交通大模型重塑智慧交通的创新格局与生态演进 | CCCF精选

全球城市化进程加速，城市人口与机动车数量激增，以道路交通为主的城市交通需求随之剧增，不仅导致交通拥堵日趋严重，还引发了空气污染加剧、交通事故频发等严峻的城市交通问题。智能交通系统与人工智能技术在解决上述问题中被寄予厚望。然而，传统交通管理系统在应对动态变化的复杂城市交通环境时存在诸多局限：一是交通数据来源多、异构性强，传统方法难以实现多模态数据的高效融合与精准预测；二是交通异常事件类型多样且具有突发性，基于规则的方法难以实现有效检测与理解；三是现有交通信号控制策略在多主体协同优化及复杂决策场景中表现不足；四是缺乏准确解析用户意图的自然交互手段。此外，在数据不确定性和缺失的情况下，其鲁棒性和对政策实施后人群行为的评估均存在明显短板。

交通大模型的兴起标志着智能交通领域的重大转折，其基于大语言模型和多模态基础模型，通过多模态预训练与深度融合技术，实现对视频、雷达、全球定位系统(global positioning system, GPS)、交通流等多源异构数据的高效整合，并具备卓越的时空感知、语义理解、因果推理及泛化迁移能力。其应用不仅涵盖复杂交通场景的精准预测、异常事件的实时检测和全局优化决策，还通过强化学习实现交通信号优化与多主体协同决策，利用自然语言处理提升人机交互、解析人群行为和评估政策效果，有效应对数据缺失和环境不确定性问题。相较于传统模型，交通大模型借助自监督学习与自适应调整机制，展现出更强的场景适应性，广泛服务于智能驾驶、公共交通、交通安全及城市规划等领域。

自2019年提出“交通强国”战略以来，我国一直将智慧交通作为未来交通发展的核心方向。2023年发布的《加快建设交通强国五年行动计划（2023—2027年）》进一步明确，到2027年，全国智能交通基础设施将显著提升，主要城市将广泛应用智能驾驶与调度系统。基于这一战略定位，2024年各级相关部门先后出台了多项政策措施，重点推进智能交通和交通数据治理，强化对交通大模型研发与产业化的支持。相关政策涵盖资金投入、税收优惠、行业标准制定及跨部门协同，旨在激励高校、企业和地方政府在关键技术创新与应用落地方面开展深入合作。同时，交通运输部正探索公共交通数据授权运营新模式，加快构建综合交通运输主数据体系，以提升数据质量与安全性，为智慧交通系统提供坚实支撑。

2024年5月，中国计算机学会(China Computer Federation, CCF)青年计算机科技论坛(Young Computer Scientists & Engineers Forum，YOCSEF)青岛在CCF青年精英大会(Young Elite Conference, YEF)上举办了主题为“‘模’不关心or‘模’逆之交：论交通大模型乱世的发展趋势”的博学堂论坛，汇聚学术界与产业界专家，共同探讨交通大模型的技术现状与未来发展路径。交通大模型尚处于“概念套壳”阶段，未实现质的飞跃，但其在交通事件预测、信号优化与时空数据挖掘等具体应用中已展现出一定实际价值。专家们进一步明确了该领域的发展方向：1）短期内需兼顾专用场景与通用能力，强化跨模态数据融合及领域专家合作；2）应构建开放合作生态，通过联合研发、联邦学习与数据沙箱机制突破数据壁垒，加速技术创新；3）高校应聚焦基础理论研究（如模型可解释性与因果推理），与产业界形成互补，避免盲目追求大而全的产品开发；4）将模型公平性、可解释性及政策合规性纳入研发核心，以防范算法歧视与数据滥用风险。与会专家一致认为，尽管当前仍面临数据孤岛、算力成本和生态协同等瓶颈，但依托深度产学研合作和政策引导下的标准化建设，未来有望实现从局部优化到系统性重构，为“交通强国”战略的智能化升级提供坚实支撑。近一年来，交通大模型领域实现了迅猛发展，技术壁垒不断突破，应用场景持续拓展，并呈现出技术深化趋势。2024年12月7日，CCF智慧交通分会举行了“水运交通智能化发展论坛”，以水运交通发展为背景对交通大模型的演进进行了深入探讨。本文旨在结合两次论坛的交流成果，回顾最新研究进展，梳理关键技术突破情况，分析当前面临的挑战，并展望未来的发展方向。

多模态融合模型创新　基于多模态大语言模型的统一架构技术近年来取得了突破性进展，显著提升了智能交通系统泛化能力。该类模型通常基于统一的编码−解码架构，通过构建共享表示空间，实现对多源异构数据的深度融合，从而支持更加稳健和泛化的交通感知与预测任务。在模型架构设计方面，行业普遍采用基于Transformer的端到端方案，通过交叉注意力机制有效对齐和融合来自不同传感器的信息流（如视频的视觉特征、雷达的点云数据和GPS的轨迹序列），将原始的异构数据映射到统一的高维语义空间。Waymo公司研发的EMMA模型即是典型代表，它集成谷歌Gemini多模态能力，构建感知−规划的端到端架构，通过多任务联合训练实现轨迹预测、目标检测与语义理解协同优化。在多任务联合训练过程中，其关键技术点在于设计精巧的损失函数可以平衡不同任务（如轨迹预测、目标检测、语义理解）的学习权重，并通过梯度调整策略缓解任务间的竞争关系并提升整体协同优化效果。其中，链式思维推理机制能有效模拟人类决策逻辑，相较传统单任务模型优势显著。擎翌（上海）智能科技有限公司研发的QYTraffic-GPT模型亦通过整合4D毫米波雷达、激光雷达与视觉数据构建统一推理框架，实现道路事件全要素感知。此类架构创新展示出强泛化和推理能力，预训练+微调范式正在替代传统分散模型体系，为交通人工智能(artificial intelligence, AI)系统提供通用化解决方案。

因果推理增强可解释性　针对交通AI决策的“黑箱”问题，研究者通过融入因果推理和可解释AI技术，提高了模型透明度和可信度。百度团队建立了自动驾驶因果分析框架，通过控制变量法与反事实干预实验，实现了决策关键要素的定量解析。香港科技大学（广州）等单位研究者提出的xTP-LLM框架将时空数据转化为自然语言描述，利用大语言模型的可解释特性生成人类可理解的预测依据，为构建可信赖的交通AI系统提供了新思路。

强化学习赋能复杂交通优化　深度强化学习在复杂交通优化领域持续取得突破。英伟达Hydra-MDP模型在2024年IEEE国际计算机视觉与模式识别会议(IEEE Conference on Computer Vision and Pattern Recognitionm, CVPR)的自动驾驶挑战赛中夺冠，通过多目标混合蒸馏技术提升了规划决策能力，证明生成式AI在物理世界驾驶任务中具有巨大潜力。在交通信号优化领域，多智能体强化学习技术被应用于红绿灯配时控制研究，实现路网通行效能提升。仿真结果显示强化学习智能信号控制在高流量网络中优于传统优化策略，显著减少延误和排队。CIRCLES(congestion impacts reduction via cav-in-the-loop lagrangian energy smoothing)联盟在田纳西州I-24公路进行了大规模的AI车流实验，投放100辆安装AI自适应巡航控制的汽车，在高峰实测中有效抑制人为交通波动，提高车流顺畅度并降低油耗与排放。这些进展体现了强化学习和智能控制在复杂交通系统中的应用前景，标志着强化学习正从理论验证迈向实际系统优化。

轻量化部署技术创新　交通AI模型愈发庞大，它们如何部署在有限计算资源上成为关注焦点，业界广泛探索混合架构与模型压缩，以兼顾性能与效率。特斯拉全自动驾驶系统(full self-driving, FSD)v12版本可以实现纯视觉端到端控制在城市和高速场景的统一应用，研究者借助模型蒸馏、剪枝和量化等技术，将大型交通模型压缩为轻量级版本，实现在边缘设备运行大模型。汽车制造商方面，小鹏汽车通过软硬件协同优化，实现车辆感知范围提升一倍，可精准识别50余种目标物体，显著减少刹车顿挫、车辆违停和人工接管情况。混合大模型架构在量产车上的落地，表明架构改良和算力升级正推动交通AI从实验室向实际应用场景加速渗透。

联邦学习范式重构数据生态　针对交通数据的跨域分布特性，联邦学习框架通过隐私保护机制实现分布式协同训练，有效破解数据孤岛并整合多源知识。针对跨域交通预测的联邦学习优化，研究者开发了个性化联邦学习架构，构建多源城市联合训练范式与目标城市个性化参数适配机制。通过解耦空间和时间特征、分层融合全局与本地模型参数，克服了各城市间时空数据分布不一致造成的“客户端漂移”，测试表明性能明显优于传统迁移学习和标准联邦学习方法。车联网领域提出联邦边缘协同感知框架，通过分布式模型训练机制实现多车视觉检测模型协同优化，在原始数据本地化处理前提下完成车辆间边缘智能协同。该领域数据驱动的技术实践表明，在数据要素市场化背景下，隐私保护与知识共享可并行推进，为构建可信协同智能体系提供方法论支撑。

美国自动驾驶技术商业化进程加速　2024年，美国科技企业通过大模型技术迭代与场景深化推动自动驾驶规模化落地。Waymo公司依托多模态感知与规划算法优化，在凤凰城、旧金山等城市实现自动驾驶出租车(robotaxi)规模化商用，累计运营里程突破4000万英里(1英里≈1.609 km)，完成复杂城市路况下的安全可靠性验证。特斯拉推出FSD v12版本，采用端到端神经网络架构实现城市场景与高速路况的算法统一，性能较前代大幅提升。行业生态协同方面，通用汽车旗下Cruise公司通过多城全无人车队部署验证技术鲁棒性，年度运营规模持续增长；Aurora公司联合多州交通部门开展自动货运走廊建设，推动道路标识标准化以适配L4级卡车编队运营需求。数据显示，美国自动驾驶企业依托大模型驱动的感知—决策—控制技术链闭环，已形成载客出行与干线物流双轨并行的商业化格局，逐步实现规模化应用。

中国科技企业加速推进大模型技术在智慧交通领域的系统性布局　2024年，百度Apollo推出全球首个L4级自动驾驶基座大模型(autonomous driving foundation model, ADFM)，通过多模态融合架构与场景认知强化学习，显著增强了对长尾场景的覆盖和泛化能力，在武汉等城市实现高阶自动驾驶商业化运营，单季度服务量突破百万次。汽车制造商方面，小鹏汽车率先研发端到端大模型架构XNet-XPlanner-XBrain并量产应用，其拟人化驾驶策略有效降低了复杂场景人工接管频率，用户实测反馈行驶平顺性显著提升。滴滴自动驾驶获批国内首个L4级无人车生产资质，计划2025年量产全无人电动出租车，当前已在北京、上海、广州部署200余辆测试车辆；其智慧交通平台通过时空大数据驱动的信号优化算法，在试点城市有效提升高峰通行效率。华为构建车路云协同技术体系，依托Octopus云平台与移动数据中心(mobile data center, MDC)计算平台实现数据闭环训练，其智能交通管理系统在深圳等城市落地应用中展现出事故快速识别与通行优化能力。当前，交通大模型技术已实现城市交通管理要素的全链条渗透，形成从动态调度、设施升级到出行服务革新的融合架构，初步完成从实验室验证到城市级部署的关键跨越，为构建认知型交通系统奠定了方法论基础。

全球智慧交通发展已形成多元路径，无论是美国以“单车智能”为核心的商业化落地，还是中国围绕“车路云一体化”展开的系统性部署，均在技术深化与场景应用上取得了显著成就。然而，这些进展也共同指向了深层次的瓶颈：首先，现有系统在应对复杂交通环境中的长尾问题（如非典型突发事件）时泛化能力依然受限，尤其是在复杂城市路况和极端天气条件下，感知与决策的鲁棒性亟待提升。跨区域、跨行业的标准统一与数据共享难题限制了技术协同与生态整合，例如美国“单车智能”与欧洲“车路协同”路线在通信协议与法规适配上存在壁垒。其次，交通系统的可解释性与安全性问题日益突出，传统规则引擎难以应对动态、多变的环境需求。在此背景下，生成式AI凭借其强大的多模态数据处理、动态知识生成与自适应决策能力，为突破现有智能交通瓶颈提供了全新技术路径。生成式AI不仅具备强大的数据理解与推理能力，更能够基于大模型的知识迁移、自主生成与反馈机制，实现对复杂交通环境的动态认知与高效调度，成为引领下一代交通治理范式变革的核心驱动力。

生成式AI驱动的交通大模型正引发交通治理范式的系统性变革　以动态数据驱动替代传统规则引擎的进程中，华为盘古铁路大模型为智能铁路货车故障图像检测系统(trouble of moving freight car detection system, TFDS)车辆故障图像识别提供技术支撑，在郑州北车辆段5T检测车间实现工作效率提升200%，故障发现率达99.3%。数字孪生技术的深化应用，例如百度ACE 3.0通过整合多源异构数据构建城市级虚拟交通体，标志着交通系统进入虚拟与现实交互的新阶段。

然而，该系统在实际部署中面临着巨大挑战。1）数据协同与实时性难题：如何将城市范围内来源、格式、时空分辨率各异的数据（如监控视频流、线圈数据、网约车GPS）进行实时清洗、对齐与同步，是维持孪生体高保真度要克服的首要障碍。2） 计算与渲染的算力瓶颈：对整个城市的交通流进行精细化、实时性地模拟与推演，需要海量图形处理器(graphics processing unit, GPU)集群提供支撑，算力成本高昂。3）虚实交互的闭环验证：在虚拟世界中进行的优化策略（如信号灯配时调整）要想在真实物理世界中达到预期效果，需要建立高效、可靠的闭环验证与反馈修正机制。对此，行业正通过建立统一的数据治理标准、发展分布式计算与边缘计算架构，以及利用强化学习进行策略自适应迭代等方式积极探索解决方案，推动技术从概念走向大规模实用。

全球智慧交通技术版图呈现显著的区域分化特征，折射出技术路线与战略目标的深层差异：美国以“单车智能”为核心路径，依托激光雷达、高性能算法（如特斯拉FSD系统）强化车辆自主感知与决策能力；中国则通过政策驱动实现“车路云一体化”整合（2024年工信部试点覆盖20城），推动路侧设施智能化与L4级自动驾驶的规模化落地（如北京亦庄）；欧洲以通信标准化与伦理治理为核心，通过《人工智能法案》加强自动驾驶决策透明度，依托5G车路协同技术构建可控创新框架，与中国“全域整合”、美国“单车智能”形成差异化竞争路径。

生成式AI正系统性重塑交通决策范式，推动行业从经验驱动向认知涌现跃迁　在交通规划领域，云南交投集团在智慧高速数字孪生项目中构建了动态知识图谱驱动的应急疏散系统，通过多目标优化生成了应急路径备选方案，这一实践标志着生成式技术从单一决策支持向人机协同决策范式的演进。特斯拉FSD v13采用端到端架构，大幅缩减代码量，通过神经网络优化实现全场景意图预测（例如行人穿越预判），使车辆事故率较2022年下降32%，降至0.21起/百万英里。尽管仍需驾驶员监督，这一成果展示了生成式架构替代传统模块化系统的潜力。为应对生成式AI的“黑箱困境”，神经符号系统被视为解决自动驾驶可解释性难题的有效途径。麻省理工学院团队提出的交通规则约束强化学习框架(traffic rules constrained-reinforcement learning, TRC-RL)通过符号逻辑层对交通法规（如行人优先规则）进行编码，在复杂交叉口场景中提高了决策的透明度。

生成式AI正推动交通系统经历着“基础设施−数据要素−治理体系”三位一体的深度变革　这场技术革命重构着交通产业的价值链条，成为各国争夺未来交通主导权的战略焦点。其影响深度已超越单纯的技术迭代，深刻改变全球交通治理规则与产业竞争格局。我国在新型基础设施建设与数据生态布局方面已取得重要进展。我国新型数字基础设施体系构建已进入全要素整合阶段，呈现出网络、算力和算法协同演进的特征。例如，中国电信在杭州亚运场景构建的5.5G多径冗余网络（端到端时延小于10ms）突破了车路协同系统的确定性传输瓶颈；云南省交通投资建设集团有限公司制定的千卡级GPU集群建设标准则从硬件层面缓解了中小企业在交通大模型训练中的算力瓶颈。这类新型算力基础设施的标准化和普惠化部署显著加速了新技术从研发到产业化的进程，逐步构建起支撑L4级自动驾驶、空天一体化等未来场景的数字基础能力。

开放创新生态构建正呈现“技术开源‒数据流通‒价值共享”的多维演进趋势，已成为提升交通技术创新效率和推动共性技术突破的重要战略路径　我国在开放生态和数据共享技术构建方面已初见成效：以TransGPT开源框架为代表的技术共享模式实现了交通大模型训练参数的动态交换，并构建了大规模、高价值的交通多模态数据集；深圳在探索交通数据信托模式方面取得了一系列进展，进一步提升了数据流通的合规性和可信度。同时，交通运输部出台的“数据要素×交通运输”计划正通过规范化路径促进交通数据要素的高效流通与创新应用。

国家增强顶层设计与政策支持　在政策战略层面，国家发展改革委通过设立低空经济发展司及构建专项政策框架，以低空物流网络建设为重点应用场景，协同推进基础设施完善、技术标准优化与技术研发—产业化双向联动，加速应急救援、物流运输等典型场景的商业化验证，系统性统筹低空经济领域的制度设计与产业实践。中国正以生成式AI为核心推动力，系统性地构建新一代智能交通技术创新体系，通过“技术标准−应用场景−产业生态”的协同演进机制，打造具有国际示范效应的智能交通发展模式，引领全球交通产业的数字化和生态化转型。

随着人工智能与复杂系统科学的深度融合，交通大模型正加速从传统的感知预测工具向具备环境适应与自主演化能力的类生命体系统跃迁。在理论创新上，可引入“演化算法+自组织临界性”框架，将城市交通建模为动态自适应系统，推动模型自主生成优化策略，突破对人工调参的依赖，使其成为与城市共生演进的数字体。借鉴量子信息科学与拓扑数据分析，未来大模型有望在底层实现高维空间认知与非欧几里得网络表达，精准表征交通系统的异构性、突发性与跨尺度特征，通过构建“拓扑潜空间−实际态势”映射，提升对极端事件传播的预测能力。在数据层面，下一代交通大模型将实现物理与认知数据的深度融合，纳入驾驶员情绪、群体动机等心理行为信息，推动从物理流动建模拓展到行为驱动的意图网络建构。基于自主AI智能体的演进理念，未来可打造具备持续学习与社会博弈能力的交通AI智能体系统，实现本地化治理规则的自适应演化，并通过区域协同与竞争，推动智能交通从集中式规划迈向去中心化自治，全面引领行业范式变革。

生成式AI驱动全球交通技术路径分化，我国基于“车路云一体化”协同架构构建的创新体系，已在智能驾驶、交通管控与城市调度领域形成产业级应用方案。如图1所示，面向智慧交通的“车路云一体化”协同架构创新体系由云控平台、路侧基础设施、车辆及交通参与者、相关支撑平台等多个层级协同构成。该体系通过多层次数据感知、实时云端智能决策及开放式生态支撑，实现了交通要素的高效融合与智能联动，为新一代智能交通系统的构建奠定了坚实基础。

图1 “车路云一体化”协同架构创新体系

交通大模型作为应对城市交通复杂性与不确定性的创新范式，依托多模态大模型技术，通过增强时空感知、因果推理及跨场景泛化能力，系统性提升交通流预测、异常识别与决策优化效能。与此同时，生成式人工智能正在推动交通系统经历一场深层次的变革，涵盖基础设施、数据要素和治理体系的“三位一体”协同演进。

展望未来，该领域的发展不仅需要持续的技术突破，更应同步构建与之相匹配的伦理治理框架，包括加强数据隐私保护、提高模型可解释性、推进算法公平性评估等，从而实现技术迭代与社会价值约束之间的动态平衡，推动交通系统实现从经验驱动到认知智能的范式跃迁，最终建立人本导向的智慧交通生态。

其他作者：董军宇、仲国强、晁国清

本文发表于2025年第7期《计算》。

点击“阅读原文”，加入CCF。