“?！绷o限，AI大模型與車路云一體化將擦出怎樣的火花？

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，人工智能市場的性質正在發生變化，更多的創新和價值創造正在向應用層匯聚。

從“百模大戰”到“降價潮”，從“卷技術”到“卷價格”再到“卷應用”，螞蟻、字節、百度、智譜以及初創企業已經在走各自不同的路了?？梢钥隙ǖ氖牵斎斯ぶ悄苤鸩阶呦虍a業化、專業化分工，大模型已成為各行業“標配”，誰先找到大模型通往產業路徑的“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的新主題，隨著大模型在各行業的深度扎根，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、數據集規模和訓練計算量呈現冪律關系。這意味著在一定范圍內，增大模型規模和數據集規模，能夠顯著提升模型性能。也就是業內常說的：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。而造成這一現象的根本原因在于，全球普遍出現了算力和數據的供給短缺，特別是數據規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無法完成高質量輸出。

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創始人、首席執行官閆俊杰認為，GPT-4存在30%~40%的錯誤率，國內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。

大模型技術的發展似乎陷入了一個惡性循環的怪圈，大模型的性能提升需要大量使用后的數據投喂，但大模型的錯誤率又讓人們不敢大規模使用。如何破局？

業內還發現一個現象，將大模型縮小規模至特定的專業領域，ScalingLaw依然在發揮價值，向專業大模型投喂專業知識庫，模型依舊呈現能力的巨大提升。

聚焦到交通場景，交通是一個非常典型的從感知、認知、到決策、控制的過程。傳統人工智能在里面目前只呈現碎片化應用，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起來，形成更高維度的全局智能，通過對車、路、云、網等交通關鍵節點開展智能協同，形成對交通態勢的全面、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描述并直接發布，這些數據可以連接到導航軟件，將海量的監控圖片、監控數據利用起來。同時，大模型在道路分割、服務區、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、自動取數能力，可對歷史交通數據和實時交通數據進行自動分析和處理，精準定位、判斷某路段和某區域的交通狀況，提供初步、快速的交通決策支持，并結合交通領域專業知識，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。

智能控制優化方面，大模型通過集成和調度車輛監管、交通信號調整、智能導航、智能停車等多種智能服務，實現交通系統的動態優化和智能化服務，提高交通治理效率和安全性。

車路云一體化是全局最優解嗎？

隨著城市的日益發展，交通基礎設施老化滯后、城市化進程加速、車輛爆發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。

從車路云一體化發展路徑來看，主要包括以下四個發展階段。

第一階段是信息交互協同。該階段主要實現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。

第二階段是協同感知。該階段在信息交互協同的基礎上，進一步利用車載和路側的感知設備（如攝像頭、雷達等），對道路交通環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、更準確的環境信息。

該階段的協同感知可以分為“初級協同感知”和“高級協同感知”兩個方面，區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。

第三階段是協同決策控制。在協同感知的基礎上，進一步實現道路對車輛、交通的決策控制，包括對車輛的導航、速度、車道、轉向等進行指導或干預，以及對交通信號、交通流等進行優化或調節，從而保障自動駕駛的安全、提高交通效率。

該階段的協同決策控制可以分為“有條件協同決策控制”和“完全協同決策控制”兩個方面，區別在于協同決策控制的適用范圍、程度、復雜度等方面的差異。有條件協同決策控制只能在自動駕駛專用道、封閉園區等環境下或實現自主泊車等功能時實現；完全協同決策控制則能夠在任何時間、任何道路和交通環境下，都可實現車路全面協同感知、協同決策控制功能。

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、實時交互和協同決策。通過融合智能網聯車輛、路側設施及云端平臺，提供更全面、準確的交通環境感知，并協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，又會引發交通擁堵。

車路云一體化作為交通中統一的關系協調方，其價值正在于通過全局智能決策，成為協調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，更是對現有交通系統的一次革命性升級。

面向未來，車路云一體化或將朝著融合北斗衛星和路側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聯交通分布式云平臺，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。

首先，數據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據，并且對數據的準確性、可靠性都要求極高。但在現實中，城市的交通數據分散存儲和被管理在不同部門，且有些數據存放在內網中，不能存放在公網中，數據之間無法做到實時共享和交互，導致數據的可用性受到限制。

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“一本正經地胡說八道”的情景和結果，所以在大模型結果的可靠性上還需要進行更加準確的甄別。而數據質量直接關系到大模型的性能和可靠性，這就需要從數據的獲取、標注、分析、處理等環節進行把控，保證大模型的數據原料都是準確可靠的。

其次，群體智能協同控制的決策難題。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？類似的場景會有很多，車路云一體化規劃決策的第一個障礙就是復雜路網情況下，如何聚焦到特定場景下進行路權的分配，該以怎樣的目標進行分配，然后才有軌跡規劃和車輛控制問題，這還涉及道路智能化等級、車輛自動駕駛等級的問題。

第三，算法參數權重劃分的事故責任追溯難題。如果車輛因為路側設施提供的錯誤信息而導致的交通事故，路側設備設施是不是要負責？路側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護單位是不是要負責？如果是網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？如果云端發出指令導致全局交通癱瘓，或者車輛追尾，那么發布指令的單位要不要負責？

現實中的責任界定問題對應的就是車輛做決策規劃的算法參數優先級問題。所以行業標準、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，信號燈數據200ms的延遲和1秒的延遲造成的結果截然不同。同理，對于不同車輛自動駕駛的決策機制，也要有類似的行業標準約束。

第四，混合交通流下的全局規劃難題。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?；旌辖煌飨略斐傻慕煌魑蓙y甚至會降低交通通行的速度。傳統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范圍的。但是混合流狀態下，這個參數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下的參數標定，在不考慮不同自動駕駛決策機制的前提下，以統一標準要求，簡化模型后支撐全局的決策分析也是需要經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，這對傳統交通流理論帶來了新的挑戰。對應的控制理論、優化決策的方法也要隨之發生改變。

大模型在交通行業中的應用，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，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新的問題。是否是“質的改變”還需要經過市場和用戶的檢驗與認可。

大模型確實可以讓行業躍遷到一個全新的階段，但行業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、善用工具才是行業應該更關注的事情。