互联网科技企业发力智能交通市场迄今已有接近八年时间。

过去这些年，智能交通市场参与者数量持续增加，作为非常重要的产业角色，尽管在这个发展过程中有过不少的争议，也经历水土不服的过程，但不可否认的是互联网企业对深入交通科技市场是敢于投入的，探索性的打造了众多智能交通产品，将AI、大数据、云计算、互联网等技术积极的融入行业发展之中。

2023年，智能交通市场投资经济环境恶化，但百度智能交通依然活跃。

今年以来，百度智能交通有三个非常重要的代表性事件和发展动态：

3月，百度正式发布“文心一言”，AI大模型时代大幕拉起。随后，百度陆续发布了“基于交通大模型的全域信控缓堵解决方案”；高速行业首个智慧公路AI数字人 “简璐璐”。

6月，百度对智能交通事业部（ACE）进行了组织架构调整。智能交通事业部由智能驾驶事业群组（IDG）转入智能云事业群组（ACG）。2022年底新进加盟百度的原四维图新副总裁、世纪高通总经理石清华，担任智能交通事业部组织负责人。一时间，关于百度智能交通业务下一步如何发展、百度大模型技术与交通行业如何结合成为关注焦点。

9月5日，2023百度云智大会召开，ACE智能交通引擎3.0发布。ACE智能交通引擎是百度在智能交通领域的整体解决方案，核心技术框架。

2020年，ACE智能交通引擎1.0的发布明确了百度“车路云图”的智能交通基础能力建设框架。2021年，ACE智能交通引擎2.0对解决方案进行了细化，提出了智能网联、智慧交管、智慧高速、智慧停车等行业细分场景的解决方案。

这次发布的ACE智能交通引擎3.0重点基于大模型技术对智能交通解决方案进行了重构，提出了交通大脑大模型、全域信控大模型、智慧高速大模型等智能交通细分应用场景，意欲打造超过百亿参数的交通大模型，力求在交通感知、交通认知、交通预知、交通知识、交通交互等方面能力进行提升。

ACE 3.0采用1+1+N架构：

* 在基础层，百度实现了车、路、云、图全栈核心技术闭环，也是目前全球范围内唯一做到了的科技企业；

* 在模型层，百度基于业内领先的视觉大模型、语言大模型和跨模态大模型技术，打造了交通行业大模型，有效提升了交通感知能力、交通认知能力和交通预知能力；

* 在应用层，ACE 3.0智能交通交通解决方案有效赋能网联、交管、高速、停车等行业应用，让交通更安全、更高效、更便捷。

赛文交通网CEO徐赫与百度副总裁、百度智慧交通事业部（ACE）总经理石清华对话，就百度如何理解大模型在交通领域的应用、ACE 3.0升级重构以及ACE部门调整后，百度智慧交通的发展思路等问题进行独家专访。

赛文交通网：百度ACE智能交通引擎2.0到3.0的变化

石清华：最大的变化是用交通大模型把交通领域的数据、知识图谱，应用全部重构了。

说变化，可能还要提一下ACE在交通领域之前干了些啥。之前我们一直是把“车路云图”各自在专业领域里边应用越做越深。在做这个过程中我们就积累下来了几个东西。

第一是数据，数据主要积累了三样数据。

【图和路的数据、业务流程的知识图谱、决策类数据】

· 第一个数据特指的是图和路的数据。图是真实的、静态的、高精度地图。路是真实的、动态的摄像头的数据。把这两个数据加在一块，基本上等同于真实世界的物理表征数据，已经积累了很多年。

· 第二类数据是业务流程的知识图谱。不管是给城市治理服务，还是给车厂做V2X服务，还是给交管做缓堵和事故防控，还是给高速交警去做安全服务等等，这些工作积累了大量的交通治理业务流程。这些业务流程恰好是有能够把这些数据给它串起来的一个规制的标准，这叫做业务流程的知识图谱。

· 第三类数据是城市治理后的对与错的评判数据（决策类数据）。比如这是不是一个事故，（如果）是事故，它的影响面有多大，它在当时往后推延缓堵了两公里。它是不是事故，如果它是，它对于自动驾驶有什么样的影响。它是不是事故，如果不是事故，最多叫做事件，它可能不会起到特别大的、拥堵的、致命的作用，但是它对于自动驾驶是有关联影响的。这些对与错的评判数据也是积累了很多。

这是产生数据的基础。恰好百度本身也有了千卡集群、万卡集群，提供了充沛的算力。在这里边不管我们怎么做车，怎么做路，怎么做图，怎么做云，它最终要服务的其实还是两个，交通的治理者和交通的参与服务者。

我们现在做的事情就是用大模型把“车路云图”积累下来的数据，包括原始数据、知识图谱数据和责任认定的数据给它消化，产生一定的判别、理解和结果的生成能力，把它统一重构，在此之上再对交通治理来服务，再对自动驾驶、辅助驾驶来服务，再对交通的自然参与者来服务。

最主要的变化，一句话来说，用交通大模型把我们之前做的“车路云图”给解构、重构了。

赛文交通网：大模型在交通领域的应用特征

石清华：通用大模型我们可以理解成为高中毕业生，高中毕业生开始学习的东西挺泛化的、挺通用的，当它一旦进入大学的时候就开始分科，有的学工科，有的学理科，有的学计算机，有的学金融。如果把通用大模型理解成为高中生，交通大模型至少是一个硕士、博士生。

假如这个城市的1200路摄像头积攒出来的渠化信息，用这些渠化的信息预测明天能把车机延误降低五个百分点的红绿灯配时信息出来，问这个问题，如果它回答得出来，这是一个专业的交通大模型应该回答出来的。

大模型它是有一定的思维链的理解能力的，并且能够把这个思维链给它拆解成为一个一个的动作，然后再用这些动作的执行抓取一些数据，然后再反向地给它组装成为你要问的那个问题的答案，这是一个大模型的典型特征。

假如我们问个问题，你问一个数字人，假如说现在是9点，今天早上11点钟，这个城市有可能堵的点在哪里？那么它会来组装答案，首先把这个城市里常规的堵点抓取出来的，按照现在的交通流量来进行一个Python计算，来进行一个预测，看是不是形成拥堵的。

回答的答案应该是图文并茂的，比如说我们这个城市常规的拥堵点是什么，生成的图出来了之后，常规拥堵点在这里边以一个小红点表征它。然后再问，近一个月以来常规拥堵点在早上11点的时候应该是哪一些，答案出来了。然后预测现在的交通流量，哪里堵，哪里不堵，分别是哪一些。根据这些综合信息来看，可能这些是高发并堵的区域，所以说它是有理解能力和推演能力的，它的理解能力和推演能力是靠思维链的拆解做出来的。这个就是数字人最大的一个表征了。

赛文交通网：大模型对智能交通的技术提升和业务改进

石清华：为了做百度ACE3.0的发布，我们之前写了很多的支撑性材料，就是论证大模型在交通行业里到底是有质的改变，还是概念上的套娃。

我们讨论出来了三个可能性，讨论这三个可能性的前提是先讨论交通行业是否适合大模型，是否能用得上，是否有足够的数据支撑，是否有足够的知识沉淀支撑。我们一般说智慧行业，特别在城市治理相关的（行业），智慧交通是先行的。

第一、海量的、结构化的视频数据支撑

大概有十多年的积累，积累了很多结构化的数据，并且现在我们在城市交通里面的电警卡口，那些数据基本是结构化的，这些结构化的数据在全国660多个城市基本全上了。这就构成了一个非常海量的数据基础。

第二、标准化的业务流程沉淀出知识图谱和业务处置结果数据支撑

交通业务的复杂性出奇得高，同时它业务的规整性也是出奇得高。比如我们做交通，特别是城市交通，情指勤督宣，每一个后面都有一个非常规整的、标准化的业务流程，这些业务流程足以沉淀出来各种各样的知识图谱。

这个业务流程沉淀下来之后，业务流程处置的结果也沉淀下来了，这个就具备了在交通行业里面比语言大模型更深的数据了，这是一个基础。

第三、语言大模型、CV大模型和跨模态大模型的支撑

要把交通大模型做好，这里需要用到三种大模型。

第一个是语言大模型，最主要是来消化交通业务里或者交通行业里业务处置流程的知识图谱；同时消化交通处置，满足这个流程处置的结果，就各种报告。比如事故处置报告、事故的认责报告、交通调度的结果等等，这就有足够多的算力支撑它。

还有CV大模型（视觉大模型）。视觉大模型就是去处理各种各样的摄像头数据或者感知数据。

还有一类是跨模态大模型，跨模态大模型主要做输出用。比如我们语言的消化理解，弄完了之后，输出一个图文并茂的报告。

论证完的结果是这三类大模型在交通领域都有充足的、海量的、结构化的、带有语义的数据，去训练它。

交通大模型的诞生对交通行业是否有足够多的应用场景。

从大模型的特性上有三类场景，对于大模型是有颠覆性的。第一个是感知问题，第二个是认知问题，第三个是预知问题。这三个分别应对了三个真实的场景。

比如感知问题，在路上挂的这些摄像头，很类似于十年前的功能机，它就是在这里数过往的车。还有一些交警的摄像头，做违章执法的；还有比如平安城市的摄像头；还有非机动车的摄像头，去识别非机动车。Anyway，它都有一个共同的特性，小算力、专用场景，极其类似于十年前的功能手机。

现在政府在强推交通强国，在很认真地研讨智能网联装置，是不是预示未来路上的交通感知设备也得具有通用能力、智慧化的能力、OTA的能力。那么五年、十年之后，路上的摄像头是不是统一制式的，它是不是有充沛的算力、充沛的理解能力、充沛的感知能力、充沛的判断能力？如果有，这肯定是交通领域带有理解能力和一部分推演能力的视觉交通大模型所支撑的交通专用的通用摄像头。这个叫做交通大模型的CV大模型能力，对于路侧设施的一个质的改变和飞跃。

再看一些细的特性，现在路上的摄像头能识别10个、8个、12个、14个要素。那么，未来它是不是能够需要识别人车路、线杆牌的200个、300个要素。识别完之后，它是不是还得有一定的理解能力，比如这个叫做超车，那个叫做别车，那个叫恶意的从快速道上面行驶，或者在不能够行驶的车道上面走的，它这种理解能力可能就会存在了。我们觉得这个可能对于交通行业是一个质的变化。

第二，每个城市有老交警和年轻的交警，老交警具备单独去处理的能力。为什么呢？是因为他对这个片区的路很熟了，对这些系统和平台很熟了，所以他对情况的判断有足够的经验。

那么，交通大模型在云端是否能够消化吸收这些知识，让交通的判断、处理更加的简单一些，有没有这个可能性？有的。

交通领域AI或者大模型扮演的角色是对于情况的全面的理解和表征。所以它的目标很简单，越来越多的现场资料，越来越多的历史资料，它要把这个情况全面地表征出来。人的角色主要是在上面做判断，这是第二个可能产生的质的变化。

第三个其实是一种交互。我们建了很多城市大脑、交通小脑，它的终端一般情况下都是在指挥室里，在大屏上面，在操作的小屏幕里边，并且它对于现场的及时反馈不是那么及时。

对于交互是否能够产生质的变化呢？说实话，不是很清晰，但是最起码有一点是可以论证的，未来是有可能把城市里交通大脑的终端给小型化、便携化，让大家都能够带得上去，交通治理也可以在上面查询情况，交通判断也可以在上面查询情况。

从这三个方面来说，最后我们得出的一个统一的结论，大模型在交通里面的落地，基本上就是一个未来了。

赛文交通网：智慧交通事业部（ACE）组织架构调整后的发展目标

石清华：为什么这样调整，原因很简单，就是因为大模型。

在之前我们也做了很长时间的探讨，百度集团也做了一些行业里的预测，我们预测大模型在交通里应用的速度可能会比较快，所以需要我们ACE团队快速地拥抱大模型，快速地把自己在大模型里的研发能力、应用的改造能力、落地能力快速地武装起来，这是我们的目标。

业务上的目标，我们希望用大模型把产品和解决方案能够务实地、落地地帮助客户解决两个核心指标：第一、路上的缓堵问题；第二、路上的事故降低的问题。帮助车厂迅速地得到城市里影响驾驶的V2X的服务。

同时，在车路协同里，我们也希望用大模型把车路协同之前的路上的设备、云控平台，给车发的V2X的服务组都迅速地覆盖掉，这是我们的业务目标，并且是要能够做出落地的城市计划和车辆覆盖计划。