人们总是高估未来两年的变化，低估未来十年的变革。

随着技术迭代曲线放缓、基础大模型赛道的竞争格局企稳，人工智能市场的性质正在发生变化，更多的创新和价值创造正在向应用层汇聚。

从“百模大战”到“降价潮”，从“卷技术”到“卷价格”再到“卷应用”，蚂蚁、字节、百度、智谱以及初创企业已经在走各自不同的路了。可以肯定的是，当人工智能逐步走向产业化、专业化分工，大模型已成为各行业“标配”，谁先找到大模型通往产业路径的“钥匙”，谁就有机会喝到“头啖汤”。

如今，车路云一体化成为当下交通行业的新主题，随着大模型在各行业的深度扎根，其能否与车路云一体化形成合力，为人们的交通出行描绘出一幅面向未来的崭新图景？

Scaling Law失灵了吗？

一直以来，Scaling Law（尺度定律）是被人工智能领域普遍接受的幂律增长，即：模型的性能随着模型大小、数据集规模和训练计算量呈现幂律关系。这意味着在一定范围内，增大模型规模和数据集规模，能够显著提升模型性能。也就是业内常说的：模型越大，性能越好。

但最近半年来，Scaling Law明显放缓，OpenAI也不得不承认，GPT5.0版本要等到明年才能推出。而造成这一现象的根本原因在于，全球普遍出现了算力和数据的供给短缺，特别是数据规模量陷入了极大的瓶颈。机器吃不饱，就导致了大模型的性能输出侧无法完成高质量输出。

在这种情况下，大模型就一直无法解决机器幻觉、高错误率的问题。MiniMax创始人、首席执行官闫俊杰认为，GPT-4存在30%~40%的错误率，国内大模型整体上也存在60%~70%的错误率，要想让AI从一个辅助人类的工具到能独立完成工作，为社会创造更大的价值，最核心的一点是整体降低大模型的错误率。

大模型技术的发展似乎陷入了一个恶性循环的怪圈，大模型的性能提升需要大量使用后的数据投喂，但大模型的错误率又让人们不敢大规模使用。如何破局？

业内还发现一个现象，将大模型缩小规模至特定的专业领域，Scaling Law依然在发挥价值，向专业大模型投喂专业知识库，模型依旧呈现能力的巨大提升。

聚焦到交通场景，交通是一个非常典型的从感知、认知、到决策、控制的过程。传统人工智能在里面目前只呈现碎片化应用，比如识别信号灯、识别违章等。想要真正解决问题，需要用大模型这一根线，把车流、道路、交通信号等所有的散点串联起来，形成更高维度的全局智能，通过对车、路、云、网等交通关键节点开展智能协同，形成对交通态势的全面、及时、精准的感知、控制与决策。

交通感知方面，大模型可以进行道路路况识别和车辆车流密度检测。基于某帧画面生成当前路况描述并直接发布，这些数据可以连接到导航软件，将海量的监控图片、监控数据利用起来。同时，大模型在道路分割、服务区、停车场余位识别、交通事件检测等方面也有所应用，可做到让视频监测真正免配置，大幅提升检测准确率。

交通治理方面，通过大模型的语义理解、泛化推理、自动取数能力，可对历史交通数据和实时交通数据进行自动分析和处理，精准定位、判断某路段和某区域的交通状况，提供初步、快速的交通决策支持，并结合交通领域专业知识，生成可行性交通解决方案，让交通管理人员可以快速找到解决问题的落脚点，开展方案测试和评估。

智能控制优化方面，大模型通过集成和调度车辆监管、交通信号调整、智能导航、智能停车等多种智能服务，实现交通系统的动态优化和智能化服务，提高交通治理效率和安全性。

车路云一体化是全局最优解吗？

随着城市的日益发展，交通基础设施老化滞后、城市化进程加速、车辆爆发式增长等一系列问题成为交通的不能承受之重，这就需要从全局角度，通过赋予交通更加智能的“大脑”，更好平衡和协同各交通参与方之间的关系，提升交通治理效能，而车路云一体化正是作为这个智能枢纽被提了出来。

从车路云一体化发展路径来看，主要包括以下四个发展阶段。

第一阶段是信息交互协同。该阶段主要实现车辆与道路的信息交互与共享，包括车辆的位置、速度、方向等，以及道路的交通信号、限速标志、路况信息等。通信范围可以是车辆与路侧单元（RSU）之间的直连通信，也可以是车辆与车辆之间的多跳通信。

第二阶段是协同感知。该阶段在信息交互协同的基础上，进一步利用车载和路侧的感知设备（如摄像头、雷达等），对道路交通环境进行实时高精度的感知定位，从而为自动驾驶提供更全面、更准确的环境信息。

该阶段的协同感知可以分为“初级协同感知”和“高级协同感知”两个方面，区别在于道路感知设施的部署范围、类型、精度等方面的差异。初级协同感知的道路感知设施相对单一、部署范围有限、检测识别准确率较低、定位精度较低，只能服务于L3级以下的自动驾驶车辆；高级协同感知的道路感知设施多样、道路全面覆盖、检测识别准确率高、定位精度高,能够服务于L4级以上的自动驾驶车辆。

第三阶段是协同决策控制。在协同感知的基础上，进一步实现道路对车辆、交通的决策控制，包括对车辆的导航、速度、车道、转向等进行指导或干预，以及对交通信号、交通流等进行优化或调节，从而保障自动驾驶的安全、提高交通效率。

该阶段的协同决策控制可以分为“有条件协同决策控制”和“完全协同决策控制”两个方面，区别在于协同决策控制的适用范围、程度、复杂度等方面的差异。有条件协同决策控制只能在自动驾驶专用道、封闭园区等环境下或实现自主泊车等功能时实现；完全协同决策控制则能够在任何时间、任何道路和交通环境下，都可实现车路全面协同感知、协同决策控制功能。

第四阶段是车路云一体化。车路云一体化的核心在于信息整合、实时交互和协同决策。通过融合智能网联车辆、路侧设施及云端平台，提供更全面、准确的交通环境感知，并协同交通场景各参与要素进行高效的全局智能决策。

在车路云一体化的加持下，道路通行能力得以提升，智能驾驶将变得更加安全。当下的自动驾驶汽车，仍无法在追求极致安全与道路效率两者之间形成优雅的平衡。当每一辆车都成为智能体的时候，它们各自的决策发生冲突时会形成一种算法博弈。如果两辆车都决定加速，就可能发生碰撞；如果同时减速，效率又会降低；另外还会遇到车辆在路口的相互博弈，导致车辆停在路中间，又会引发交通拥堵。

车路云一体化作为交通中统一的关系协调方，其价值正在于通过全局智能决策，成为协调各交通要素之间关系的枢纽，通过借助大模型、深度学习等人工智能技术帮助各方实现更好决策，从而构建起良性的交通关系，保障交通的通行效率和安全性。

该技术所具备的全天候、低延时、高精度、超视距、强交互等特点，极大提升了车辆的反应速度和决策效率。可以说，车路云一体化不仅代表了技术的融合，更是对现有交通系统的一次革命性升级。

面向未来，车路云一体化或将朝着融合北斗卫星和路侧设施的高精度高可靠定位技术、以视觉识别和激光雷达为核心的感知技术、基于云端大模型的智能网联交通分布式云平台，以及高级别自动驾驶技术等多项技术的方向发展。

“AI大模型+车路云一体化”的桎梏

虽然AI大模型+车路云一体化为城市交通描绘了一幅未来图景，但在双方不断融合的过程中，还要面临各种挑战。

首先，数据的共享交互成为影响车路云一体化应用效果的重要因素。对于交通大模型而言，不仅需要海量的交通数据，并且对数据的准确性、可靠性都要求极高。

但在现实中，城市的交通数据分散存储和被管理在不同部门，且有些数据存放在内网中，不能存放在公网中，数据之间无法做到实时共享和交互，导致数据的可用性受到限制。

同时，交通管理中的很多问题都涉及到生命安全，也涉及重要交通信息的决策和判断。但一些大模型在应用中还存在“一本正经地胡说八道”的情景和结果，所以在大模型结果的可靠性上还需要进行更加准确的甄别。而数据质量直接关系到大模型的性能和可靠性，这就需要从数据的获取、标注、分析、处理等环节进行把控，保证大模型的数据原料都是准确可靠的。

其次，群体智能协同控制的决策难题。比如快速路的上下匝道，车一多就形成拥堵，当自动驾驶车辆过来，如何有效地分配路权？类似的场景会有很多，车路云一体化规划决策的第一个障碍就是复杂路网情况下，如何聚焦到特定场景下进行路权的分配，该以怎样的目标进行分配，然后才有轨迹规划和车辆控制问题，这还涉及道路智能化等级、车辆自动驾驶等级的问题。

第三，算法参数权重划分的事故责任追溯难题。如果车辆因为路侧设施提供的错误信息而导致的交通事故，路侧设备设施是不是要负责？路侧设备设施硬件本身没问题，因为刮风下雨导致的细微偏位给出的错误信息，这些设备设施的安装养护单位是不是要负责？如果是网络通讯的原因造成的延迟，那么电讯运营商和设备商是不是要负责？如果云端发出指令导致全局交通瘫痪，或者车辆追尾，那么发布指令的单位要不要负责？

现实中的责任界定问题对应的就是车辆做决策规划的算法参数优先级问题。所以行业标准、对应的法律条文，保险等等才变得非常重要。

以智慧道路建设为例，信号灯数据200ms的延迟和1秒的延迟造成的结果截然不同。同理，对于不同车辆自动驾驶的决策机制，也要有类似的行业标准约束。

第四，混合交通流下的全局规划难题。L0-L4级别自动驾驶车辆长期混合存在、C0-C5等级智能道路混合长期存在。混合交通流下造成的交通流紊乱甚至会降低交通通行的速度。传统交通流的理论是基于人类驾驶行为，将车流类比为水流，以流量、密度、速度三者来进行表征。

最直接的如车头时距的测算，通过大样本的人类驾驶员行为观察是可以得到参数范围的。但是混合流状态下，这个参数受到的影响因素就变得更多了。所以人类驾驶员+自动驾驶混合流交通状态下的参数标定，在不考虑不同自动驾驶决策机制的前提下，以统一标准要求，简化模型后支撑全局的决策分析也是需要经过自动驾驶车辆普及过程中进行实验及观测的。

当控制对象从个体变成群体，被控对象本身就是智能化的，这对传统交通流理论带来了新的挑战。对应的控制理论、优化决策的方法也要随之发生改变。

大模型在交通行业中的应用，很多应用场景的理论逻辑是正确的、通畅的，可以预见的价值也是存在的。但即便是市场进程比较快的企业，目前也都还缺乏有说服力的案例实践。一项很好的技术，在工程实践后往往也会出现新的问题。是否是“质的改变”还需要经过市场和用户的检验与认可。

大模型确实可以让行业跃迁到一个全新的阶段，但行业对于大模型要进行理性的判断，它有能的一面，也有不能的一面。无论是传统的模型还是当下火热的大模型，都是为了交通最原始的目标服务，即为车流、物流、客流提供更加安全、畅通、舒适的交通服务，善选工具、善用工具才是行业应该更关注的事情。

文章来自于“36Kr”，作者 “极智GeeTech”