黃雅如

作者：周源/華爾街見聞

7月27日，自動駕駛全棧技術與運營服務提供商蘑菇車聯(lián)（MOGOX），在2025WAIC發(fā)布首個物理世界認知大模型“MogoMind”。

通過全域覆蓋的通感算一體化設備，MogoMind能全天候、不間斷捕捉車輛行駛軌跡、速度變化、交通流量、行人動態(tài)等海量異構數(shù)據(jù)。

蘑菇車聯(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時搜索引擎，是通往現(xiàn)實世界的超級入口。

王凱說，“通過接入物理世界實時動態(tài)數(shù)據(jù)，MogoMind能實現(xiàn)全局感知、深度認知與實時推理決策，為AI網(wǎng)絡基礎設施建設、實現(xiàn)實時數(shù)字孿生效果、路側數(shù)據(jù)上車應用，提供關鍵支撐，成為城市和交通高效運行的‘AI數(shù)字基座’?！?/p>

從功能上看，通過全域覆蓋的通感算一體化設備，MogoMind不僅能識別路面狀況、交通標識、障礙物的物理狀態(tài)，還能將復雜的交通環(huán)境信息轉(zhuǎn)化為可理解、可執(zhí)行的智能決策建議，為交通管理部門和出行者提供應對方案。

因此，MogoMind將擔當起城市交通決策中樞、車輛行駛多能助手、自動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)認知轉(zhuǎn)型的一次具體實踐，該模型的技術路徑與應用表現(xiàn)，既體現(xiàn)了對現(xiàn)有交通痛點的回應，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階段提供了實際參考。

架構改進與現(xiàn)實邊界

傳統(tǒng)交通感知體系長期依賴單點設備，形成難以打通的信息孤島。

路口監(jiān)控攝像頭受限于鏡頭角度，僅能覆蓋周邊有限范圍，無法捕捉遠距離車輛變道等動態(tài)行為；路段測速雷達功能單一，僅能記錄瞬時車速，缺乏對車輛類型、行駛軌跡的識別能力。

更突出的問題是，不同廠商設備遵循各自的數(shù)據(jù)標準，采集信息格式差異顯著，導致交通管理部門在整合數(shù)據(jù)時需投入大量精力做格式轉(zhuǎn)換與校準，難以形成全局交通圖景，應對早晚高峰擁堵、突發(fā)事故等復雜場景時往往被動應對。

從公開資料看，MogoMind的通感算一體化網(wǎng)絡對此做了改進。

該模型構建的多模態(tài)傳感器協(xié)同體系，將激光雷達、高清攝像頭、毫米波雷達的功能做了有機結合：激光雷達負責構建道路環(huán)境三維模型，精準捕捉目標位置關系；高清攝像頭專注識別視覺細節(jié)，如信號燈狀態(tài)、車牌信息及行人姿態(tài)；毫米波雷達則在雨霧等惡劣天氣下保持穩(wěn)定的測速能力。

這些傳感器若被系統(tǒng)部署于燈桿、交通崗亭等關鍵位置，就能形成連續(xù)感知網(wǎng)絡，數(shù)據(jù)通過統(tǒng)一接口傳輸，從源頭解決格式兼容問題。

在數(shù)據(jù)融合環(huán)節(jié)，算法對不同傳感器信息做交叉驗證：當攝像頭因強光出現(xiàn)識別誤差時，激光雷達數(shù)據(jù)可做修正，有效提升了復雜路口交通參與者軌跡識別的準確性。

但這種改進存在明確邊界：郊區(qū)路段受設備部署與維護成本限制，感知網(wǎng)絡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、流量小，同等密度部署需數(shù)倍投入，導致目前鄉(xiāng)道等偏遠路段仍依賴傳統(tǒng)設備，形成城鄉(xiāng)結合部數(shù)據(jù)斷層。

車輛從城區(qū)駛入郊區(qū)時，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。當然，不能指望一種模型能解決所有場景和成本問題。

MogoMind對路面摩擦系數(shù)的推算功能，試圖通過樣本車輛數(shù)據(jù)實現(xiàn)對道路物理狀態(tài)的精準感知。

這一功能的核心矛盾在于對樣本數(shù)量的高度依賴，存在實際場景中車輛分布不均的沖突：在車流量充足時段，模型能較好完成推算；而在車流量稀少時段，推算準確性下降。

凌晨等低峰時段，道路樣本車輛密度極低，數(shù)據(jù)稀疏成為物理信息采集的現(xiàn)實瓶頸。

交通系統(tǒng)需要24小時不間斷運行，即使車流量稀少時段，也可能出現(xiàn)暴雨、結冰等突發(fā)情況，亟需模型提供準確路面信息，但樣本不足導致模型難以有效發(fā)揮作用，形成難以通過算法優(yōu)化解決的“時間盲區(qū)”。

交通狀態(tài)模擬功能則受限于人類行為的不確定性。

交通系統(tǒng)包含大量受情緒、群體心理等非結構化因素影響的人類行為，在大型活動散場等場景中，行人行為具有顯著隨機性，其背后的影響因素難以轉(zhuǎn)化為模型可識別參數(shù)，導致預測準確率驟降，凸顯了當前AI在理解人類復雜行為時的固有局限。

落地現(xiàn)實梗阻與根源

在城市交通管理中，模型與實際需求的錯位本質(zhì)，是算法邏輯與社會邏輯的割裂。

MogoMind是以提升通行效率為核心目標的優(yōu)化方案，可能在提高主干道通行效率的同時，忽視學校周邊等區(qū)域?qū)Π踩?、公平的特殊需求?/p>

比如這個模型基于效率優(yōu)先的信號燈配時調(diào)整，可能縮短人行橫道綠燈時間，增加學生過馬路的安全風險。

如何將安全、公平等社會價值量化為模型可處理的指標，既是行業(yè)共性問題，也是MogoMind未來技術迭代的方向。

在自動駕駛車路協(xié)同應用中，傳輸延遲問題，主要源于電磁波傳播速度與車輛運動速度的客觀差距。

即使采用先進通信技術，數(shù)據(jù)從路側系統(tǒng)傳輸至車輛并完成處理，仍會產(chǎn)生一定延遲。

在緊急場景中，這種延遲可能影響車輛避險決策，因此車路協(xié)同必須依賴車載傳感器與路側系統(tǒng)的“雙重冗余”設計。

這種設計現(xiàn)實需求，雖然增加了系統(tǒng)復雜性與成本，但在當前技術條件下是保障安全的必要選擇。

MogoMind的核心價值，不在于提供成熟解決方案，而在于其暴露的問題為行業(yè)指明了技術突破方向：需同時攻克物理信息采集盲區(qū)、人類行為建模盲區(qū)與多目標平衡盲區(qū)三大難關。

解決這些問題需要跨學科融合創(chuàng)新：破解人類行為建模難題，需交通工程師與社會學家合作總結行為規(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)與邊緣計算技術應用；平衡多目標則需要政策制定者、管理者與算法專家協(xié)作，將社會價值轉(zhuǎn)化為可量化指標。

作為智能交通領域的探索者，MogoMind的實踐證明了通感算一體化的可行性，也讓行業(yè)認識到智能交通發(fā)展需與城市規(guī)劃、社會治理深度融合。

蘑菇車聯(lián)官方消息稱MogoMind是“首個物理世界認知模型”，其“首個”的全部價值，并不限于商業(yè)層面——就技術角度看，這個模型暴露的短板，也為后續(xù)研發(fā)標出了攻堅坐標，這將推動智能交通在漸進式探索中不斷前進。