0 引言
为贯彻习近平总书记关于大力发展智慧交通的重要指示精神，落实《交通强国建设纲要》《国家综合立体交通网规划纲要》《数字中国建设整体布局规划》等文件要求，交通运输部印发了《关于推进公路数字化转型 加快智慧公路建设发展的意见》（以下简称《意见》），提出要“推动公路建设、管理、养护、运行、服务全流程数字化转型”。为适应我国公路数字化转型需求，交通运输部正按照“1+N+X”的技术架构，加快建设综合交通运输大模型，即建设1套通用大模型底座、N个行业垂域大模型、一批面向应用的智能体。综合交通运输大模型参考框架如图1所示。
表1 国内外智慧公路建设特点 |
| 国家或地区 | 智慧公路建设特点 |
|---|---|
| 中国 | 围绕交通强国和新型基础设施建设，加快推进新一代信息技术与智慧公路深度融合，推动智慧公路架构设计、技术体系建设等 |
| 美国 | 大力开展以智慧公路为载体的车联网和自动驾驶应用，积极推动恶劣天气条件下车道通行、卡车自动驾驶编队等智能化应用场景 |
| 欧盟 | 打造数字交通走廊，推出自适应、自动化、有效应对气候变化的第五代韧性道路，强化不同路段车速趋同、分车道动态限速、动态绕行等主动交通管理应用 |
| 日本 | 以ETC2.0为载体，提升智慧公路车路协同服务功能，布设双向通信车路协同设备，提供自由流收费、动态费率、伴随式信息等智慧化服务 |
当前，智慧公路在传统的监控、收费、通信三大系统之上，采用人工智能（Artificial Intelligence, AI）、新一代通信等新技术实现了准全天候通行、伴随式出行信息服务、自由流收费、车道级交通控制、主动交通流管控、车路协同等功能，提升了智慧公路服务和管理水平。例如，利用AI的认知和推理能力，构建了智慧公路交通事件检测大模型（Incident detection Large Language Models, ID-LLM），可为交通事件救援及时提供决策信息，其工作原理如图1所示。
随着DeepSeek、GPT等AI大模型逐渐应用到智慧公路的业务场景中，推动智慧公路从感知智能向认知智能跨越，训练数据集质量差、决策逻辑不透明、运维复杂度增加等问题日益突出。为更好地赋能智慧公路业务场景，在分析智慧公路数字化转型形势基础上，对AI大模型研究情况和发展历程进行了梳理。围绕交通流预测、交通事件检测、自动驾驶、交通状态监测等智慧公路典型应用场景，在总结国内外研究成果的基础上，提出了面向多种典型场景的AI大模型框架，为数字化转型过程中的智慧公路业务场景智能化升级提供支撑。
1 公路数字化转型形势与需求
交通数字化转型是推动交通运输质量变革、效率变革、动力变革的重要途径，是抢占新一轮科技革命和产业变革先机的重点领域。利用5G、物联网、大数据、人工智能等新技术推动智慧公路数字化转型，可进一步提升公路建设、运营及管理水平，优化传统公路管理模式，实现“人享其行、物畅其流”目标。为推动数字化发展，欧美国家提出了各自的数字化基础设施发展报告、数字化发展战略等，旨在稳步推进新技术的研究与应用，并鼓励各方联合积极开展自动驾驶、数字化出行服务和数字化物流服务等方面的技术创新[4-5]。我国交通运输部发布的《意见》提出，到2027年，“构建公路设计、施工、养护、运营等‘一套模型、一套数据’，基本实现全生命期数字化”。
我国智慧公路经历了电子化和信息化、网联化和协同化为主要特征的两个发展阶段，目前进入以数智化和自主化为主要特征的智慧公路3.0阶段，该阶段以实现人、车、路、环境的高度协同优化为主，通过数据来精准驱动公路应用和服务提升[6]。万物智能互联时代下，自动驾驶车辆逐渐普及，公路基础设施智能化程度显著提升，通过充分利用车路协同系统的移动精准感知能力，构建公路全景交通信息交互环境，实现多方式交通网络的协同运营以及交通需求的主动动态调控，并逐步推动自主式公路系统发展，是我国智慧公路实现全面跨越和技术引领的重要阶段。
当前，我国公路数字化转型也面临一些挑战。“重建设、轻服务”的信息化思维仍然存在，使得智慧公路发展缺乏系统性和主动性，“烟囱型”架构问题导致数据难互通、应用不兼容，无法做到微观、精准的综合运行控制，难以适应未来数智化、多元化、自主化智慧公路服务需求。具体表现在以下方面。
1）智慧公路场景功能需求不清晰。智慧公路感知设备、车路协同设备等基础设施建设与自动驾驶需求脱节，准全天候出行、自由流收费、主动管控等功能场景难以落地，基础设施建设缺乏应用场景支撑，存在功能化过剩现象。场景需求不清晰导致路侧感知数据信息利用率偏低，为人、车服务的针对性不强，对于智慧公路的体验感和获得感不强，难以满足感知、运营、管理和维护需求。
2）智慧公路多源数据应用不闭环。智慧公路收费、监控、通信系统基本采用分散独立的运行管理模式，底层架构不统一，数据质量差异性大，既有门架、视频感知终端、物联传感器获得的感知数据价值难以得到深度挖掘。“统一底层架构→统一数据平台→统一标准应用→统一车路协同服务”的感知、运营、管理、服务的闭环尚未形成，制约了全流程公路数字化转型的实施。
3）智慧公路AI大模型支撑能力不足。智慧公路中人、车、路、环境参数具有多样性、复杂性、混合性、动态性和耦合性等特点，涉及的数据模态丰富多样，每种模态都有其独特性，使得传统通用大模型的应用效果面临着可解释性、泛化性等方面的诸多挑战。智慧公路AI大模型有效落地的关键在于其能否理解行业的专业语言逻辑和调用行业的专业模型，并将已有交通规则、法律法规、交通运行逻辑、交通控制数据与AI大模型深度融合，解决智慧公路中复杂综合性交通场景中的实际问题，提升大模型的准确性和泛化性，更好地适应智慧公路场景的多变性和复杂性。
2 智慧公路领域AI大模型发展现状
2.1 智慧公路领域AI大模型的研究进展
大模型的概念最早由弗雷德·贾里尼克于1972年提出，经过机器学习、深度学习，再到利用海量数据进行训练，并结合人类反馈信息进行强化学习，最终在2022年催生了ChatGPT预训练大模型。AI大模型在智慧公路领域得到了广泛应用，直接参与智慧公路的服务和管控任务，包括交通事故信息的采集与分析、交通预警信息的生成与推送、交通报表及报告的自动生成、智能出行助手服务及交通政策研究等多个方面。近几年，基于智慧公路交通管理规则的生成式AI大模型得到了广泛应用，通过多任务学习、多要素多模态特征融合及多尺度模型训练，形成从感知到决策的“端到端”一体化解决方案[7]。
表2 智慧公路领域AI大模型研究情况 |
| 研究领域 | 大模型 | 研究团队 | 研究成果 |
|---|---|---|---|
| 自动驾驶 | NEAT大模型[10] | 斯坦福大学 | 引入因果推理模块，突破多模态传感器数据的统一表征学习能力限制，如将激光雷达点云与视觉信息在隐空间进行对齐，通过对比学习策略增强模型的环境理解鲁棒性 |
| 基础设施 | Digital Twin Highway 大模型[11] | 剑桥大学 | 融合BIM与IoT数据构建了道路全生命周期的数字孪生体，实现了基础设施健康状态的自主诊断 |
| 交通组织 | MIT团队TrafficMind 大模型[12] | 麻省理工学院 | 通过融合城市路网拓扑数据与历史流量信息，模型可自动生成交通组织优化方案，并利用链式推理技术输出完整决策依据 |
| 车辆决策 | DriveBERT大模型[12] | 清华大学、 百度Apollo | 通过融合视觉、激光雷达、V2X信号等多源感知数据，构建了国内首个面向复杂交通场景的认知决策框架 |
| 群体决策 | CrowdFormer大模型[12] | 同济大学、 商汤科技 | 采用自注意力机制解析车辆交互关系，打破了传统跟驰模型的线性假设，通过大模型表征车群的涌现行为特征，为群体智能理论开辟了新方向 |
| 拥堵治理 | 拥堵溯源模型[12] | 华为、交通运输部 公路科学研究院 | 基于因果推理框架解析拥堵形成机理，通过主动式交通管理，实现拥堵路段秒级响应与局部交通流协同优化 |
| 车路云一体化 | 交通数字孪生 大模型[12] | 腾讯、交通运输部 规划研究院 | 通过物理引擎与神经辐射场技术的结合，设计现实路网与数字空间的动态映射机制，构建了可交互的虚拟交通环境。 |
2.2 智慧公路AI大模型的应用进展
AI大模型结合了人工神经网络的自然语言处理能力，以及对视觉、音频等多模态数据的理解与生成能力，通过自监督学习或半监督学习实现百亿、千亿甚至万亿参数规模的训练。其核心优势在于利用人工神经网络处理和理解来自不同模态的信息以完成复杂的任务，在自动驾驶、智能助理、内容推荐、教育培训等领域有广阔的应用前景。
AI大模型按模态一般分为文本模型、图像模型和多模态模型，其已融入智慧公路应用场景中。在基础设施方面，AI大模型可实现更加精准、高效的基础设施病害检测、大型设备故障预测等功能；在载运工具与装备方面，AI大模型催生出自动驾驶、智能船舶、智能高铁、低空无人机等新形态装备；在出行服务方面，AI大模型可有效提升交通流预测、交通主动管控和运行调度的科学化和精细化水平。
多模态大模型是一种融合了文本、图像、语音、视频等多种数据形式的人工智能技术，能够通过多源数据的深度融合，实现更精准的感知、理解和预测，成为智慧公路应用场景的重要支撑技术，陆续涌现出了经纬交通、MT-GPT、TransGPT等多模态大模型。下面以多模态大模型特定场景为例，介绍AI大模型的架构。
3 智慧公路AI大模型典型应用场景
随着大数据和算力的发展，以GPT、DeepSeek为代表的大模型逐渐应用于交通运输行业，通过利用海量多模态数据进行预训练，能够迁移至多个下游任务，展现出少样本学习、跨任务迁移、语言理解与生成、图像感知等多种能力。AI赋能智慧公路时，传统AI主要用于解决特定的控制与感知问题，如车道检测、交通灯识别、路径规划等，而AI大模型则更擅长处理复杂的多源信息融合、语义理解、动态交互与泛化学习问题，后者正在成为未来智慧公路协同感知与决策的核心引擎。智慧公路与大模型协同发展历程如图4所示。
3.1 交通流预测AI大模型
精准的交通流预测是智慧公路伴随式出行服务的关键技术之一，二者通过实时数据交互与智能决策形成闭环，共同提升智慧公路系统的运行效率和出行体验。鉴于交通数据的复杂性和深度学习模型固有的不透明性，提出具有较高的准确性和良好的可解释性的交通流预测AI大模型是当前智慧公路领域的研究热点之一。凭借良好的自然语言处理和机器学习能力，AI大模型可以解释、预测和响应交通网络中的复杂场景，从而优化交通管理并支撑决策[14]。为解决可解释性问题，Guo等人[15]提出了一种具有可解释性的交通流预测大模型。该大模型将交通流量、时间信息、地点特征、天气条件等外部因素转换为结构化的自然语言描述，可从交通流数据中捕获复杂的时间序列模式和外部因素，实现准确的交通流预测。
3.2 交通事件检测AI大模型
交通事件检测是利用人工智能技术对智慧公路中异常情况（如交通事故、道路拥堵、停车、逆行、行人闯入等突发事件）进行自动识别和监测，可提升智慧公路交通安全、交通效率。随着深度学习自监督技术和视觉Transformer技术的发展，涌现出大量基于预训练的交通事件检测AI大模型。该类模型先使用自监督学习技术，基于海量的图片数据集进行预训练，使模型充分掌握图像语义的高维表征范式，再使用少量的交通事件图像标定数据对模型进行监督微调，可显著提升AI大模型对零样本或少样本交通事件的检测能力。
基于Transformer架构，一些研究人员研发了性能更优的LLaMA-VID、VideoLLaMA2等视觉大模型，以支持智能视频分析、视频描述生成、视频推荐和搜索，有效提升了交通事件检测AI大模型的检测精度[17-18]，如：邢万勇等人[19]提出了基于百度文心统一特征建模技术的交通事件检测方法，破解了小样本交通事件检测难题，覆盖了抛洒物、异常停车、施工围蔽、行人闯入、非机动车、逆行、交通事故、火灾等高频交通事件，极大提高了交通事件检测范围和高频事件的检测准确率；Grigorev等人[20]利用大模型从非结构化文本事故报告中提取特征，通过对比大模型生成的特征与传统事故报告中的基线特征，利用复合机器学习方法显著提高了交通事件严重程度分类的准确性；吴精乙等人[21]提出了一种基于多模态大模型的交通事件检测大模型，该大模型主要由预训练的多模态编码器、事件检测LLM和多模态的连接器组成。利用智慧公路路侧设备采集文本、图像、视频、声音等多模态数据，经过交通事件检测大模型，最终生成智慧公路交通事件的描述语言，用于指导交通事件救援。交通事件检测大模型框架如图6所示。
交通事件检测大模型通常基于Transformer架构，其核心组件是自注意力机制和前馈神经网络。自注意力机制使得模型在处理每个token时，可以“关注”输入序列中其他位置的token，从而捕捉到长距离的依赖关系。在交通事件检测大模型中，预训练的模态编码器是多模态数据处理的核心组件，负责将智慧公路不同来源的交通数据（如摄像头图像、传感器时序数据、文本指令等）转换为统一的高维特征表示，并实现多模态数据的语义对齐，捕捉语义和上下文信息。多模态连接器使用映射、查询和融合连接器，将不同模态的特征映射到语言模型可以理解的空间，不同模态的信息可以被整合并传递给语言模型进行处理，从而提升模型的多样性和泛化能力。
3.3 基于端到端的自动驾驶AI大模型
当前，端到端自动驾驶大模型仍面临着数据短缺、学习效率低下和鲁棒性差等问题，尤其无法保障任何极端情况下模型输出的安全性，这将成为其应用于自动驾驶领域的最大挑战之一。2023年，上海人工智能实验室提出了感知决策一体化的自动驾驶通用大模型UniAD[25]。它将目标检测、目标跟踪、场景建图、轨迹预测、栅格预测和路径规划等6类任务，整合到基于Transformer的端到端网络框架下，实现了全栈关键驾驶任务的通用模型。在nuScenes真实场景数据集下进行验证，UniAD的所有任务均达到领域最佳性能（state-of-the-art），验证了端到端自动驾驶的可靠性和安全性。UniAD的核心架构如图8所示。
UniAD采用“规划导向”的设计理念，其架构包含5个主要模型：①轨迹跟踪模型，执行检测和多目标追踪，使用轨迹查询从BEV鸟瞰图特征中获取场景信息；②地图模型，负责在线地图构建，将道路元素表示为地图查询，执行全景分割任务；③运动模型，捕获场景中多个代理的交互关系，预测每个代理的未来轨迹；④空间模型，预测多步未来占用情况，并保留代理身份信息；⑤规划模型，利用前述模块的信息生成最终规划路径，基于牛顿法优化轨迹以避免碰撞。
3.4 基于边缘计算的交通状态监测AI大模型
应用于智慧公路时，边缘计算（Edge Computing, EC）将计算任务从中心服务器移至路侧设备进行处理和分析，通过实时感知与预警、实时决策与控制、信息安全与隐私保护以及提供个性化的交通服务和体验等方面的应用，EC能够极大地提升车路协同系统的效率和可靠性。大多数大模型采用集中式训练，需要将大量数据从传感器上传到中央云，整个传输过程可能导致数据泄露的安全风险。为解决上述问题，Yin等人[26]提出了基于EC的交通状态监测时空大模型STLLM-ECS，将智慧公路的传感器网络集成为一个整图，按照计算任务分成多个子图。每个子图都分配了一个EC用于训练和推理，相邻子图之间通过边缘训练策略协同，加快训练速度并实现“训练-过程中-推理”模式，在提高预测准确性的同时避免了数据传输带来的安全风险。STLLM-ECS大模型框架如图9所示。
4 智慧公路AI大模型发展建议
AI大模型与智慧公路服务场景的结合，为提升智慧公路智能化决策水平提供了新的解决方案。凭借其巨大的算力、强大的算法及庞大的数据支持，AI大模型将推动智慧公路典型应用场景实现革命性的迭代升级，进而为智慧公路产业发展培育新质生产力。建议围绕智慧公路实际业务场景需求，从技术创新、数据治理、人才培养、政策法规、产业发展等多个方面，推动AI大模型与智慧公路业务场景的深度融合。
1）围绕服务场景精准需求，推动跨领域技术融合与创新
精准对接伴随式信息服务、设施监测预警、车道级管控等应用场景，通过技术创新将图神经网络、对抗神经网络等最新研究成果融入AI大模型训练中，使其能够处理更加复杂的智慧公路服务场景。深度融合物联网、大数据、云计算等新技术，使AI大模型能更高效地进行数据处理和分析，提高预测和决策的准确性。政府和企业应加大在智慧公路AI大模型领域的研发投入，推动AI大模型在模型架构、多模态融合、轻量化、推理能力等方面的新技术创新。
2）适应训练数据多模异构特征，构建标准化数据治理与共享体系
智慧公路涉及文本、图像、视频、语音等多模态数据，不同应用场景中的多模态数据呈现独有的异构特征。AI大模型应更好地适应训练数据多模异构特征，通过数据清洗、整合和分析，建立全生命周期的标准化数据治理体系，挖掘更多有价值的信息，为智慧公路的决策提供有力支持。落实《意见》要求，加快数字公路、数据治理等相关标准制修订，完善既有标准有关数字化的内容，通过分层治理架构兼顾数据价值挖掘与安全合规，推动智慧公路AI大模型标准化数据的治理与共享，为AI大模型发挥效益提供可靠训练数据支持，进一步提升AI大模型的智能化决策效果。
3）创新教学科研融合育人模式，推动“AI+交通”交叉型人才培养
智慧公路涉及交通工程、交通管理、机电运维、设备控制等多个领域，同时也融入了新一代通信技术、区块链技术。传统的人才培养模式无法适应行业AI大模型的需求。通过“项目制驱动+真实任务场景+AI工具应用”的育人实践，培养既理解AI算法又理解交通系统机理的人才，推动“AI+交通”交叉型人才培养体系建设。应加强智慧公路AI大模型领域的人才培养和引进工作，打造高素质、专业化的技术团队，助力形成“人工智能+专业教育”融合发展新生态。通过建立行业AI大模型专班、设立专项基金、提供优惠政策等方式，吸引国内外优秀人才投身智慧公路事业。
4）完善AI大模型政策法规体系，强化安全保障与隐私保护
智慧公路AI大模型能够实时监测公路交通状况，实时采集大量关键基础设施、地理资源、车牌、行驶轨迹、出行OD等信息，在提升交通效率的同时，也面临保障国家安全和保护个人隐私的双重挑战，需从技术、管理和法律层面协同应对。随着数据量的不断增加，隐私保护将成为AI大模型在智慧公路应用中必须面对的重要问题。未来应更加注重数据加密、匿名处理等隐私保护技术的研发和应用。构建“技术-管理-法律”三位一体的治理框架，重点解决数据安全与隐私保护的核心矛盾。应加快完善智慧公路AI大模型相关的政策法规，明确数据权属、隐私保护、安全责任等方面的规定。同时，加强监管力度，确保AI大模型在智慧公路中的合法合规应用。
5）满足服务个性化用户体验，推动示范应用与产业化发展
智慧公路AI大模型应根据用户的随机出行行为和伴随性需求，提供个性化的交通信息服务，如路线规划、充换电提示等。结合AI大模型的自学习、泛化能力和路况视频、气象数据、设备状态等全要素可视化能力，进一步增强应用场景的用户体验感，提升用户满意度。鼓励在重点区域、重点路段开展自动驾驶、集卡编队等智慧公路AI大模型的示范应用，验证技术可行性和经济效益。将智慧公路体验式出行服务需求与AI新型基础设施优势相结合，推动智慧公路AI大模型的产业化发展，形成完整的产业链和生态体系。
5 结束语
智慧公路是新兴技术在交通领域集成应用的重要载体，也是新型交通基础设施建设的核心场景之一。随着科技革命和产业变革的持续演进，在数字革命浪潮的推动下，智慧公路发展正面临新一轮的迭代升级，从注重系统集成的信息化阶段加速向更加注重数字赋能、业务融合、系统协同的数字化阶段跃进。围绕智慧公路服务场景及功能的精准需求，对大模型进行垂直领域的优化和微调，适应交通运输行业的特殊需求，构建具有自主学习与持续适应能力的AI大模型，系统攻克大模型轻量化、可解释性、跨模态融合等关键技术瓶颈，形成“需求-模型-场景-服务”一体化通用AI大模型服务支撑体系。
