作者：周源 / 華爾街見(jiàn)聞
7 月 27 日，自動(dòng)駕駛?cè)珬＜夹g(shù)與運(yùn)營(yíng)服務(wù)提供商蘑菇車(chē)聯(lián)（MOGOX），在 2025 WAIC 發(fā)布首個(gè)物理世界認(rèn)知大模型 "MogoMind"。
通過(guò)全域覆蓋的通感算一體化設(shè)備，MogoMind 能全天候、不間斷捕捉車(chē)輛行駛軌跡、速度變化、交通流量、行人動(dòng)態(tài)等海量異構(gòu)數(shù)據(jù)。
蘑菇車(chē)聯(lián)副總裁王凱表示，相比數(shù)字世界的大模型，MogoMind 可視為物理世界的實(shí)時(shí)搜索引擎，是通往現(xiàn)實(shí)世界的超級(jí)入口。
王凱說(shuō)，" 通過(guò)接入物理世界實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)，MogoMind 能實(shí)現(xiàn)全局感知、深度認(rèn)知與實(shí)時(shí)推理決策，為 AI 網(wǎng)絡(luò)基礎(chǔ)設(shè)施建設(shè)、實(shí)現(xiàn)實(shí)時(shí)數(shù)字孿生效果、路側(cè)數(shù)據(jù)上車(chē)應(yīng)用，提供關(guān)鍵支撐，成為城市和交通高效運(yùn)行的‘ AI 數(shù)字基座’。"
從功能上看，通過(guò)全域覆蓋的通感算一體化設(shè)備，MogoMind 不僅能識(shí)別路面狀況、交通標(biāo)識(shí)、障礙物的物理狀態(tài)，還能將復(fù)雜的交通環(huán)境信息轉(zhuǎn)化為可理解、可執(zhí)行的智能決策建議，為交通管理部門(mén)和出行者提供應(yīng)對(duì)方案。
因此，MogoMind 將擔(dān)當(dāng)起城市交通決策中樞、車(chē)輛行駛多能助手、自動(dòng)駕駛隱形基座三大角色。
這是智能交通從分散感知向系統(tǒng)認(rèn)知轉(zhuǎn)型的一次具體實(shí)踐，該模型的技術(shù)路徑與應(yīng)用表現(xiàn)，既體現(xiàn)了對(duì)現(xiàn)有交通痛點(diǎn)的回應(yīng)，也暴露了行業(yè)發(fā)展中的共性瓶頸，為理解智能交通的演進(jìn)階段提供了實(shí)際參考。
架構(gòu)改進(jìn)與現(xiàn)實(shí)邊界
傳統(tǒng)交通感知體系長(zhǎng)期依賴單點(diǎn)設(shè)備，形成難以打通的信息孤島。
路口監(jiān)控?cái)z像頭受限于鏡頭角度，僅能覆蓋周邊有限范圍，無(wú)法捕捉遠(yuǎn)距離車(chē)輛變道等動(dòng)態(tài)行為；路段測(cè)速雷達(dá)功能單一，僅能記錄瞬時(shí)車(chē)速，缺乏對(duì)車(chē)輛類(lèi)型、行駛軌跡的識(shí)別能力。
更突出的問(wèn)題是，不同廠商設(shè)備遵循各自的數(shù)據(jù)標(biāo)準(zhǔn)，采集信息格式差異顯著，導(dǎo)致交通管理部門(mén)在整合數(shù)據(jù)時(shí)需投入大量精力做格式轉(zhuǎn)換與校準(zhǔn)，難以形成全局交通圖景，應(yīng)對(duì)早晚高峰擁堵、突發(fā)事故等復(fù)雜場(chǎng)景時(shí)往往被動(dòng)應(yīng)對(duì)。
從公開(kāi)資料看，MogoMind 的通感算一體化網(wǎng)絡(luò)對(duì)此做了改進(jìn)。
該模型構(gòu)建的多模態(tài)傳感器協(xié)同體系，將激光雷達(dá)、高清攝像頭、毫米波雷達(dá)的功能做了有機(jī)結(jié)合：激光雷達(dá)負(fù)責(zé)構(gòu)建道路環(huán)境三維模型，精準(zhǔn)捕捉目標(biāo)位置關(guān)系；高清攝像頭專(zhuān)注識(shí)別視覺(jué)細(xì)節(jié)，如信號(hào)燈狀態(tài)、車(chē)牌信息及行人姿態(tài)；毫米波雷達(dá)則在雨霧等惡劣天氣下保持穩(wěn)定的測(cè)速能力。
這些傳感器若被系統(tǒng)部署于燈桿、交通崗?fù)さ汝P(guān)鍵位置，就能形成連續(xù)感知網(wǎng)絡(luò)，數(shù)據(jù)通過(guò)統(tǒng)一接口傳輸，從源頭解決格式兼容問(wèn)題。
在數(shù)據(jù)融合環(huán)節(jié)，算法對(duì)不同傳感器信息做交叉驗(yàn)證：當(dāng)攝像頭因強(qiáng)光出現(xiàn)識(shí)別誤差時(shí)，激光雷達(dá)數(shù)據(jù)可做修正，有效提升了復(fù)雜路口交通參與者軌跡識(shí)別的準(zhǔn)確性。
但這種改進(jìn)存在明確邊界：郊區(qū)路段受設(shè)備部署與維護(hù)成本限制，感知網(wǎng)絡(luò)覆蓋密度很可能出現(xiàn)顯著下降。
城市核心區(qū)人口密集、交通流量大，傳感器部署效益可覆蓋成本；而郊區(qū)道路里程長(zhǎng)、流量小，同等密度部署需數(shù)倍投入，導(dǎo)致目前鄉(xiāng)道等偏遠(yuǎn)路段仍依賴傳統(tǒng)設(shè)備，形成城鄉(xiāng)結(jié)合部數(shù)據(jù)斷層。
車(chē)輛從城區(qū)駛?cè)虢紖^(qū)時(shí)，感知數(shù)據(jù)精度與更新頻率明顯下降，直接限制了該模型的作用范圍。當(dāng)然，不能指望一種模型能解決所有場(chǎng)景和成本問(wèn)題。
MogoMind 對(duì)路面摩擦系數(shù)的推算功能，試圖通過(guò)樣本車(chē)輛數(shù)據(jù)實(shí)現(xiàn)對(duì)道路物理狀態(tài)的精準(zhǔn)感知。
這一功能的核心矛盾在于對(duì)樣本數(shù)量的高度依賴，存在實(shí)際場(chǎng)景中車(chē)輛分布不均的沖突：在車(chē)流量充足時(shí)段，模型能較好完成推算；而在車(chē)流量稀少時(shí)段，推算準(zhǔn)確性下降。
凌晨等低峰時(shí)段，道路樣本車(chē)輛密度極低，數(shù)據(jù)稀疏成為物理信息采集的現(xiàn)實(shí)瓶頸。
交通系統(tǒng)需要 24 小時(shí)不間斷運(yùn)行，即使車(chē)流量稀少時(shí)段，也可能出現(xiàn)暴雨、結(jié)冰等突發(fā)情況，亟需模型提供準(zhǔn)確路面信息，但樣本不足導(dǎo)致模型難以有效發(fā)揮作用，形成難以通過(guò)算法優(yōu)化解決的 " 時(shí)間盲區(qū) "。
交通狀態(tài)模擬功能則受限于人類(lèi)行為的不確定性。
交通系統(tǒng)包含大量受情緒、群體心理等非結(jié)構(gòu)化因素影響的人類(lèi)行為，在大型活動(dòng)散場(chǎng)等場(chǎng)景中，行人行為具有顯著隨機(jī)性，其背后的影響因素難以轉(zhuǎn)化為模型可識(shí)別參數(shù)，導(dǎo)致預(yù)測(cè)準(zhǔn)確率驟降，凸顯了當(dāng)前 AI 在理解人類(lèi)復(fù)雜行為時(shí)的固有局限。
落地現(xiàn)實(shí)梗阻與根源
在城市交通管理中，模型與實(shí)際需求的錯(cuò)位本質(zhì)，是算法邏輯與社會(huì)邏輯的割裂。
MogoMind 是以提升通行效率為核心目標(biāo)的優(yōu)化方案，可能在提高主干道通行效率的同時(shí)，忽視學(xué)校周邊等區(qū)域?qū)Π踩?、公平的特殊需求?/p>
比如這個(gè)模型基于效率優(yōu)先的信號(hào)燈配時(shí)調(diào)整，可能縮短人行橫道綠燈時(shí)間，增加學(xué)生過(guò)馬路的安全風(fēng)險(xiǎn)。
如何將安全、公平等社會(huì)價(jià)值量化為模型可處理的指標(biāo)，既是行業(yè)共性問(wèn)題，也是 MogoMind 未來(lái)技術(shù)迭代的方向。
在自動(dòng)駕駛車(chē)路協(xié)同應(yīng)用中，傳輸延遲問(wèn)題，主要源于電磁波傳播速度與車(chē)輛運(yùn)動(dòng)速度的客觀差距。
即使采用先進(jìn)通信技術(shù)，數(shù)據(jù)從路側(cè)系統(tǒng)傳輸至車(chē)輛并完成處理，仍會(huì)產(chǎn)生一定延遲。
在緊急場(chǎng)景中，這種延遲可能影響車(chē)輛避險(xiǎn)決策，因此車(chē)路協(xié)同必須依賴車(chē)載傳感器與路側(cè)系統(tǒng)的 " 雙重冗余 " 設(shè)計(jì)。
這種設(shè)計(jì)現(xiàn)實(shí)需求，雖然增加了系統(tǒng)復(fù)雜性與成本，但在當(dāng)前技術(shù)條件下是保障安全的必要選擇。
MogoMind 的核心價(jià)值，不在于提供成熟解決方案，而在于其暴露的問(wèn)題為行業(yè)指明了技術(shù)突破方向：需同時(shí)攻克物理信息采集盲區(qū)、人類(lèi)行為建模盲區(qū)與多目標(biāo)平衡盲區(qū)三大難關(guān)。
解決這些問(wèn)題需要跨學(xué)科融合創(chuàng)新：破解人類(lèi)行為建模難題，需交通工程師與社會(huì)學(xué)家合作總結(jié)行為規(guī)律。
比如突破物理采集盲區(qū)，依賴低成本、低功耗傳感器研發(fā)與邊緣計(jì)算技術(shù)應(yīng)用；平衡多目標(biāo)則需要政策制定者、管理者與算法專(zhuān)家協(xié)作，將社會(huì)價(jià)值轉(zhuǎn)化為可量化指標(biāo)。
作為智能交通領(lǐng)域的探索者，MogoMind 的實(shí)踐證明了通感算一體化的可行性，也讓行業(yè)認(rèn)識(shí)到智能交通發(fā)展需與城市規(guī)劃、社會(huì)治理深度融合。
蘑菇車(chē)聯(lián)官方消息稱(chēng) MogoMind 是 " 首個(gè)物理世界認(rèn)知模型 "，其 " 首個(gè) " 的全部?jī)r(jià)值，并不限于商業(yè)層面——就技術(shù)角度看，這個(gè)模型暴露的短板，也為后續(xù)研發(fā)標(biāo)出了攻堅(jiān)坐標(biāo)，這將推動(dòng)智能交通在漸進(jìn)式探索中不斷前進(jìn)。
