问
本刊记者
——
答
杨晓光
——
大模型通常指的是大语言模型（LargeLanguageModel，LLM），之所以被冠以“大”之名，是因为它拥有数以亿计的参数和更为复杂的结构。在实际应用中，大模型已渗透到自然语言处理、计算机视觉、机器学习等领域，且在语音识别、文本生成、机器翻译、智能问答、智能决策等方面取得了突破性成果。当前，大模型首先在自然语言处理领域取得重大突破，拉开了通用人工智能的序幕。可以说，大模型正逐步成为推动智能化应用的重要驱动力，其广泛应用和持续创新将为社会发展带来深远影响。
结合实践，大模型具有独特的“发展潜力”。一是多模态感知能力。大模型可同时处理文本、图像、视频、传感器数据等多模态信息，如通过监控视频实时识别交通事故、违法行为。二是时空推演与预测能力。大模型基于历史数据与实时信息，推演未来交通态势，如拥堵传播、事故风险。三是跨场景泛化能力。大模型通过预训练与微调，可快速适配不同城市、不同场景的交通治理需求。四是高效决策与资源优化。大模型通过实时分析与动态优化，提升交通资源配置效率。
问
本刊记者
——
答
杨晓光
——
人工智能技术的快速发展为城市交通治理提供了新的思路和手段。通过人工智能技术的深度应用，交通管理者可以更高效地调配交通资源，提升通行效率，减少交通事故，推动城市交通系统向智能化、精细化方向发展。然而，在实际应用中，仍面临诸多挑战，需多方协同解决。一是数据壁垒。交通数据分散在公安、交通、城管和诸多运营商等部门，缺乏统一的数据标准和共享机制，难以实现高效共享，建议推动跨部门数据共享平台建设，制定数据开放与隐私保护政策和法规。二是模型泛化。不同城市交通特征差异大，模型适配成本高，且极端场景（严重交通事故等突发事件，自动驾驶车辆混行）适应性不足，建议构建通用城市与交通治理大模型底座，支持快速微调与本地化适配应用。三是伦理、隐私风险。人工智能算法的可靠性与可解释性、人工智能决策的“黑箱”问题，使交管部门难以完全理解人工智能的决策逻辑，特别是大模型，可能涉及个人隐私、数据安全保护、责任归属、社会接受度等问题，建议采用联邦学习、差分隐私、区块链等技术，确保数据安全与合规使用，提升社会的认可度和信任度。
问
本刊记者
——
答
杨晓光
——
人工智能技术赋能城市交通治理已成为城市发展的必然趋势。但必须充分地认识到，目前人工智能大模型主要是通用人工智能，而非专用人工智能。为了更好地推动人工智能技术在城市交通治理的探索应用，我认为，需把握以下几点：
首先，坚持人工智能“解决真问题”“真解决问题”和“问题真解决”的原则。加强数据共享机制，构建交通大模型生态。推动跨部门、跨领域数据共享，打造开放协同的交通治理平台，建立统一的交通大数据共享平台，实现数据互联互通。优化人工智能算法透明度，开发可解释性强的人工智能模型，提高交通管理者、公众等用户对智能交通决策的理解和信任。推动技术普惠，通过云端服务降低中小城市使用大模型的门槛。加快基础设施智能化改造，利用5G乃至6G+人工智能、智能联网技术，推动智能交通基础设施建设，为智能交通系统提供高质量数据支撑。
其次，完善法规与标准体系，通过制修订相关法律法规，确保技术应用的安全性、合规性、共享性，明确算法决策的辅助性定位，建立“机器初筛+人工复核”双轨机制，对人工智能误判实行责任倒查。严格限定生物特征识别技术的使用边界，严禁非授权状态下的人脸识别追踪，守护公众数字权益。
未来，政府、企业和科研机构需加强深度协同合作，推动技术创新，真正实现新一代智能交通管理体系，赋能城市交通高效能、高质量、高科技、可持续发展。
本文刊发于《道路交通管理》杂志2025年第3期