目录

参考文献来源：常光照 | 作者 从“会说话”到“能干活”还有多远？

01 政策技术双轮驱动，交通大模型迎来爆发契机

02 四大瓶颈制约，交通大模型落地仍面临挑战

03 脚踏实地，攻坚交通大模型落地之路

---

参考文献来源：常光照 | 作者 从“会说话”到“能干活”还有多远？

交通大模型：从“会说话”到“能干活”还有多远？
——政策风口下的冷思考与攻坚路径

一、从“能答”到“能做”：政策与技术双重临界点
七部委联合印发的《关于“人工智能+交通运输”的实施意见》首次给出明确时间表：2027年综合交通大模型体系建成，2030年智慧交通整体水平世界领先。这意味着交通大模型已从“要不要干”上升为“必须干成”的国家工程。与此同时，上海、深圳、重庆等地相继把“交通大模型”写入数字化转型硬任务，并配套亿元级专项资金。政策、资金、场景、算力四要素齐备，行业进入“落地验证窗口期”。

二、四大“卡脖子”环节让大模型仍停留在“口嗨”

1. 数据关：交通数据分散在交管、运输、公安、气象、运营企业五大“烟囱”，标准、口径、密级不一，“物理汇聚”难上加难。

2. 标准关：语料格式、接口协议、评测指标、安全等级各自为政，导致“百家模型”互不握手，重复造轮子。

3. 场景关：多数PoC停留在“问答、看图、写报告”层面，与信号控制、调度排班、应急指挥等核心业务尚未“硬挂钩”。

4. 信任关：强监管行业首要是“免责”，算法黑箱与责任空白让决策者“不敢用、不愿用”。

三、把“说话”变成“干活”的三把钥匙
（一）高质量语料是“燃料”——先建“行业数据基座”再谈大模型

• 由国家数据局牵头，打造“1+N”交通语料库：1个覆盖道路、轨道、航空、水运通用语料，N个面向信号控制、设施运维、物流调度等专属语料；

• 统一时空ID（WGS84+UTC+设备编码）+差分隐私出境，实现“数据不出域、模型能出域”。

（二）小切口深穿透——用“场景智能体”撬动核心业务

• 把复杂业务拆成可闭环的微工作流，例如“地铁大客流预警→调度命令自动生成→信号配时在线下发→现场反馈迭代”；

• 先让大模型在“15分钟级”客流预测、信号灯绿波优化、应急车道临时开放等单点替代人工决策，MAPE＜6%、延误下降≥10%即可规模化复制。

（三）共建生态与治理——把“接口”变“标准”，把“黑箱”变“白盒”

• 依托国家产业联盟发布《交通大模型接口白皮书》，规定数据格式、调用协议、安全等级、责任链条，实现“即插即用”；

• 建立“模型-场景-安全”三维评测场，引入第三方机构对算法可解释性、功能安全（SIL/ASIL/DAL）进行双认证，解决“敢用”问题；

• 设立“AI责任险”与“人类兜底权”，明确AI决策失误的赔偿与追溯机制，消除监管顾虑。

四、结语：让大模型“跑”在轨道上而不是PPT里
政策给出了“时间表”，市场准备好了“资金表”，行业亟待“成绩单”。下一步，交通大模型必须深入信号机、调度台、应急指挥车这些“硬核心”，用可量化的降本、增效、安全指标证明自己：

• 信号控制：干线行程时间↓10%以上；

• 设施运维：故障预警准确率≥90%，误报率≤5%；

• 应急处置：方案生成时间从小时级压缩到分钟级。

只有当大模型---

智能交通系统 （ITS） 对于智慧城市的开发和运营至关重要，可以解决效率、生产力和环境可持续性方面的关键挑战。大型语言模型（LLMs）在优化ITS方面的变革潜力。各种 LLM 技术（例如 GPT、T5、CTRL 和 BERT）的理论背景，它们与 ITS 应用相关性。 LLM 在 ITS 中的广泛应用，包括交通流量预测、车辆检测和分类、自动驾驶、交通标志识别和行人检测。揭示了这些先进模型如何显着增强交通管理和安全性。

近日，交通运输部会同国家发展改革委、工业和信息化部、国家数据局、国家铁路局、中国民用航空局、国家邮政局联合印发《关于“人工智能+交通运输”的实施意见》，明确提出到2027年建成综合交通运输大模型体系，到2030年形成世界领先的智慧交通体系-2。

“人工智能＋交通运输”实施意见印发_部门动态_中国政府网https://www.gov.cn/lianbo/bumen/202509/content_7042372.htm

这一政策红利为交通行业与人工智能深度融合提供了制度保障和发展方向。

在机遇与挑战交织的背景下，我们必须思考：交通大模型能否真正成为行业升级的“发动机”，而不是停留在概念上的“高调口号”？笔者将从机遇、挑战与对策三个层面谈一些想法。

---

01 政策技术双轮驱动，交通大模型迎来爆发契机

政策支持力度空前。此次实施意见不仅由交通运输部牵头，更有国家层面多部门联合推动，显示了交通与人工智能深度融合的国家战略高度-2。

“人工智能＋交通运输”实施意见印发_部门动态_中国政府网https://www.gov.cn/lianbo/bumen/202509/content_7042372.htm

《意见》从加大关键技术供给、加速创新场景赋能、加强核心要素保障、优化产业发展生态四大方面，部署了16项具体任务-6https://news.youth.cn/gn/202509/t20250926_16261253.htm。

《实施意见》明确了“人工智能+交通运输”行动总体目标：到2027年，人工智能在交通运输行业典型场景广泛应用，综合交通运输大模型体系落地部署，普及应用一批智能体，建成一批标志性创新工程；到2030年，人工智能深度融入交通运输行业，智能综合立体交通网全面推进，关键核心技术自主可控，总体水平居世界前列。《实施意见》主要部署了以下4方面任务。

地方政府也在积极响应。上海、深圳、重庆等地已将交通大模型写入数字化转型或智慧交通建设行动方案，并推出专项资金与试点示范工程。未来几年，交通大模型将在政策驱动下加速落地，成为智慧交通建设的重要支点。

技术与产业格局日趋成熟。从技术和产业格局来看，交通大模型已进入快速涌现期。行业内不仅有北交大、北航、同济等高校发布的交通大模型，也有百度、商汤、华为等传统大厂依托自身通用大模型能力构建的行业大模型，也有中交信科、海信、深城交等交通类企业发布的交通大模型。

上海更是成立了国内首家以交通大模型为主营业务的专业公司——中城交（上海）科技有限公司。交通大模型正处于“百家争鸣”的阶段，竞争与合作并存，生态正在逐步成型。

交通领域具有独特场景优势。通用大模型技术近两年发展很快，在零售、娱乐、金融、医疗等领域已经有了广泛的应用。与其他行业相比，交通领域的应用场景多、数据量庞大、公共性强，天然适合大模型技术落地-3

-3。

例如，城市道路交通的信号调控与拥堵治理，公路、隧道等基础设施的巡检与灾害预警，交通政务服务与应急调度，均是典型的高频刚需场景-4。

目前全国各地的多个交通大模型相关的项目都正在陆续招标，招标金额也较大。希望通过实战应用，能够验证交通大模型在“提效、降本、增安”方面的价值。

02 四大瓶颈制约，交通大模型落地仍面临挑战

数据鸿沟与共享难题。交通数据高度分散在交通局、公安交管部门等不同部门及企业，数据标准不统一，数据接口不兼容，公共数据与企业数据难以融合-5。

交通数据主要由政府或国企控制，经常由于数据安全的问题不能出域，更谈不上共享。这种“数据孤岛”现象严重制约了大模型的训练与应用能力。

行业保守、政府主导特征明显。交通行业具有强监管属性，决策周期长，强依赖政府预算，对创新的接受度偏低-10。在大模型应用中，政企之间的信任、数据开放度、商业模式可持续性，均需要探索与磨合。

交通从业人员大多数也相对传统、保守，遇到创新技术的时候，首先要考虑的是如何降低风险，免除责任，而不是包容性的试错导向。这意味着，交通大模型的推广节奏相对缓慢，难以完全由市场决定。

标准体系尚未建立。目前交通大模型缺乏统一的技术标准和评测体系，各家企业及高校各自为政-5。研发的大模型及相关应用接口不通、语义不一，交通行业大模型训练的语料和技术路径都千奇百怪，这样既增加了重复建设成本，也阻碍了行业间的互联互通。很多应用还处于“摸着石头过河”的探索阶段。

大模型应用深度不足，大多停留表层。当前多数交通大模型应用集中在信息查询、文本生成和简单的视觉识别层面，而对于真正能够起到作用的复杂交通场景-10。

如道路交通信号控制、城市综合交通规划，交通调度优化、设施全生命周期管理、跨方式联运决策等深层次场景的应用，仍然非常稀缺。换言之，大模型“会说话”，但“能干活”的案例还不多。

03 脚踏实地，攻坚交通大模型落地之路

夯实高质量数据集建设。大模型的价值高度依赖数据-5。“大模型数据源不够丰富，数据量较少，数据获取难度大，数据质量参差不齐，大模型训练数据样本缺乏，无法构建有效的交通大模型，难以形成对现有复杂动态交通系统的支撑”

既要优先推动行业的数据融合，做高质量数据集建设工作，建设覆盖城市道路、公路、设施、政务、物流等行业通用的高质量交通数据集。

同时，也要针对具体应用场景，建设专属智能体对应的高质量数据集工作。在此过程中，要强化数据标准、接口规范与安全机制，确保数据既可用又可控。

《意见》明确提出将“加快高质量数据集建设”作为核心要素保障的重点任务，推动产学研用各方深化数据共享，建设高质量人工智能大模型训练数据集-4。

以场景为锚点，推进闭环迭代。交通大模型应用不应盲目追求大而全，而应从具体小场景入手-10。例如，把一个非常复杂的交通场景，拆分为若干个工作流，其中的一部分工作流，能够用大模型做赋能或者取代，已经是很有价值了。

随着大模型技术的发展，应用范围和应用深度可以逐步扩大，最终可以形成交通领域的“超级智能体”。在应用落地的过程中，也要不断收集数据、迭代模型，逐步形成“场景牵引—模型优化—规模复制”的良性循环。

培育生态、共建标准与治理机制。交通大模型不是单一企业能完成的任务，需要产学研用多方参与-8。《意见》提出推动组建交通大模型创新与产业联盟，整合国内人工智能领域头部公司、行业企业、高校院所等创新主体，通过共享算力、共建语料、共训模型，培育开放融合的共赢生态-2。

可以依托国家和地方的产业联盟，加快形成行业标准和评测体系，建设交通 AI 测试场景库，推动企业之间的接口互通与能力共享-4。

同时，要建立健全的伦理审查和安全治理机制，防止算法黑箱与潜在风险-4。

---

政策已经指明方向，技术不断突破瓶颈，市场等待真正有价值的产品。交通大模型正处在从“会说”到“会干”的临界点，下一步将是深入行业核心业务，在交通调度、信号控制、应急处置等关键场景中证明自己的价值-4。

毕竟，在交通运输领域，真正的智能不是能回答多少问题，而是能解决多少问题。