展开深度讨论

赛文交通网 智能交通 智慧城市

近日，在赛文交通网主办的2023年智能交通行业年终盛典“超级直播日”中，由赛文研究院高级研究院高猛主持了“超级访问”环节，百度智能交通首席科学家聂小建、高德地图未来交通研究中心主任苏岳龙、中科视语（北京）科技有限公司联合创始人张腊、佳都科技首席AI科学家王凯围绕“共探交通大模型市场机遇和挑战”这一话题展开了讨论。

他们的部分观点：

◼ 大模型究竟能否解决行业的实际问题，更多应该思考其是否能够解决传统AI不擅长、不能够解决的问题。如果这两点都不能满足的话，那么大模型很可能只是披着创新外壳的概念炒作。

◼ 大模型赛道有处于技术引领状态的特点。市场处于论证的过程，普遍出现论证多、采购少，也是合理的现象，行业生态的合理生产过程必然要经过这一环节，大模型的发展也要直面这个问题。

◼ 大模型能否快速规模化要取决于其在应用层面能够产生什么样的效果，是否能很好地和业务进行结合，将综合性价比发挥出来。

◼ 保持技术和产业的更高频次的碰撞，让大模型技术从探索性快速转变为刚需性，是解决变现问题的根本，重视以大模型为技术轴心的商业模式的探索。

◼ 在2024年，大模型要打好基础，把效果做出来，能够较为完整地解决行业内的实际问题，让用户能够看到解决方案的综合性价比。

◼ 大模型在应用后，要从提质、增效两个维度考虑和验证其实际应用效果，是否真正解决了行业的痛点难题。

……

赛文交通网：首先请四位嘉宾谈一下对于大模型的看法，大模型究竟能给交通行业带来实质性的改变还是只是概念的炒作？

聂小建：对于大模型在交通领域中的应用，我的态度相对比较乐观。可以说大模型代表了一次AI技术的进步或跨越。

回看过去智能交通的发展史，我们使用的视频处理、违章识别等技术用到了很多AI算法。和以往技术不同的地方在于，大模型未来的发展方向是通用性的。过去交通行业有很多专业性的小模型，但交通行业的细分业务场景非常多，如果仅依靠建立小模型解决问题，那么生产效率相对低下。

从理论上来说，由于大模型具有极强的推理能力和泛化能力，能够很好地帮助我们解决小模型的碎片化问题。当然，由于要系统性解决交通问题是非常复杂的，大模型未来的发展过程可能相对比较缓慢，但确实是一个比较好的研究方向。具体来说，还是需要更加真实、准确的数据，配套相应的算力、算法进行支撑，才能将这件事情做好。

苏岳龙：目前大家看到的有关大模型的应用，如数字人生成交通报告等，只是大模型在交通行业的表征应用。从目前来看，大模型似乎没有解决实际的交通问题，但我很坚定地认为大模型未来在交通行业一定大有作为，我们可以通过大模型解决行业内一些非常棘手的问题。

高德更多将关注点聚焦于交通出行预测方面，如短时交通流预测、节假日长时交通流预测、为高速业主制定应急保障方案等，我们认为在交通需求检测场景下，大模型大有可为。我们希望在大模型的加持下，能够让公众出行更美好，让城市交通管理者的治理更高效。

张腊：我很赞同苏总的观点，对于大模型我们也持比较乐观的态度。当前，国内大模型正处于热潮发展阶段，目前处于百家争鸣的状态，不断有新的厂家加入大模型的赛道，也不断有新的大模型成果发布出来。

我们认为大模型这样的前沿科技能否真正带来实质性的改变，主要在于其技术特点及能够解决的问题是否能与交通行业的痛点问题相匹配。

在AI赋能交通行业的飞速发展阶段，最头疼的主要为两个问题。第一个是数据问题，包含困难样本的采集，以及需要大量标注的人力问题。第二个是通用性、泛化性的相关问题，我们需要根据不同细分的场景去维护不同的模型，导致维护工作复杂且繁琐。

因此，大家都期望能够有一个范式来解决大部分甚至所有的问题。比如交通隐患事件的监测任务，抛洒物，积雪积水，压导流线，拥堵，违规变道等等，都需要进行单独的模型训练和优化，为此，我们需要不断地更新维护一个非常庞大的模型算法仓。

而大模型技术能够通过海量的多场景多数据学习，非常擅长解决长尾问题及泛化性问题，可成为通用、泛化性非常强的模型底座。

我们在研发的过程中就发现一个有意思的事情，对于我们已经训练好的通用模型，给到一个违规行为图片，大模型在没有进行该领域数据的训练之前就能给出非常准确的答案。

因此，我们认为大模型作为通用底层技术，将来能够势必会成为AI智能领域的基座建设。从技术特点的可行性来说是可以给交通行业带来一些实质性的改变的。

王凯：每个人心中对于“大模型”这三个字的定义可能都不完全一致，因此我认为首先我们要对大模型有一个共识。

“大模型”这个名词最早是2020年由智源研究院正式提出来的，然后才开始进入大家视野。2021年6月，智源研究院发布的“悟道2.0”大模型是全球最大参数规模的大模型，拥有1.75万亿参数，紧接着在2021年11月，阿里推出了10万亿参数的预训练大模型M6。

虽然都叫作大模型，但这样超大参数规模的大模型和我们今天所说的大模型并不完全一样。我们今天所说的大模型很大程度上是特指follow OpenAI Decode技术路线，具有生成式能力的大模型。

大模型究竟能否解决行业的实际问题，更多应该思考其是否能够解决传统AI不擅长、不能够解决的问题。如果这两点都不能满足的话，那么大模型很可能只是披着创新外壳的概念炒作。

大家都知道，地铁智能客服这个产品一直存在，但始终需要人工在旁边进行辅助。佳都科技承建了某个中部城市地铁的智能客服系统的建设，随着模型能力的提升，我们替换了全线100%的人工客服，实现了全线客户服务的无人值守，这是我们认为由于交互效果的提升所带来和之前AI解决方案不同的地方。

智能运维方面，由于佳都科技承建了部分交通系统的建设工作，我们掌握了这些设备的数据和状态，我们可基于时空大模型的对话式交互功能与生产系统进行紧密结合，打通从设备故障诊断到及时、快速解决故障的全链路方案，能够真正提升生产系统的效率。因此我们认为通过和生产系统的紧密耦合，大模型可以切实解决行业内的实际问题。

赛文交通网：因为推出的时间还比较短，我们看到大模型目前主要是一些技术演示，和真实场景结合的很少，但是只有和真实的场景结合才能解决交通实际问题，也想请教下各位专家，您了解的当前大模型已落地的应用场景有哪些？未来可能能赋能哪些交通场景？

聂小建：围绕智能交通和交通管理有很多场景。从UI交互来看，目前还不是特别的流畅方便。

比如要在指挥大屏上找一个特定的摄像头，在过去需要打开网页并进行一些列操作才能完成，而现在无需其他繁琐的操作，通过语音或LP大模型即可将指令转换成具体要求让电脑来执行，效率还是非常高的。这对于指挥调度人员来说，是非常高效的互动方式，因此在UI交互层面看，我认为还有很多工作值得进一步优化。

专业报告生成方面，我们拥有很多导航地图的拥堵数据，通过大模型能够定期生成图文并茂的报告，这也是大模型非常擅长处理的内容。

交通管理工作中有很多宣传教育、培训等业务，通过大模型的生成能力能够很好地解决这些问题。大模型能够大大减少前期工作人员的时间投入，且能够提供比较好的思考维度和思考框架，这些是我认为大模型未来值得深入挖掘的地方。

此外，大模型也能帮助我们解决行业内的长尾问题，如自动驾驶、交通管理工作中的隐患排查、违法事故识别等，这些都是值得探索的方向。

苏岳龙：高德基于时空信息与行业数据深度融合的人地时空大模型，将其作为交通行业垂直大模型的数据底盘，构建了整体思路框架。

基于高德地图的人地时空大模型可以理解为高德云图公司级别的战略，我们将人地时空大模型作为数据中台，在此之上进行交通行业垂直应用大模型的开发，聚焦于四方面能力的提升。一是精准感知，在检测器相对稀疏的条件下，通过大模型构建全域、全量的交通流精准感知能力。

二是精准分析，刚刚提到的高精度的长短时交通流预测能力作为基础，需要大模型提供非常强大的实时分析、大尺度时空序列数据的能力。

三是精细管理，再有了非常好的历史数据的条件下，我们能够对未来的出行进行精确预测，构建可弹性扩展的交通医生，服务交通精细化管理的挑战，也将在高德地图城市交通评审制系统中进行业务层面的落地。

四是精心服务，动态精准识别不同出行方式的匹配关系，同时构建基于交通物流动态均衡分配的路径规划引擎，让出行更加顺畅，我们认为基于大模型有可能实现让城市出行更加平稳、顺畅。

赛文交通网：刚才提到了应用场景，大模型要想成功应用，除了技术外，数据质量、基础业务系统的完善性等，对交通大模型同样至关重要，所以也请各位专家帮我们梳理下，交通大模型要想成功应用，需要做好哪些准备工作？

张腊：首先是战略规划，战略规划是成功应用的第一步。大模型是一个长期且需要不断投入的技术布局。因此，企业需要结合自身技术实力及行业背景来制定大模型相关的战略规划。

中科视语的愿景是以卓越的技术，构建交通数智化服务新范式。视语本身也有非常夯实的自研技术实力。这促进了我们较早布局了交通行业大模型，并发布了秦岭·秦川交通大模型。

其次是算力建设，基础建设是大模型应用必要的投入。大模型的布局需要很大的算力支撑，需要选择对企业友好的算力建设方案。

举个例子，千亿级的参数需要100P以上的算力训大概4个月以上，视语作为中小型企业，直接建设算力中心并不现实，因此我们采用了与算力中心进行合作的模式，来用于保证算力的基础供应。

再者是产业结合，前沿科技的成功落地一定离不开产业的理解。企业需要时刻深入一线让技术与产业持续保持对话，这样产生的碰撞才能让技术在发展过程中更加贴合产业的需求，也能让市场对科技保持较高的敏感性和理解性。在推进过程中，产业和技术结合产生的良性循环才能够让大模型得到成功的应用。

王凯：我在张腊总的基础上补充一些其他观点。佳都科技在研发知行大模型时用到了很多交通行业的标准规范、年鉴、专家知识库等，我们的第一个观点是在构建交通大模型的过程中，需要和行业的协会、高校、科研机构密切合作，共建行业数据集和专业的知识库。

第二点是在有了开放、共建的心态后，需要构建基于社区的开源生态体系。佳都知行的部分模型版本已经在GitHub上进行开源，我们希望通过开源、开放来繁荣生态的建设。

第三点是需要公平、公正的第三方评测标准。我们对于国内的大模型进行了复盘，发现提出交通大模型的单位和机构超过十家，因此如何评估、衡量交通大模型的好坏或能力的强弱是未来的关键所在。我们认为需要公开、公正的第三方评测标准，这一点可以参考金融、法律等行业大模型。

基于行业需求，前不久，佳都科技和中国信通院、智源研究院、智谱AI等单位作为联合体中标了工信部面向人工智能大模型工程化技术及应用的产业公共服务平台，目标是打通大模型落地的最后一公里。佳都科技主要做的工作就是解决模型开放、模型测试、模型治理等产业需求。

赛文交通网：接下来说一些实际的问题，目前经济环境不景气，在这种情况下，即便大模型能产生实际价值，但能否变现也尚未可知，各位如何看待交通大模型的变现问题？（如业主本地定制化需求、业主买单能力、变现额度等）

聂小建：对于百度来说，在一项新技术出现时，变现只是我们考虑的一个方面，另一方面我们也在考虑这项新技术是否能带动上层应用或行业的发展，是否具有市场性的行为。

在公司层面，百度对于大模型非常重视。我们拥有自己的芯片、模型架构层、训练层和应用层，目前正在积极拓展大模型和各行业的结合。

变现方面，我认为更多要看大模型在应用层面能够产生多少价值，综合性价比如何，客户是否愿意买单等商业化问题。具体来说，可以通过交警、科研单位等是否愿意投入资源进行探索来进行判断，大模型的市场探索性我认为是存在的。

至于大模型能否快速规模化要取决于其在应用层面能够产生什么样的效果，是否能很好地和业务进行结合，将综合性价比发挥出来。

苏岳龙：高德云图时空大模型是公司级别的战略方向。具体到变现问题，我理解有有两种方式，也是两个步骤。

首先，我们希望通过垂直的交通行业大模型提升我们在城市交通运行和高速公路运营产品的数据质量和生成效率，对我们自身产品提质增效。通过大模型，使系统数据更加准确，数据生成更加高效，功能更加丰富，吸引更多的交警、高速等业主客户。

更重要的是能够增加用户粘性，让目前已经使用了我们系统或服务的客户有耳目一新的感觉，能够看到数据质量、数据生成效果、交互方式或报告生成效率的稳步提升，将现有基本盘稳住，提质增效。

其实是大模型本身要能输出更加丰富的API，长短时交通流预测、交通出行方式预测、公共交通线网优化要用到的底层数据支持，要能够通过大模型作为API数据接口进行输出。我们认为应当在将这些基础工作做好后，再去谈大模型的变现策略。

张腊：根据我们对市场的摸排情况来看，整体对于人工智能建设项目的资金投入确实相对谨慎，不止因为经济环境，也因为用户对于智能化建设已经积累了一些自己的经验和理解。市场对于前沿技术的理解和几年前相比是有很大进步的，我们认为这其实是个好的现象，也更能促进符合市场需求的技术的快速发展。

我们认为大模型赛道有处于技术引领状态的特点。市场处于论证的过程，普遍出现论证多、采购少，也是合理的现象，行业生态的合理生产过程必然要经过这一环节，大模型的发展也要直面这个问题。

早期人工智能技术，如人脸识别等也是在经历了这样的过程后才迎来了最后的爆发式落地增长。因此我们更应该在这个阶段保持技术和产业的更高频次的碰撞，让大模型技术从探索性快速转变为刚需性，是解决变现问题的根本。

其次，重视以大模型为技术轴心的商业模式的探索。目前转化率的很多关键在于大模型的商业模式。不同的用户对大模型的诉求不同，有的用户只希望直接使用大模型的结果，有的希望自身可以布局大模型本身。

以中科视语秦岭·秦川交通大模型的使用为例，我们对大模型的定位包括两个部分，一个是赋能内部的垂直场景的产品本身，解决长尾的疑难问题，比如视语观澜®的道路病害检测，视语通途®智慧交通平台的违规监测等，让客户不用直接采购大模型就可以体验到产品的明确提升；另一个我们对于有能力维护和布局大模型的头部客户也设计了相应的大模型部署及服务方案，如交通行业知识问答，交通要素一体化识别等相关的技术方案等，帮助客户布局自己的行业应用。

此外，也需要持续帮助用户思考降本增效问题，量化收益。客户已经有很多已建设的智能化成果，那么如果使用大模型方案，怎么过渡，每个阶段的投入是多少，最终能实现什么样的效果，以及周期是多久，这些数据都需要给到客户详细的分析，耐心帮助客户解决疑点问题，才能够最终促进转化。

王凯：在大模型的浪潮下，我们认为客户的兴趣是相当重要的因素。佳都科技近期帮助广州交警开发了车驾管服务窗口的AI助手，这背后也来自于大模型的能力支撑。

由于直接面向广州500余万名驾驶员，因此我们在推广初期非常谨慎，在车管所采用张贴二维码的方式让大家扫码体验。让我们非常惊喜的是，前不久我们发现有位警官在朋友圈主动帮我们进行推广，希望大家多多使用基于大模型的智能车驾管AI助手。这也让我们发现客户的兴趣点能够驱动很多事情的推进，敲开更多应用场景的大门。

刚刚提到的佳都科技通过地铁智能客服，实现了全线无人值守。当有客户在示范站内体验到了这样截然不同的效果时，全国各地的客户都陆续在与我们取得联系，表达了对这项解决方案的兴趣。因此我们认为能够扎扎实实落到场景中的产品才能够打动客户，使其产生兴趣，这样才能离变现越来越近。

另一方面，我们也要从客户的角度来思考问题。由于很多客户的数据涉及安全、管理等问题，非常敏感。因此我们也要想客户之所想，急客户之所急。近期我们和华为联合推出的佳都知行大模型一体机在做到国产自主可控的前提下，可以实现大模型的开箱即用、快速部署，帮助客户立竿见影地解决问题。

赛文交通网：经过今年一年的大模型培育期，请各位老师对大模型的未来做一个展望。

苏岳龙：我认为在2024年交通大模型机遇与挑战并存，甚至可能挑战大于机遇，也相信我们能够很好地渡过这一时期。我们认为，在应用大模型的过程中，大模型一定要能够真正解决问题，切实解决行业的业务痛点。

大模型在应用后，无论是对于业主还是对于产品，要从提质、增效两个维度考虑和验证其实际应用效果，是否真正解决了行业的痛点难题。在渡过挑战期后，大模型可能会迎来比较好的爆发态势。

聂小建：我非常看好大模型的应用前景。但要让大模型能够蓬勃发展，长久产生价值，还有很多工作要做。

我认为在2024年，大模型要打好基础，把效果做出来，能够较为完整地解决行业内的实际问题，让用户能够看到解决方案的综合性价比。

当前用户对于成本可能还没有那么敏感，但由于在大模型出现之前，每类问题都有其对应的解决方案，因此用户会对基于大模型的解决方案和原先的解决方案在性价比上有所考量，这也是用户关心的重点。

简单来说，大模型的应用前景非常美好，但前提是要做好基础工作，将大模型的价值充分发挥出来。

张腊：今年年初以来，国内外基础大模型不断涌现，落地经验也积累的比较丰富，竞争很激烈。

展望2024，我们认为大模型的市场机会更多的是在与行业需求结合的更紧密的行业大模型方面。经历过传统深度学习的时代，大家对人工智能的边界都比较清楚，生成式大模型的出现让市场看到了能力边界的扩展，例如写作、推理、互动。

基于这些新扩展的生成能力，结合RAG、Agent等新技术，研制行业需要的新产品，有很强的市场潜力。根据我们目前的客户反馈，他们对大模型改变和优化他们的工作，有着强烈的期待，我觉得市场应该去满足他们的期待。

王凯：我们认为大模型要重构交通行业，需要分为几个阶段。首先就像我们现在所看到的，大模型只是基于语音、文本，打通了私域向量数据库，成为人机协同的智能生产力小助手。

随着模型具备了多模态感知能力，和私域业务进一步融合，我们用到了其知识增强、检索增强等能力，大模型能够逐步成为领域专家。

再往后演进的话，大模型可能具备某种程度面向任务的自主决策能力，可以自动生成，进行流程的执行，使得模型和action无处不在，也就是我们所说的聚成智能。

这三个阶段是由松至紧逐步耦合的，因此我们认为要面向多模态的方向进行发展。在上海人工智能实验室发布的多模态大模型榜单 MMBench中，佳都科技的TransCore-M分别在4个榜单中都居第二。目前，TransCore-M的模型已在 Github开源，并开放demo体验。

虽然距离近期火热的具身智能还有一段距离，但相信新的一年，能看到多模态大模型在行业的落地应用。