2025-07-28 10:02:00
0
在2025世界人工智能大会（WAIC 2025）期间，蘑菇车联（MOGOX）发布首个物理世界AI大模型——MogoMind。作为首个深度理解物理世界的AI大模型，MogoMind以实时性、全域性、平台化为基石，构建起六大关键能力，为交通智能化提供全方位的技术支撑。
通过深度整合实时、海量的多模态交通数据，MogoMind能够从物理世界的复杂数据中抽取意义、从经验中学习规则、在不同场景中灵活决策，形成对交通环境的全局感知、深度认知和实时推理决策能力，可以为多类型智能体提供实时数字孪生与深度理解服务，成为城市和交通高效运行的“AI数字基座”。
交通数据流实时全局感知：城市交通网络的“神经末梢”
交通系统的高效运转，始于对数据的精准捕捉。MogoMind依托覆盖城市全域的“通感算一体化”设备，构建了交通数据流的实时感知中枢。其核心在于突破传统大语言模型只能处理数字世界数据，无法处理多模态信息流和物理世界实时数据的局限，加速AI由数字世界迈向物理世界。
从技术层面看，MogoMind捕捉车辆轨迹、速度变化、流量波动、行人动态等多维度数据。面对海量、多类型数据，能够运用自注意力机制与智能分类算法，快速完成数据清洗、标准化与关键要素提取，为后续的分析和决策提供坚实的数据基础。
MogoMind通过统一的数据融合体系，让管理者既能掌握全市路网的宏观运行态势，又能洞察单个路口的微观车流特征。通过“宏观+微观”的联动感知能力，为交通治理提供了科学决策的前提。
物理信息实时认知理解：多模态数据的“翻译官”
物理世界的信息呈现形式复杂多样，从视频图像到文本指令，从气象数据到道路标识，如何将这些异构信息转化为机器可理解的决策依据，是智能交通的核心难题。MogoMind的物理信息实时认知理解能力，正是破解这一难题的关键。
MogoMind基于多模态大模型技术，实现了多模态数据的深度融合分析。例如，在暴雨天气场景中，系统可处理多类型数据，比如摄像头捕捉的路面积水视频（识别积水深度与范围）、历史事故数据库（关联积水路段的事故概率）、根据天气预判未来数小时车流情况。通过图像识别与语义分析技术，MogoMind能将“积水10厘米”“能见度50米”等物理信息，转化为“建议限速30km/h”“避开低洼路段”等可执行决策。
在复杂交通场景中，这种认知能力更显优势。当遇到道路施工时，系统不仅能识别施工区域的围挡范围，还能结合交通标志的文本信息（如“限速20km/h”“禁止超车”），以及周边车流的速度变化，综合判断施工对路网的影响半径。形成“视觉-文本-动态数据”的协同解读，让机器真正具备了理解物理世界的认知智能。
通行能力实时推理计算：交通效率的“精算师”
交通系统的核心矛盾，在于有限的道路资源与动态变化的出行需求之间的平衡。MogoMind的通行能力实时推理计算能力，通过精准的动态建模，为这一矛盾提供了量化解决方案。
该技术核心是融合交通流预测模型与强化学习算法，综合考量交通流量、车辆类型（如大型货车与小型客车的通行效率差异）、道路几何特征（如弯道半径、车道数量）、信号灯配时等多变量，构建实时更新的通行能力评估模型。例如，在早高峰期间，系统可根据实时车流数据，预测未来30分钟内各主干道的通行饱和度，并识别出可能发生拥堵的瓶颈路段。
对城市交通管理者而言，这一能力实现了从“经验调控”到“数据调控”的转变。通过实时掌握各路段的通行能力边界，管理者可精准实施“按需分配”的资源调度策略，提升整体交通效率。
最优路径实时自主规划：个性化出行的“智慧向导”
路径规划是交通服务的核心场景之一，但传统导航往往局限于“最短距离”“用时最短”等方面的计算。MogoMind的最优路径实时自主规划能力，通过全域数据联动与动态算法，实现了全程最优的出行引导。
该技术将实时性与个性化的结合，不仅整合了道路通行状况、交通事件、信号灯周期等实时数据，还纳入用户偏好（如“优先高速”“避免收费”“偏好风景路线”），快速生成路径。例如，对通勤族而言，系统会优先选择实时车流平稳、信号灯等待时间短的路线；对旅游车辆，则可能推荐兼顾通行效率与沿途景点的方案。
值得注意的是，该技术能力并非孤立存在，而是与全域实时感知、通行能力计算等形成协同。例如，在规划路径时，系统会同步调用某路段的实时通行能力数据，预判未来10分钟的车流变化，避免推荐“当前畅通但即将拥堵”的路线，从而实现前瞻性规划。
交通环境实时数字孪生：虚实交互的“交通实验室”
数字孪生技术为交通管理提供了虚拟镜像工具，而MogoMind将这一技术推向实时化与交互化新阶段。通过构建与现实交通环境精准映射的数字孪生环境，系统可用于交通运行状况和极端场景的推演与模拟，进一步提升交通管理的精准性。
在技术实现上，MogoMind基于全量实时数据，通过三维建模与可视化技术，在虚拟空间复现道路网络、车辆运行、交通设施等要素的动态状态。这一能力对交通管理者而言，可通过数字孪生系统模拟不同管控策略的效果。
比如测试“某路口禁左”对周边路网的影响，或推演“新增公交专用道”后的车流变化，无需在现实中试点即可评估方案优劣。对技术人员而言，可在虚拟环境中开展极端场景仿真（如暴雨天气下的车流疏散、突发事故的应急响应），优化交通规划模型。
相比传统交通管理，一项新方案的效果评估可能需要数周甚至数月的实地观测，通过数字孪生，可在几小时内完成上千次模拟，快速找到最优解。通过数据驱动与虚拟验证的结合，助力交通治理进入精准化、可预测的新阶段。
道路风险实时预警提醒：安全防护的“智能哨兵”
交通安全是交通系统的底线要求，MogoMind的道路风险实时预警提醒能力，通过全域监测与智能分析，构建起“事前预警-事中处置-事后复盘”的全链条防护体系。
该技术依托异常检测算法与风险评估模型，对交通数据进行持续扫描，识别潜在风险因素。比如车辆的异常行驶行为（突然变道、超速、逆行）、交通流量的突变（某路段5分钟内车流量激增200%）、道路设施的损坏（井盖缺失、护栏断裂）等。一旦发现风险，系统会立即判断等级，并通过手机APP、车载终端等多渠道推送预警信息。
从应用效果看，该能力将显著降低交通事故发生率，使轻微事故的应急响应效率得到全面提升。此外，通过积累风险事件数据，系统还能反向优化道路设计（如在频发事故的弯道增设减速带），形成风险预警与改进优化的长效机制。
MogoMind的六大关键能力并非孤立存在，而是通过实时性、全域性、平台化三大特征形成有机整体。实时性确保数据处理与决策响应的高效性，全域性实现跨区域、跨场景的协同管理，平台化则为多主体（政府、车企、用户）提供多样化接入解决方案。
对于城市而言，六大能力共同构建起可感知、可分析、可预测、可调控的AI交通体系，助力实现“人享其行、物畅其流”的美好愿景。对车企而言，开放的平台化能力为智能辅助驾驶提供了实时动态数据支撑，可反哺智驾大模型训练，加速高阶智驾功能的落地与进化升级。对公众而言，从精准导航到风险预警，多样化的智能服务让出行更便捷、更安全。
基于以上能力，MogoMind担当起城市交通“决策中枢”、车辆行驶“全能助手”、自动驾驶“隐形基座”三大角色。
交通管理领域，MogoMind让交通管理者轻松掌握整个城市交通系统的运行全貌，无论是宏观层面的交通流量调控、微观层面的单个路口优化，还是道路突发事件应急处理，都能基于实时动态数据的融合分析做出科学决策，实现城市交通管理的整体协同优化。
出行领域，MogoMind提供物理世界实时信息的深度理解与规划决策服务，超视距路况提醒、最优路线动态规划、盲区风险实时感知等能力全面守护驾驶安全，提升出行效率。
自动驾驶领域，MogoMind通过多源数据融合和长尾场景持续学习，反哺自动驾驶模型训练，进一步提升自动驾驶技术安全性与可靠性。
随着MogoMind的持续迭代，六大能力将向更深层次演进，为具身智能机器人、低空经济等更多产业提供技术支撑。可以预见，这一物理世界AI大模型将在未来城市智能化进程中扮演数字基座与核心引擎的角色，推动城市交通迈向更加智能、高效、可持续的新未来。