任重而道远

无人不谈大模型，无疑是当下行业的真实写照。

自ChatGPT爆发至今已有一年多的时间，这期间，中国诸多大模型拔地而起，以飞快的速度不断向各个行业场景渗透。但就目前为止，并未出现真正被大模型颠覆的场景或行业，交通行业亦是如此。

在整个大模型发展周期中，如果把模型预训练称为“大模型战役”的上半场，如今这场“战役”的下半场将更聚焦在垂直化应用及产业化落地。

一、“交通+大模型”最新进展

2023年，百度发布“基于交通大模型的全域信控缓堵解决方案”，打响了“大模型+交通”应用的第一枪。佳都科技、海信网络科技等传统智能交通企业，商汤等科技大厂，以及北京交通大学、北京航空航天大学、东南大学等高校，深圳市城市交通规划设计研究中心等科研院所及高校也迅速跟进，发布了相关研究进展。

在AI大模型的浪潮下，行业对大模型保持着高度关注。2024年刚刚过去三分之一，多家企业相继披露旗下「交通+大模型」的最新进展。

2023年12月，华为联合云南省交通投资建设集团有限公司以及长安大学在昆明举行“交通大模型研发启动仪式”，将共同创立交通大模型联合研究中心，通过盘古基础大模型叠加交通行业场景的方式，开展交通大模型研究，通过深度挖掘现有数据潜能，发挥数据+智能全栈能力，从而加速推动交通行业数智化发展水平。

2024年2月，香港科技大学（广州）研究团队开源了交通信号灯控制垂类大模型LightGPT，其背后关键是一个名为LLMLight的框架。该框架首先向智能体提供详细的实时交通状况，并结合先验知识构成提示。利用LLM卓越的泛化能力，LLMLight采用符合人类直觉的推理和决策过程来实现有效的交通控制。LightGPT通过学习的交通流量模式和控制策略，经济且高效地增强了LLMLight 框架的控制性能。

在3月的赛文年会上，臻识科技首次介绍了专为交通行业推出的VTraffic大模型。该模型基于面向开放词汇的目标检测（Open-Vocabulary Object Detection）能力，无需人工扩充标注数据量，即可自动识别并定位视频中任意数量和类别的目标，1个大模型可处理数百个传统模型的任务，为感知种类繁多的长尾问题提供了有效支撑。目前已在城市路内停车、交通治理、国省道等场景进行了测试性的应用，可以实时提醒占道经营、井盖丢失等各类异常，从而做到隐患早发现、早处理，保障交通环境的顺畅。

在第二十六届中国高速公路信息化大会上，百度智能云联合河北高速集团宣布将基于百度大模型通用能力，持续开展在公路行业的创新探索，并共同发布了“基于大模型开展的事件检测与应急处置”能力实验的阶段性成果。同时，百度智能云与浙江高信联合发布了交通数据报告大模型原生应用，这也是交通行业首款基于大模型及AI分析的专业数据报告应用产品。

3月，卓视智通推出了自主研发768“智通卓识”AI多模态大模型，该大模型基于新一代通用人工智能技术，具备文本对话、知识问答、图像理解、万物识别、文搜万物、图搜万物、视频理解等能力。大模型除了具备基础的问答交互模式，就行业相关知识进行对话外，还能通过图片、视频来识别公路上的遗洒物、交通事故、山体滑坡、恶劣气象等信息，并准确给出受到影响的车道位置，对交通态势进行判别，形成初步视频感知的分析报告。

3月，交通运输部公路科学研究院与阿里云就公路大模型研发、应用达成合作共识。未来，双方将充分发挥各自领域的行业经验与技术优势，在共同制定交通行业大模型技术标准，共建交通行业大模型平台等方面开展深度探索与实践，促进公路行业数据实时、高质量获取，推动数据要素安全、高效流通，共同助力智慧交通体系建设。

二、用户的需求是什么？

过去半年，大模型在交通行业的落地应用摸索已经度过尝鲜期。但从实际应用来看，大模型落的地预期和实际效果仍存在不小的差距。用读者在赛文公众号后台的留言来说，“大家关注的热点和市场用脚的投票还是差别很大的”。

对于用户而言，在关注技术的同时，更关心的是技术能够带来哪些实质的变化，能够解决传统AI不擅长、不能够解决的交通问题。

当前，大模型的应用场景可分为生成和决策两类，相比之下，决策场景预期业务价值更高，也是用户更为看中的。

交通行业大模型目前比较成熟的应用场景主要集中在人机交互、方案、报告生成方面，如数字人、专业知识问答、智能AI助手等。对此也有专家表示，信息的查询与交互只能算得上大模型的表征应用，或者说是对交通领域原有智能功能的优化和完善，仅调用了大模型的语义理解功能。从实际应用来看，现有的很多“大模型”实质是套壳了语言大模型做的垂直“小模型”，并未解决用户的实际需求。

苏州工业园区交通警察大队智能交通与智能网联项目负责人束云峰表示，交警需要的是利用专业知识对基模进行训练，在基模之上提升小模型的能力，做交通小模型的集群，并使其成为一个专家库，通过无数个专家库支撑起行业的交通大模型的概念。

以往交通行业有很多面向不同场景的专业性小模型，但由于交通行业的细分场景众多，传统小模型大多是基于特定任务的感知智能，缺乏自我学习和独立决策能力，仅能够对单一场景进行分析，如果仅依靠建立小模型解决问题，那么生产效率相对低下。

大模型的出现被认为是解决这些问题的关键，其所具有的极强推理能力和泛化能力，能够很好地解决小模型的碎片化问题。但由于要系统性解决交通问题是非常复杂的，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。

三、交通大模型距离实战还有多远？

大模型在交通行业的应用目前仍处于探索阶段。

大模型落地的深度取决于其能力、规模、计算资源、数据质量、领域知识等。然而，当下国内大模型还处于发展初期，很多设施和能力还在逐步完善。受限于模型能力、应用效果等因素，当前落地应用以生成场景为主。

有用户曾表示，在和相关对接方沟通寻求合作时发现，仅仅是对于事故类型进行问答、辅助民警业务培训和日常法律条款解读的小模型数字人，训练周期在半年左右，价格也十分高昂，使不少用户望而却步。仅仅是最基础的数字人应用成本便如此，更遑论后续的分析决策等应用。

究其原因，一是数据问题。交通行业的数据分散存储于不同系统和不同部门当中，且重要数据也不可能拿出来进行大模型的训练。同时，由于算法效果与训练所提供的样本丰富度有关，需要长期迭代才能达到可用程度。

二是数据安全。模型训练专业算法工程师参与，且需要大算力集群，无法在现场完成，需数据回流，涉及数据安全等问题。此外，还涉及模型开发周期长、丰富度不足、价格昂贵等问题。

四、大厂能够提供哪些？

大模型发展至今已有一年多的时间，这期间，大厂也在持续关注或推进大模型与交通行业场景的结合。

在3月赛文年会的交通大模型圆桌讨论环节，阿里云、腾讯和商汤的相关业务主要负责人都发表了各自的看法。在谈及交通大模型产品的打造和商业前景时，几位负责人都比较谨慎。基本的策略是加大对通用基础模型的训练，在此基础上根据需求，以加外挂的方式，加入行业基础知识和规则信息进行训练。整体感觉，相当长一段时间内，大厂不会在交通领域的一些复杂场景中进行大模型产品打造。

“基模”是此次圆桌环节提及频率最高的词汇。大厂普遍认为，基模能力的提升是效率更高的一种方式。当基模的参数达到一定量级、能力达到一定水平时，完全可以覆盖很多过去认为需要利用行业知识做训练和微调的场景。

由于交通行业数据非常分散，而且对数据的安全合规性要求也非常高，开发交通大模型的场景、商业模式目前还处于探索阶段。由于涉及知识产权、数据安全等一些列问题，大厂当前主要通过将基模的模型能力和训练平台开放给行业用户，尽可能降低成本，为客户提供足够丰富的模型训练工具，在客户侧探索行业应用的落地模式。

五、写在最后

来到2024年，行业内外默默达成共识，这会是更AI化的一年。

从年初科技圈热议Sora，到“人工智能+”战略首次被正式写入我国政府工作报告，以大模型为代表的智能化技术正以前所未有的加速度，不断创新智能产品与服务，着力撬动产业生态发生深刻变革。

当前来看，交通+大模型还处于落地应用的起步阶段，在小场景、大纵深领域发展还需时日，未来给行业普及大模型的基本概念和应用落地模式任重道远。但同时我们也期待在不远的未来，交通+大模型能够走出对话框，真正解决行业的核心痛点问题，带来更多可能性。