您现在的位置是：首页 > 保险保险

时报会客厅丨AI全面赋能交通行业，大模型让城市更“知行”

小财2023-12-11【保险】128067人已围观

从去年ChatGPT发布以来，大模型的火热持续至今，并加速走向应用，赋能千行百业。从金融、交通，到教育、医疗，一段时间以来，各个行业大模型如雨后春笋般出现在世人面前，展现了“AI赋能千行百业”的能力。

交通行业是最早拥抱大模型的行业之一。在大模型“智能涌现”的加持下，从乘客服务到智能运维，再到应急管理，城市出行正发生着深刻变化。大模型如何重塑轨道交通？给我们每个人的出行带来了哪些变化？当前的主要技术挑战是什么？日前，佳都科技副总裁兼中央研究院执行院长周志文、佳都科技首席人工智能科学家王凯走进证券时报・时报会客厅，探讨大模型如何让城市更“知行”。

点击图片查看直播回放↑↑↑

大模型全面赋能客服、运维与应急管理

证券时报记者：与过去传统的AI技术相比，大模型给交通行业带来了哪些变革？

周志文：在过去的大半年里，佳都科技投入了大量资源，构建我们的“知行”交通大模型，也看到了大模型对交通行业带来的多重变革。

一方面，对于交通运输的管理者和组织者而言，交通态势感知的能力得到大幅度提升。通过与海量的前端业务数据对接，掌握气候变化、交通流量等情况，感知交通实时态势。我们也正在研发时空决策大模型，让交通管理部门能够实时监测和分析车辆道路、信号灯等变化，减少交通拥堵，降低安全隐患，服务于交通综合治理。以广东为例，非机动车的治理一直是令管理部门头疼的问题，视觉大模型就可以发挥到很大作用，可以实时感知和识别非机动车引发的交通事故，甚至在某些场景下进行事故预测研判。

另一方面，从普通市民出发，大模型应用于智能客服，能提供实时的交通咨询、问题解答，有助于提升出行体验。另外，大模型可以用自然语言的方式实现人机交互、人机协同，为市民提供个性化出行推荐、路径规划。总而言之，大模型对交通行业的影响是深刻而长远的。

证券时报记者：如果以一名乘客的视角，从进入地铁站到买票，再到出站这个完整的行程当中，我们都有哪些时刻与大模型进行了“亲密接触”?

周志文：亲密接触的时刻有很多。第一是进出站场景，通过大模型深度智能化的技术，可以实现掌静脉、指静脉等身体特征的识别进出站，身体特征的应用在大模型加持下会加速应用到轨道交通当中。第二是智能客服，以前的智能客服只能回答简单问题，现在可以回答所有与地铁出行相关的问题，比如票价、换乘方案等。第三是安检场景，轨道交通高峰时期，安检点容易拥堵，大模型可以对安检设备进行全面升级，通过图形化识别技术，快速识别可疑物品，甚至未来可能做到人包同行，提升安检效率。第四是等待和乘坐地铁时，地铁广播视频播报信息将更加个性化，车厢的温度、速度、路面的天气、公交情况都可以实时播报。最后是在大型交通枢纽中，可以运用智能识别算法，及时发现整个车站的异常事件和行为，提早预警，使整体相出行效率和安全指数更高。

证券时报记者：与传统的智能客服相比，大模型加持下的智能客服为何能“更聪明”“更懂乘客”？

周志文：过去的智能客服是通过捕捉乘客的语音，识别成文本，再通过文本识别出其中的关键词，通过关键词在知识图谱里去找一对一的答案，所以只能回答简单问题。大模型时代，智能客服可以实现语义理解，深刻理解客户意图与动机。对于描述模糊的语言，它识别出来以后能多轮追问，提供更精准的答案。例如，乘客和智能客服说“我要去白云机场”，但白云机场有两个航站楼，智能客服会追问“你要去哪个航站楼”“你希望什么时间到”等，交互性大大提升。再比如，在失物招领场景中，智能客服可以多轮提问，更精准地锁定失物丢失地点等，降低车站运营人员工作负担。

证券时报记者：大模型在帮助地铁工作人员提升工作效能方面，有哪些主要的应用?

王凯：交通大模型提供了一个更加智能、高效也更有预见性的运维环境。首先，它可以自动提报故障，智能填报故障对应的工单，并提供专家级别的处理建议，还可以事后复盘，自动生成故障处理报告，方便未来应对类似故障。例如，地铁的屏蔽门如果出现一个故障无法锁紧，以前需要人工提报工单描述问题，再根据工单内容人工派单，响应速度比较慢。大模型可以凭借工作人员发出的语音指令，例如“某某站某某方向站台门无法关闭，出现信号故障，请帮我生成工单”这一指令，迅速生成并下达工单，派发给对应的工作人员，实现了流程优化以及效率提升。

交通大模型还化身为一个全能的运维专家，为维修人员提供24小时在线的指导服务。随着轨道交通行业数字化转型的深入，系统变得越来越复杂，对运维的专业性、操作难度都有了更高的要求。一个员工，尤其是新员工遇到棘手的问题，往往会不知所措。有了交通大模型的帮助，员工对故障的处理将更有经验。当然，这些都只是其中的一些例子，大模型赋能智能运维还有很多场景，总体上都是重塑运维流程，使其更高效。

证券时报记者：在赋能应急管理方面，大模型是怎样发挥作用的？比如在公共交通出现突发大客流进行应急疏运，大模型提供的方案与传统方案相比有何提升？

周志文：大模型应急响应的效率和准确性更高，能更好地预测和管理复杂交通状况。首先它能够分析大量的实时数据，包括车辆的位置、车速、乘客流量等，预测短期的客流变化，这种能力使我们可以更快识别潜在的拥堵点、客流过载区域等，提前做好应急准备。其次，在动态应急方案制定方面，它也更有优势。传统应急疏导是提前制定预案，不一定适应突发的真实情况，但大模型具有动态生成的能力，可以基于实时数据和情况，结合历史特征和经验，动态生成适合当下的个性化的疏运方案，更加灵活和有效。

有望落地更多场景，但仍存多重技术挑战

证券时报记者：交通管理千城千面，不同城市有不同的特点，不同道路也有不同的行车模式和交通流量特征。交通行业大模型在不同的城市间是否有可迁移性？

王凯：传统的AI技术，或者说传统的强化学习技术，确实在应对这一问题上会有一定难度，因为它面对新场景、新数据、新问题都需要重新训练一个新的模型来解决对应的问题。而大模型最大的不同就是它拥有强大的泛化能力，因为它经过了千亿级甚至更大规模的参数训练，训练的token数对应的数据也是万亿级别的，这使得大模型具备了传统强化学习所不具备的泛化能力。所谓的泛化能力，就是指大模型处理没有见过的、不同于训练数据的情况时，仍能够做出比较准确、合理的预测或者决策。这一能力得益于大模型的“鲁棒性”（Robust的音译，指在某些参数略微改变或控制量稍微偏离最优值时，系统仍然保持稳定性和有效性），尽管不同城市数据多种多样，但大模型不会因为数据偏离之前训练数据的标准差、方差而导致不准确，有比较好的适应性。

其次，大模型有迁移学习的能力，基于历史学到的知识，在面对稍有不同的客流情况时也能够适用。再次，大模型还有抽象和推理的能力，因为其基于很多层不同的、复杂的神经网络，类似于人类大脑的神经网络，能够理解和处理更高层次的抽象概念，进行逻辑推理，解决相应的问题，所以即使是面对之前没有处理过的案例也可以进行解决。这些能力，使大模型能在不同城市交通间迁移。

证券时报记者：据了解，佳都科技的知行大模型有轨道交通大模型和城市交通大模型，二者有何区别？是否可能实现融合？

王凯：轨道交通大模型主要针对地面以下及一部分轻轨地铁，城市交通大模型则应用范围更广泛，包括高速公路、隧道、停车场等，都属于广泛的城市交通范畴。二者训练的语料和数据是有差异的，轨道交通大模型用的是地铁运行和运维数据，城市交通更多是用到了车辆的GPS数据、道路的信号机数据、视频监控数据等。应用场景也不一样，轨道交通大模型主要应用于乘客服务、地铁运维、行车调度等；城市交通大模型集中于交通流量管理，比如路况的监测、智能导航、应急调度等。

虽然有不同之处，但二者并不是孤立的两套系统，在很多层面上能够融合。首先在数据层面，数据的抽取、清洗、转换，我们都可以做到跨域的数据打通，形成高效的数据资产；其次在技术层面，这两个模型底座都是基于谷歌Transformer的深度学习底层框架构建的，即便具体的模型架构有一些微调，也可以通过技术手段进行嫁接集成，形成一个立体化交通管理的、更加丰满的大模型，为城市整体的交通规划和管理提供更加强力的支撑。

证券时报记者：大模型要真正实现对交通行业的全新塑造与全面赋能，当前还存在哪些主要挑战？

王凯：首先是数据的广泛收集和加工处理的挑战。以佳都为例，我们前几个版本的发布基本上将我们自己所掌握的、各种维度的数据都做了处理。然而，随着语言类行业语料逐渐耗尽，我们需要拓展新的语料，包括跟中国城市轨道交通协会合作，获取更加全面丰富的行业数据。除此以外，数据的治理、安全、合规等问题也都需要消耗大量的人力和成本。

其次是多模态数据的挑战。未来无论是聚生智能的机器人还是智能体，需要的不仅仅是语言文本的数据，还需要很多跨模态数据，例如图像、短视频、音频等。在复杂的交通场景下，多模态能力的要求是很高的，不仅数据维度多，数据还具有实时性，需要能够高效满足后续的训练对齐要求。

时报会客厅丨AI全面赋能交通行业，大模型让城市更“知行”