撰文 李信馬
在剛剛過去的世界人工智能大會（以下簡稱“WAIC”）上，智能駕駛一如過去的幾屆，是熱門的參展區域。其中，特斯拉的展位，成為人流的中心，作為智能駕駛端到端技術路線的代表性企業，特斯拉FSD使用單一神經網絡，直接將傳感器輸入映射到車輛控制輸出，達到了良好的效果，目前在這條路線上走的最遠。
不過，單車智能水平的提升，能讓整個交通系統的效率也隨之提升嗎？
在2022年，特斯拉CEO馬斯克曾提出：“智能駕駛技術普及初期，會加劇交通擁堵。”此前，也有研究機構得出了類似的結論，在武漢，百度無人出租車與人類司機間也上演了不少“速度與激情”。
在馬斯克眼中，這可能是智能駕駛技術徹底成熟并普及前“難免會出現的一些曲折”。不過，也許我們還可以有別的選擇來做補充。在WAIC展覽館中，緊貼著特斯拉展位的，是一家獨角獸企業——蘑菇車聯。
蘑菇車聯成立于2017年，主要聚焦于構建一套一比一還原物理世界的實時虛擬世界網絡，并深度理解、推理決策、總結輸出的空間智能AI技術，使包括智能汽車、無人機、機器狗等智能體實現與物理世界的實時交互和全局協同。這套物理AI，被行業普遍認為是通向AGI（通用人工智能）的關鍵。
就像大模型技術對特斯拉端到端技術的推動，蘑菇車聯也同樣受益于大模型技術的發展，在本屆WAIC上，蘑菇車聯推出了首個物理世界認知模型 —— MogoMind大模型，成為本屆大會最受關注的人工智能技術應用之一。大會期間，憑借MogoMind大模型及AI網絡，蘑菇車聯還入選了“中國中小企業協會推薦人工智能解決方案”。
DoNews受邀對蘑菇車聯進行采訪，了解了MogoMind大模型的“前世今生”，還有未來蘑菇車聯的戰略方向及布局。
詳解MogoMind
據了解，MogoMind的立項在3年前，2022年底ChatGPT發布之后，全球出現了AGI熱潮。當時行業主要聚焦在通用大語言模型，但蘑菇車聯認為，未來的AI模型必定會走出虛擬世界，向物理世界滲透。
蘑菇車聯打造MogoMind的初衷，就是打造一個物理世界的搜索引擎，它能夠通過感知、整合、分析物理世界的實時動態數據，形成全局感知、深度認知、實時推理決策能力，成為城市和交通高效運行的“AI數字基座”。
相比網絡環境，現實中的交通環境要復雜的多，AI從虛擬世界進入物理世界的落地，存在兩大痛點：
- 傳統大語言模型只能處理靜態文本，無法處理多模態信息流和物理世界實時數據，更無法通過互聯網數據信息預測現實世界。
- 目前大多數AI系統僅僅是單體智能，無法對整個城市交通效率進行全局優化。單點的問題需要單點解決，系統性的問題需要系統解決。
那么，對這兩個痛點，蘑菇車聯是怎么解決的呢？首先，MogoMind整合了道路傳感器、車載終端等多種設備，形成全方位、立體化的物理世界感知網絡。通過邊緣計算技術，數據在源頭就可以完成初步的處理，大幅縮短傳輸與分析時間，實現對道路狀況、車輛行駛狀態、行人軌跡、氣象條件等物理信息的毫秒級感知。
其次，和相對專注單車智能的特斯拉不同，蘑菇車聯以MogoMind大模型為核心打造“全局智能”，通過多源數據融合、長尾場景學習、復雜路口決策、多車群體協同等，構筑了高階智駕的基石，從下圖可以看出，蘑菇車聯的AI網絡基礎設施業務分為四層，最底下是設備層，其上是系統層、算法層和業務層。
這樣的架構保證了，MogoMind可以實現實時性——快速完成從數據到決策的閉環，比如道路突發交通事件時，在數秒內實現超視距實時感知，迅速計算出受影響的路段范圍，實時規劃最優路徑，并將預警信息推送至周邊車輛和交通管理部門；全域性，構建起覆蓋城市每一條道路、每一個角落的實時感知網絡，實現交通管理的 “無死角” 覆蓋；平臺化，能夠無縫接入來自不同廠商、不同類型的交通設備與系統，并提供標準化接口，方便車企接入平臺數據進行功能適配與應用開發。
“物理世界的問題，需要物理AI去破解，系統性的問題，需要系統去解決。這就是MogoMind大模型希望去解決的。”采訪中，蘑菇車聯的業務負責人總結道。
落地場景與實踐
不同于現在多數專注于智能駕駛尤其是單車智能的大模型，蘑菇車聯的基因決定了，MogoMind大模型的落地場景要更廣泛和全面。
據了解，目前MogoMind大模型主要應用場景是交通管理、出行服務和智能駕駛：
在交通管理中，MogoMind可以擔當城市的“決策中樞”，助力交通管理者掌握城市交通運行全貌，做出科學決策，實現交通管理整體協同優化；在出行服務方面，成為車輛行駛的“AI全能副駕”，提供物理世界實時信息深度理解與規劃決策服務；在智能駕駛中，通過多源數據融合和長尾場景持續學習，反哺智能駕駛模型訓練，提升技術安全性和可靠性。
“當然，隨著技術與行業的成熟，MogoMind大模型還將廣泛應用于低空無人機、機器人等領域，為城市與管理者賦能。”該業務負責人表示。
交通及城市管理行業事關人身和財產安全，對大模型的穩定性和可靠性要求很高，不能像通用大模型一樣出現“幻覺”。下圖可以看到，MogoMind通過深度整合實時、海量的多模態交通數據，從物理世界的復雜數據中抽取意義、從經驗中學習規則，大幅度提升了模型性能，形成對交通環境的全局感知、深度認知和實時推理決策能力。
目前，MogoMind的感知精度和認知準確度均達到90%，多模態圖例準確率超過88%。據蘑菇車聯提供的資料顯示，MogoMind能夠推演的交通場景數量已經超過800個，其長尾場景處理綜合準確率超過85%，交通管理提效比例約35%，緩解交通擁堵效果約30%。
據介紹，蘑菇車聯已經與地方政府、多家車企開展了深度合作。
相比過去的智慧城市項目，蘑菇車聯的產品已經在技術上與之拉開了代際差。MogoMind屬于物理AI技術的運用，而之前的項目可能還不存在物理AI的概念與運用。另一方面，隨著科技的進步和經濟的發展，當前的城市基礎設施、網絡設施、車輛保有量與智能化水平均有快速的發展，數據來源更多源、場景更豐富，處理的問題也更復雜，和多年前不可同日而語。
此前，MogoMind大模型已經在北京、上海、沈陽、長春、鄂爾多斯、桐鄉、南京、無錫、武漢、廣州等城市落地驗證和實地部署，比如在上海嘉定提供智能駕駛短途接駁服務，在北京順義落地了國內首個開放式5G商用智慧交通車路協同項目，在湖南衡陽打造了首個城市級AI網絡項目，完成38公里主干道路的智能網聯化升級，實現近300臺智能網聯汽車實際運行等，都獲得了地方政府和業界高度評價。
在有關和車企的合作方面，該業務負責人介紹到：“我們與車企的合作模式主要有兩種，即前裝量產和后裝升級，前者為車企定制智能駕駛域控制器（如之前與多家車企合作的L4級RoboTaxi），直接嵌入車規級AI芯片和MogoMind大模型；后者通過蘑菇智途APP向存量智能網聯車輛開放AI增強服務，例如實時路況預警、最優路徑規劃。”
目前，蘑菇車聯已經推出了多款L4級前裝量產智能駕駛車輛，包括 RoboBus、RoboSweeper 和RoboTaxi，在北京、上海、天津等十余個城市落地運營。
“目前MogoMind在核心數據指標上已經居于領先地位，推動城市交通從單點智能邁向全局智能。隨著技術的成熟和數據的不斷豐富，MogoMind大模型的性能將穩步提升，為政府、車企、智能駕駛系統等提供更好的全局感知和智能決策支持。”該業務負責人總結到。
