的“鑰匙”，誰就有機會喝到“頭啖湯”。

如今，車路云一體化成為當下交通行業(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）是被人工智能領域普遍接受的冪律增長，即：模型的性能隨著模型大小、數(shù)據(jù)集規(guī)模和訓練計算量呈現(xiàn)冪律關系。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，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。機器吃不飽，就導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器幻覺、高錯誤率的問題。MiniMax創(chuàng)始人、首席執(zhí)行官閆俊杰認為，GPT-4存在30%~40%的錯誤率，國內(nèi)大模型整體上也存在60%~70%的錯誤率，要想讓AI從一個輔助人類的工具到能獨立完成工作，為社會創(chuàng)造更大的價值，最核心的一點是整體降低大模型的錯誤率。

大模型技術的發(fā)展似乎陷入了一個惡性循環(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)一個現(xiàn)象，將大模型縮小規(guī)模至特定的專業(yè)領域，ScalingLaw依然在發(fā)揮價值，向?qū)I(yè)大模型投喂專業(yè)知識庫，模型依舊呈現(xiàn)能力的巨大提升。

聚焦到交通場景，交通是一個非常典型的從感知、認知、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)碎片化應用，比如識別信號燈、識別違章等。想要真正解決問題，需要用大模型這一根線，把車流、道路、交通信號等所有的散點串聯(lián)起來，形成更高維度的全局智能，通過對車、路、云、網(wǎng)等交通關鍵節(jié)點開展智能協(xié)同，形成對交通態(tài)勢的全面、及時、精準的感知、控制與決策。

交通感知方面，大模型可以進行道路路況識別和車輛車流密度檢測?；谀硯嬅嫔僧斍奥窙r描述并直接發(fā)布，這些數(shù)據(jù)可以連接到導航軟件，將海量的監(jiān)控圖片、監(jiān)控數(shù)據(jù)利用起來。同時，大模型在道路分割、服務區(qū)、停車場余位識別、交通事件檢測等方面也有所應用，可做到讓視頻監(jiān)測真正免配置，大幅提升檢測準確率。

交通治理方面，通過大模型的語義理解、泛化推理、自動取數(shù)能力，可對歷史交通數(shù)據(jù)和實時交通數(shù)據(jù)進行自動分析和處理，精準定位、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)合交通領域?qū)I(yè)知識，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，開展方案測試和評估。

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、交通信號調(diào)整、智能導航、智能停車等多種智能服務，實現(xiàn)交通系統(tǒng)的動態(tài)優(yōu)化和智能化服務，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，交通基礎設施老化滯后、城市化進程加速、車輛爆發(fā)式增長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系，提升交通治理效能，而車路云一體化正是作為這個智能樞紐被提了出來。

從車路云一體化發(fā)展路徑來看，主要包括以下四個發(fā)展階段。

第一階段是信息交互協(xié)同。該階段主要實現(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、限速標志、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)同的基礎上，進一步利用車載和路側(cè)的感知設備（如攝像頭、雷達等），對道路交通環(huán)境進行實時高精度的感知定位，從而為自動駕駛提供更全面、更準確的環(huán)境信息。

該階段的協(xié)同感知可以分為“初級協(xié)同感知”和“高級協(xié)同感知”兩個方面，區(qū)別在于道路感知設施的部署范圍、類型、精度等方面的差異。初級協(xié)同感知的道路感知設施相對單一、部署范圍有限、檢測識別準確率較低、定位精度較低，只能服務于L3級以下的自動駕駛車輛；高級協(xié)同感知的道路感知設施多樣、道路全面覆蓋、檢測識別準確率高、定位精度高,能夠服務于L4級以上的自動駕駛車輛。

第三階段是協(xié)同決策控制。在協(xié)同感知的基礎上，進一步實現(xiàn)道路對車輛、交通的決策控制，包括對車輛的導航、速度、車道、轉(zhuǎn)向等進行指導或干預，以及對交通信號、交通流等進行優(yōu)化或調(diào)節(jié)，從而保障自動駕駛的安全、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”兩個方面，區(qū)別在于協(xié)同決策控制的適用范圍、程度、復雜度等方面的差異。有條件協(xié)同決策控制只能在自動駕駛專用道、封閉園區(qū)等環(huán)境下或?qū)崿F(xiàn)自主泊車等功能時實現(xiàn)；完全協(xié)同決策控制則能夠在任何時間、任何道路和交通環(huán)境下，都可實現(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、實時交互和協(xié)同決策。通過融合智能網(wǎng)聯(lián)車輛、路側(cè)設施及云端平臺，提供更全面、準確的交通環(huán)境感知，并協(xié)同交通場景各參與要素進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。當下的自動駕駛汽車，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。當每一輛車都成為智能體的時候，它們各自的決策發(fā)生沖突時會形成一種算法博弈。如果兩輛車都決定加速，就可能發(fā)生碰撞；如果同時減速，效率又會降低；另外還會遇到車輛在路口的相互博弈，導致車輛停在路中間，又會引發(fā)交通擁堵。

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

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

面向未來，車路云一體化或?qū)⒊诤媳倍沸l(wèi)星和路側(cè)設施的高精度高可靠定位技術、以視覺識別和激光雷達為核心的感知技術、基于云端大模型的智能網(wǎng)聯(lián)交通分布式云平臺，以及高級別自動駕駛技術等多項技術的方向發(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用效果的重要因素。對于交通大模型而言，不僅需要海量的交通數(shù)據(jù)，并且對數(shù)據(jù)的準確性、可靠性都要求極高。但在現(xiàn)實中，城市的交通數(shù)據(jù)分散存儲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)之間無法做到實時共享和交互，導致數(shù)據(jù)的可用性受到限制。

同時，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行更加準確的甄別。而數(shù)據(jù)質(zhì)量直接關系到大模型的性能和可靠性，這就需要從數(shù)據(jù)的獲取、標注、分析、處理等環(huán)節(jié)進行把控，保證大模型的數(shù)據(jù)原料都是準確可靠的。

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，當自動駕駛車輛過來，如何有效地分配路權(quán)？類似的場景會有很多，車路云一體化規(guī)劃決策的第一個障礙就是復雜路網(wǎng)情況下，如何聚焦到特定場景下進行路權(quán)的分配，該以怎樣的目標進行分配，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、車輛自動駕駛等級的問題。

第三，算法參數(shù)權(quán)重劃分的事故責任追溯難題。如果車輛因為路側(cè)設施提供的錯誤信息而導致的交通事故，路側(cè)設備設施是不是要負責？路側(cè)設備設施硬件本身沒問題，因為刮風下雨導致的細微偏位給出的錯誤信息，這些設備設施的安裝養(yǎng)護單位是不是要負責？如果是網(wǎng)絡通訊的原因造成的延遲，那么電訊運營商和設備商是不是要負責？如果云端發(fā)出指令導致全局交通癱瘓，或者車輛追尾，那么發(fā)布指令的單位要不要負責？

現(xiàn)實中的責任界定問題對應的就是車輛做決策規(guī)劃的算法參數(shù)優(yōu)先級問題。所以行業(yè)標準、對應的法律條文，保險等等才變得非常重要。

以智慧道路建設為例，信號燈數(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，對于不同車輛自動駕駛的決策機制，也要有類似的行業(yè)標準約束。

第四，混合交通流下的全局規(guī)劃難題。L0-L4級別自動駕駛車輛長期混合存在、C0-C5等級智能道路混合長期存在。混合交通流下造成的交通流紊亂甚至會降低交通通行的速度。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、速度三者來進行表征。

最直接的如車頭時距的測算，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+自動駕駛混合流交通狀態(tài)下的參數(shù)標定，在不考慮不同自動駕駛決策機制的前提下，以統(tǒng)一標準要求，簡化模型后支撐全局的決策分析也是需要經(jīng)過自動駕駛車輛普及過程中進行實驗及觀測的。

當控制對象從個體變成群體，被控對象本身就是智能化的，這對傳統(tǒng)交通流理論帶來了新的挑戰(zhàn)。對應的控制理論、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)中的應用，很多應用場景的理論邏輯是正確的、通暢的，可以預見的價值也是存在的。但即便是市場進程比較快的企業(yè)，目前也都還缺乏有說服力的案例實踐。一項很好的技術，在工程實踐后往往也會出現(xiàn)新的問題。是否是“質(zhì)的改變”還需要經(jīng)過市場和用戶的檢驗與認可。

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