行业热点
News Center

AI交管赋能城市交通治理:从单点智能到协同智能

行业热点 | 2026-10-14

1
问题提出
交管行业大模型面临的结构性矛盾

近年来,大模型正在加速进入各行业的垂直应用,多家厂商相继发布面向交管场景的行业大模型,覆盖事件检测、情报研判、信号控制、报告生成等业务环节。与之相伴的,一个基础性的工程问题也逐渐显现:大模型虽然体现了很强的场景理解和智能决策能力,却难以直接部署在交通治理的第一现场。

行业研究普遍指出,小模型的优势在于高效率、低成本、定制敏捷、可本地部署,不足在于复杂问题处理能力有限、泛化能力弱、对训练数据依赖强。大模型的优势在于复杂场景理解、强泛化与通用性,代价则是成本与时延显著更高、稳定性与隐私安全存在约束[1]。浙江大学张圣宇团队将端云协同(Device-Cloud Collaboration)定义为边缘设备模型与云侧服务器模型的协同进化推断,并指出其价值在于将服务延时降至毫秒级、缓解云端负载压力、支持原始数据本地处理,从而克服纯云学习范式在实时性、负载成本与隐私安全上的固有不足[2]。

将这一判断对应到交管应用场景,矛盾尤为突出。交通管理事件检测要求秒级乃至毫秒级响应,而一座城市的千级路口若将全部视频流上云做大模型推理,无论带宽、算力成本还是数据合规,在工程实施上都难以成立。而如果仅依赖路口侧的传统小模型,又难以应对雨雪雾、夜间光影、异形车辆、罕见事件等长尾场景,这正是行业长期误报高、漏报多的技术根源。

综上所述,我们认为在交管场景中大小模型协同是兼顾响应时效、建设成本与合规要求的技术路线,也是大模型能力实现规模化落地的现实路径。

2
技术趋势
协同范式已逐步成为主流技术架构

目前,大模型的行业落地正从单点能力验证进入系统工程阶段,技术竞争的重心由模型本身转向部署架构,能否在能力、成本与合规之间取得平衡,决定着智能化应用的规模化上限。这些信号与行业实践指向同一方向,大模型推理的单位成本正在快速改善,但全量数据上云不可行的物理约束并未改变。推理成本越低、模型能力越强,由小模型承担海量常态过滤、大模型聚焦高价值研判的协同架构,其投入产出比就越高。

在学术研究侧,浙江大学团队围绕端云协同已形成系统化的方法论体系,归纳出基于调度的协同、基于反馈的协同、基于生成的协同三条技术路线[2]。其发表于 KDD2024 的研究表明,端云协同模型定制可将云向端的传输开销降至原始大小的3%,端侧推理速度提升5 倍[4];2022年KDD发表的智能请求机制研究,由端侧小模型实时评估是否有必要调用云端大模型,已在亿级用户的生产系统中验证有效性[5]。这些成果为小模型常态值守、大模型按需介入的协同调度提供了理论与实验基础。

图1 三种典型的大小模型协同方式[2]

在行业应用侧,海康威视《观澜大模型白皮书(2026 版)》将云边端协同、大小模型协同列为核心部署策略,提出简单场景端侧解决、复杂任务端边云协同的按需部署原则,以降低算法部署成本和带宽开销;其公开数据显示,大模型复核可使周界防范误报率降低 90% 以上,多模态雷视大模型使交通场景核心指标精度提升50% 以上[3]。

在市场需求侧,企业级 AI 正在从试点走向规模化生产环境。甲子光年《2026 企业级智能体白皮书》援引 MuleSoft 调研指出,82% 的 IT 决策者所在组织已采用 AI 应用,约27% 的智能体已进入生产环境[5]。生产环境的规模化使用意味着智能体必须在成本、时延与可靠性的约束下常态化运行。其普遍采用的形态正是由小模型承担高并发初检、大模型对疑似与疑难样本复检的级联分工。以此在有限算力成本内同时保障响应时效与整体准确率,其本质是协同范式在业务架构层面的映射。

在宏观经济侧,大模型推理的经济性正在快速改善。高盛在2026 年5 月发布的《解码智能体经济》(Decoding the Agentic Economy)中指出,大模型驱动的Token消耗正呈爆发式增长,基础设施经济性持续改善,AI应用盈利拐点临近;其中国互联网行业研报进一步预计,云厂商AI相关收入未来五年复合增速将超过40%,商业模式将从按 Token 收费演进为按成功完成任务收费。与此同时,花旗研报预计2026年下半年国产GPU产能将逐步提升,行业侧的算力可获得性有望改善。推理成本的下降与算力供给的改善,并不意味着全量数据上云在经济上变得可行,反而是由大模型聚焦高价值研判、小模型承担海量常态过滤的协同架构,其相对优势与投入产出比越来越突出。

3
技术路径
中信科智联边云协同的三层研判体系

基于上述判断,中信科智联提出边云协同的感知、认知、决策三层智能研判体系。该架构以交管大模型数字底座为承载,基础设施层为已建成的路侧多感合一感知设施与边缘算力,能力层为多模态视觉大模型叠加多智能体协同完成业务编排,最终支撑应用层的事故识别取证、非现场执法、信号灯控制优化、交通拥堵识别与治理等核心业务。

图2 边云协同的三层研判体系技术架构

在数字底座之上,本方案构建了感知、认知、决策三层智能研判体系,分别承担事件初筛、精细研判与文书辅助生成三类职能。

第一层,边缘小模型负责全域值守与事件初筛。部署于路侧 MEC 的边缘小模型对视频、雷达点云等多源感知流进行7×24小时连续解析,在100毫秒内完成异常事件的初步判定。边缘侧采用双置信度阈值控制云端复核,形成三级处置规则:高置信度事件原则上由边缘侧直接形成初判结果,不再上传云端,但涉及事故定责、报告生成、执法取证等高风险业务时,仍须进入云端复核或人工审核;中间置信度的疑似事件,作为疑似片段上传云端进行精细复核;低于候选阈值的事件直接过滤或按低可信结果处理,原则上不上传,仅在边侧短期留存并进行抽样复核。系统根据实际运行效果和云端负载动态调整双置信度阈值,在控制传输与算力消耗的同时,降低重要事件的漏判和错误处置风险。该设计同时解决了响应时延、上行带宽占用与原始数据本地化合规三个工程约束。

第二层,云端多模态大模型负责精细研判。云端视觉语言大模型(VLM)对边缘层上送的疑似片段进行复核,融合雷视多模态感知与车路云实时数据,基于视频、目标轨迹、信号灯态与道路信息进行辅助分析,完成事件定性,并输出结构化的事件研判结论。红绿灯灯态识别与道路语义分割的结果,进一步关联至闯红灯违章与事故形态的辅助判别逻辑。当多源证据不足以支撑明确结论时,系统不输出定责性建议,转由人工复核处置,确保研判边界清晰、结果可追责。

第三层,知识库与检索增强生成(RAG)负责文书辅助输出。本方案以交通法规、历史判例与处置预案的结构化知识库为底座,采用检索增强生成(RAG)架构,使大模型的定责建议与文书内容逐条锚定可检索、可追溯的法条与判例来源;系统按规范模板自动生成责任建议与道路交通事故认定书初稿,统一由民警审核确认后出具;证据不足或置信度较低的疑难情形,自动转人工复核处理。但是,系统输出均定性为辅助建议,不能替代民警的法定审核职责。

对照学术界归纳的三条云边协同路线,本方案在技术架构内实现了完整映射。边缘初筛与云端复判构成基于调度的协同;云端大模型的复判结果作为评估信号,经反馈学习优化反哺边缘小模型,构成基于反馈的协同;云端大模型通过知识蒸馏与参数高效微调,将场景化能力直接注入并生成面向边缘的专用小模型,构成基于生成的协同。

中信科智联的交管大模型技术方案,依托于全国多个国家级车联网先导区与双智城市建成的大规模路侧设施,其数据底座在单一视频流数据之外,纳入V2X路侧实时感知、信号灯态、车端上报等多源结构化交通状态数据,形成纯视频AI路线难以复制的多模态数据壁垒。

同时,存量路侧算力与感知设施的可复用性,使得城市级交管大模型建设的算力成本大幅下降,可以进一步释放车路云一体化设施的应用潜力。据此,本方案的先进性不止于算法层面的云边协同,更在于数据、算力、模型的融合反馈闭环,以独有的多源数据底座构筑输入壁垒,以低成本设施复用构筑规模壁垒,为交管大模型的城市级规模化落地提供了可复制的规模化路径。

4
客户案例
德清项目的工程验证

中信科智联承建的浙江德清国家级车联网先导区,路侧多感合一设施、MEC边缘算力与 V2X 通信网络已经形成存量规模,为交管大模型方案提供了真实的规模化试验场。项目围绕 AI 辅助事故定责的核心场景,采用边云协同部署模式,遵循公司通用的边云协同双阈值复核机制。边缘侧事件初检后,高置信度事件由边缘侧直接形成初判结果,涉及定责、文书、执法取证等高风险业务的一律进入云端复核或人工审核;中间置信度的疑似事件触发上传视频片段与结构化信息至云端精细复核;低于候选阈值的事件直接过滤。云端复判后,系统生成责任建议与认定书初稿,统一由民警审核确认,证据不足的疑难事件直接转人工处理。整体建设思路是边缘侧事件初检后,事件视频片段与结构化信息在置信度超过门限时才触发上传云端;云端复判后,系统生成责任建议与认定书初稿,统一由民警审核确认,证据不足的疑难事件直接转人工处理。

整个方案采用本文介绍的三层体系形成端到端业务闭环:

(1) 事件发现效率对应边缘层的初筛职能:边缘小模型在事故发生后2 秒内完成识别并触发警情,处置链条的起点被整体前移了数分钟。

(2) 研判准确性对应云端认知层的精细研判:云端大模型基于事故过程的视频回放、目标轨迹、信号灯态与道路信息进行辅助分析,融合车辆运动状态生成责任建议初稿供民警审核,辅助定责建议与最终认定结论的一致率超过95%;在夜间光影、遮挡追尾、暴雨天气等传统小模型的典型失效场景中,大小模型二级复核机制相较单一小模型方案,使整体误报率下降30%以上,事件识别准确率达到90%,实现7×24 小时值守、无需人工盯屏。

(3) 文书生成效率对应决策层的文书辅助输出:系统基于RAG知识库生成事故责任建议与认定书初稿,经民警审核确认,将单份文书处理时间由20分钟以上压缩至5分钟以内,民警的工作性质从撰写材料变成了审核材料。

图3 边云协同事故辅助定责系统案例

需要说明的是,本项目系统功能和性能实现并非一次性建设的结果,而是一个持续协同学习和优化的过程。边缘侧回流的高价值样本与云端复判结论,持续构成反馈协同与生成协同的训练来源:新增场景样本用于扩充边缘模型的检测能力,复判与复核结论用于校准边缘模型的判定逻辑与置信度分布;知识蒸馏与参数高效微调,则将新增场景能力注入面向边缘的专用模型,系统的准确率与覆盖面随运行时间而持续改善。德清项目同时验证了这一训推闭环的可持续性,这也是大小模型协同区别于一次性交付项目的关键特征。

5
结语

城市交通治理智能化场景的复杂度极高,其效果的优劣受算力、带宽、成本的多重约束,而大小模型协同架构给出了一种结构性的解决方案。边缘小模型凭其高效与轻量,承担常态流量的高频过滤;云端大模型凭其深层理解与泛化能力,专攻疑难场景的精细研判;知识库与检索增强生成,则为结论锚定合规的边界。三层各司其职,接口彼此开放,其价值不仅在于当下系统的可用性,更在于为后续演进预设了一种确定性。任何一层的独立迭代,都无需以推翻其余两层的存量投入为代价,技术演进由此得以持续,而不必推倒重来。

德清项目的顺利实施应用也表明对于已建成车路云一体化设施的城市而言,存量路侧基础设施的价值远未穷尽。这些车路云建设形成的数字底座,不仅可以服务于车与路,也终将沉淀为城市交通治理的数据资产与算力资产。大模型和智能体在这一进程中扮演着转换器的核心角色,把原本只服务于单一业务的感知数据,转化为贯穿发现、研判、定责与文书全链条的决策生产能力。

参考文献

[1] 胡宜峰. 大小模型协同驱动安全升级——基于大小模型协同的数字内容风控实践[R].2025.

[2] 张圣宇. 大小模型协同智能及端云协同应用[R]. 浙江大学,2025.

[3] 海康威视. 海康观澜大模型白皮书(2026版)[R].2026.

[4] Fu K, Zhang S, Lv Z, et al. DIET: Customized Slimming for Incompatible Networks in Sequential Recommendation[C]. KDD2024.

[5] Qian X, Xu Y, Lv F, et al. Intelligent Request Strategy Design in Recommender System[C]. KDD2022.

[6] 甲子光年. 2026 企业级智能体白皮书[R].2026.