工作日的早上，你正堵在某个城市的环线上。往前看是一望无际的车流。再过 20 分钟，你必须出现在公司的大门口。
这个时候，你是不是特别希望能够飞上天，看看前面到底发生了什么？是什么制造了这条长龙？
如果你真的能飞上天，一定会发现，在遥远的堵车的开头，可能什么都没有发生，车队就像遇到了空气墙，挤在一起。
但是拥堵的前方一马平川，真的是鬼都没有。这种现象被称为幽灵堵车。2008 年，日本名古屋大学曾经做过一个实验。他们让 22 辆汽车以每小时 30 千米的速度，绕一个 230 米长的大圈匀速行驶。
结果发现，一开始汽车还能保持间距正常的移动，但很快，一些汽车之间的间距开始变小。
当有的车为了避免追尾，开始减速的时候，拥堵出现了。在一个没有任何障碍的圆圈型公路上，神奇的堵车现象出现了。
产生这种现象的原因是什么呢？
一直以来，科学家试图从数学角度，解释幽灵堵车现象。
2013 年，麻省理工的科学家贝特霍尔德·霍恩，在 IEEE 智能交通系统年会上，发表了一篇论文，提出了自己的数学模型和解决方案。在论文中，霍恩用两种数学模型，解释了幽灵堵车现象为什么会出现。简单来说，当汽车在马路上行驶时，每个人都会试图和前面的车，保持一定的距离，来确保不会追尾。
在一般情况下，这个安全距离足够长，不会彼此影响。但是当车辆密度逐渐增大，安全距离变小时，前面刹车就会干扰到后面的司机。
为了避免追尾，你一定也会踩一下刹车。这个时候，就算前面的司机马上一脚油门，扬长而去了，你已经做出的刹车行为，还是会影响到后面的人。现在你把汽车想象成一个例子，整个马路上的车就形成了一个车流。这个刹车的行为就像一个波的震荡，必然会在流体中向后传播。
在正常的流体中，这个波会逐渐消失掉，因为波的能量会在传播中，逐渐消散到周围的环境中。
但车流不一样，在波的传递过程中，每个司机开车的习惯不同，总有人会更用力地踩刹车，这样波动就会变大，直到有一辆汽车停下来，于是堵车就产生了。所以解决方案是什么呢？其实很简单，每个车，只需要保持和前后统一的间距，就可以了。你想象，所有的车都在相同的间距下统一行动，波动就消失了。
在这种情况下，波动的能量，就会均匀的扩散到整个车流中，而不会出现明显的波动，于是拥堵就消失了。这种解决方案被霍恩称为双边控制。2017 年，霍恩发表了自己的波动方程。在这个图上，横轴代表空间的移动，纵轴代表时间，斜着的线是汽车的视界线。汽车在一个小时的时间中，向前行驶了 100 公里，在这张图上就是这个样子。
现在我们换一张图，在这张图中，每条线都代表一辆汽车，整张图就代表一段马路上所有的汽车。在传统的跟车模式下，某一辆汽车突然变道插入在车流中，引起了微小的波动。这个波动随着时间向后放大，最后很多汽车的世界线挤到一起了，这说明产生了很严重的拥堵。
但是第二张图使用了双边控制策略，于是汽车的插入，只是引起了非常微小的一点波动，就被整个车流消化掉了。当然在现实中，我们不可能要求每一个司机，在开车的同时，还能随时控制前后的车距。所以霍恩建议汽车制造商，在自动跟车和巡航模式之上，增加双边控制，可以根据实际情况进行切换。
在车流密度达到一定程度时，切换双边控制，这样就可以解决大部分拥堵问题了。这个设想太理想了。现实中可能会引起很多新问题。
你想想，万一你后面有一辆不执行策略的车，又菜又爱玩，老喜欢往人家车屁股上凑，那你不就被这辆车，给顶到前面车屁股上了。
所以要彻底消除幽灵堵车的现象，恐怕还得等到全民自动驾驶的时代。在未来全民自动驾驶的时代，不光所有的车都可以执行相同的策略，在车联网下，甚至所有的车都可以在一个系统下，统一行动。
这意味着，系统会自动调配每辆车的车速，确保所有的车互不干扰，连路口的红绿灯都可以下岗了。但现在距离那一天还很遥远，要改善拥堵，我们只能想别的办法。造成幽灵堵车的原因有很多，前车司机刹车、变道、超车、道路变窄、鬼探头、红绿灯等等，都会因为幽灵堵车而放大，最后变成大拥堵。
而城市和道路规划不合理，车流密度过大等等也是重要的原因。所以要解决拥堵问题，当然得从各个方面想办法。但从目前来看，有效的改善路口的红绿灯，无疑是最快捷有效的办法。
传统上，我们采用固定时间来切换红绿灯，这种红绿灯管理方式的缺点，是很明显的。甚至很多时候，他们就是造成城市拥堵的最重要原因。所以为了改善这种情况，后来就出现了专家系统。什么是专家系统呢？
就是交通专家根据经验，来配置一些红绿灯策略。比如某个路口某个方向上的车很多了，已经超过了某一个预值，那就延长这个方向的绿灯时间。
如何知道每个方向上的车辆数量呢？
其实也很简单，我们可以在道路上，埋设一些地磁感应装置，汽车开过去，就会记录下一些汽车的数据，然后再根据这些数据计算车流密度、移动速度等，使用专家预设的固定算法算出结果，超过某一预值就启动某一个策略。但是固定的策略，很难应对千变万化的交通状况。
一个城市地图，是由非常多的城市路口组成的，而不同路口之间的车流是互相影响的。举个最简单的例子，前面已经提到了，车辆密度，也是影响交通拥堵的最重要原因。
当车辆密度很大时，车流中一个轻微的刹车，就可能造成后面的拥堵。所以如果一个路口车流密度很大，那么提前几个路口就通过红绿灯，适当的限流，也是缓解和避免拥堵的有效办法。所以从这个角度来说，在这张巨大的城市地图上，互相影响的不同路口，其实就像围棋的棋子，而整个城市的红绿灯控制，就变成了一个围棋问题。
不同的是，围棋只有 357 个落子点，并且讲究落子无悔，这意味着，我们只需要考虑，每一步芯子对整个系统造成的影响，就可以了。
但是一个城市，根据《中国重点城市道路网结构画像报告》提供的数据，每 327 米就会有一个交叉路口。
这意味着，一个大城市，会有上万甚至几万个交叉路口，而每时每刻，每个路口的交通状况都在产生变化。
全盘考虑这样一个系统，并且在这个系统中，寻找一个实时控制的最优解，这已经完全不是，一个固定策略的专家系统，能够搞定的了。怎么办呢？有个相对简单的改进方案，叫做绿波方案。
你如果经常开车使用导航，可能会听到导航说这样一句话：“您已进入绿波路段，保持现在的车速，可以连续通过两个红绿灯。”这就是绿波方案。
说白了，他会考虑到红绿灯之间的联动，通过计算平均车速，来控制相邻的红绿灯的开关，让车能够通过尽可能多的红绿灯。当然如果你经常开车，也就会知道，这个策略也是经常会不奏效的。
为啥呢？
因为很多时候，你可能开不到绿波设计的理想车速，前面有卧龙凤雏，可能正在保电话粥，或者有一大堆车正在排队拐弯。
然后，你的绿波路段就变成了红波路段了。所以这种只看几个红绿灯的策略，在复杂的交通问题上，也很难取得非常好的效果。到这里你可能已经想到了，解决这种复杂的系统问题，只能请出 AI 来了。毕竟在围棋问题上使用强化学习，早在 2016 年 AI 就已经吊打人类选手了。
但就像前面说的那样，交通问题远比围棋问题要复杂的多，它不仅每时每刻都在发生着变化，所涉及的变化要素也要多得多。
路口和红绿灯只是其中之一，从路口拓展开去，线路规划、拓扑结构、交通管控、不同车辆、人、环境，所有的因素交织在一起，构成了一个非常巨大，非常复杂的时空网络。
试图单纯关注一点，单纯从空间，或者时间角度去理解交通状况，都是无法准确把握交通行为的。这可能也是为什么大模型出现以后，很多冠以 ST 的交通大模型，扎堆出现的原因。special 代表空间， temporal 代表时间。当 AI 从整个时空序列，去理解交通的时候，才有可能真正的学到点什么。经常使用ChatGPT的朋友们，应该会知道，ChatGPT 在理解时序上是没有问题的。
因为它们能够从前面的词语中，预测下一个出现的词。你把词语理解成在时间线上，发生的一个个事件，这意味着大模型可以从过去预知未来。
所以我们只需要把空间和拓扑结构，同样嵌入到 TOKEN 中去，进行训练，就可以让大模型理解时间了。那么交通大模型们做的怎么样呢？
学院派的成果有很多，比如东南大学的 MT GPT，北京交通大学的 transGPT 等，咱们就不展开了。
毕竟 ChatGPT 出现已经快 2 年了，对 Transformer 做改造，引入时空概念，然后找一些公开数据做训练，跑一个结果出来的学院派做法，虽然也在很多细分领域，带来了很多创新，但显然大家更关心的是，这一系列的创新能不能真正的落地。
特别涉及到交通领域，我们更想知道，AI 到底能不能把我们从堵车问题中，拯救出来。贵阳是贵州的省会，截止 2024 年底，贵阳的机动车保有量为 234.8 万辆。
在联合百度智能云进行治理以后，工作日贵阳市观山湖区域，车均延误平均下降了 15%，高峰期拥堵减少了半个小时，巅峰期甚至可以不停车通过 8 - 10 个绿灯。这种连过 10 个红绿灯的爽快感，反正我是没有体验过。怎么做到的呢？答案就是 AI。
其实早在 2019 年，贵阳市就已经在考虑，使用传统的人工智能方法，进行交通治理了。
但真正的变化可能还是在 2023 年以后，通过落地 AI 全域信控，贵阳市观山湖区的交通信号管理，出现了根本的变化。
用相关部门的话来说，就是从车看灯变成了灯看车。熟悉AI的小伙伴肯定知道，看起来只是三个字的语序调整，但这里面涉及的技术难题，可就多了去了。首先，最大的难题就是数据一致性的问题。我们知道，大语言模型之所以出现质的飞跃，很大程度上归功于海量的有效数据。甚至 MIT 有人写了一篇论文，认为数据才是最重要的。
因为随着数据的增加，不同的神经网络表现出来的结果，最终将变得越来越趋同。总之一句话，谁能有巨量精准的交通数据，谁就能做出真正的交通大模型。在这方面，百度当然是有优势的。百度地图已经搞了多年，积累了大量真实的道路数据。而各种交通实时数据，贵阳市交通部门自然也不会缺。
所以更关键的是，怎样把这些数据统一到同一模型之下，变成 AI 可以统一理解的数据语言。对语言模型来说，这很简单，通过磁嵌入技术，统一将文字转化成 TOKEN 就可以了。
但是交通设计的数据就太庞杂了，有文本、有图像、有视频还有各种感应设备，获取的各类编码数据。
就是同样的摄像头，数据也有不同标准。你怎么能确定，3 个不同的摄像头的图像，对应的是同一辆车呢？所以首先要做的，就是所有数据时空上的对齐。就像我们的大脑，眼睛看到不同的光，耳朵听到不同的声音，鼻子闻到不同的味道，手机触到不同的感觉。
但在我们的大脑中，所有这一切外部刺激必须完成对齐，在我们的世界模型中，对应到同一个事物上，我们才能认识世界，做出反应。在贵阳的这个项目中，百度如何做到这一点呢？
从百度云智大会发布的，百度智能交通引擎 4.0 白皮书中，我们可以对百度的技术实现方式，窥探 一二。
交通数据是做好交通优化工作的基础，为了保证交通决策方案的合理性，和灵活性，一是要求交通数据全，二是要求交通数据准确。现在很多城市，没有办法在每一个路口，都建设检测设备，设备也会有因施工、断电、断网的时候。要保证数据的全而准，不仅要对缺失的数据进行补充，还要能够利用算法进行补全。
百度的做法是打造交通感知智能体，使用地图数据和外场数据进行互补，利用 GNN 图神经网络的算法，寻找区域不同节点之间的数据变化，规律补全数据。数据补全了，对齐了，AI 需要知道这些数据到底代表着什么。
这里面就是交通研判智能体，大展身手的时候了。AI 通过学习海量的交通知识，具备了很好的认知能力。
举个最简单的例子，比如看到车停下来，到底是违法停车、发生车祸，还是发生了交通拥堵，对未来短时间的交通状态，到底会有多大的影响。
通过百度交通大模型，异常的交通拥堵，常发或偶发交通堵点，产生交通拥堵的原因等等，这都是可以分析出来的。在分析出交通规律和交通发展趋势，以后就需要做针对性的解决方案了。
百度交通优化智能体，可以根据当前的情况，自动计算调整红绿灯的时间，建议是否要增加可变车道等措施。
在发现了交通事故以后，可以通过系统自动通知，或调动周边警力，快速处理交通事故，防止交通拥堵蔓延。利用百度的服务智能体，还可以实现与市民的信息互动。
前方路口的红灯还有几秒，开多少的速度可以不停车通过，前方多个路口等信息，都可以通过百度地图，触达到每一个出行者，增加了市民的获得感，提高了交通参与者的满意度。在百度的白皮书中，我们反复看到一个词“平行世界”。
这类似一种自我推理，意味着针对一个交通状况，AI 会给出不同的策略，然后根据不同的策略，预测出不同的交通状况，继续出策略，然后在所有的平行世界中，选择一个演化的最优解。
想一想，当你驾车通过一个十字路口时，在 AI 推理的世界中，代表你的项链，早已经在不同的平行世界里穿梭，是不是一件很好玩的事？所以你知道为了让你连过 10 个绿灯，AI 有多拼吗？
当然我们不得不说，一个交通大模型，不仅仅是红绿灯控制这种事情，这里面还涉及需要人为参与的事情。
这些事情，就需要 AI 大模型向工作人员反馈。在这种情况下，语言大模型和视觉大模型，就起到了关键的作用。比如交通事故，拥有认知能力的大模型，可以第一时间发现，然后调用语言大模型及时提示，并给出处理办法。在工作人员认可处理办法之后，还可以迅速通知相关人员，如交警、消防、工程，以最快速度做出响应。这，就是一个大模型管控下的交通现状了。当然任何一个大模型都超级复杂，本文能够提及的，仅仅是冰山一角。在普通人的感知里，最近半年关于 AI 的消息已经越来越少。
聊天、绘画、视频制作，这些当年惊为天人的突破，尘埃落定之后，我们相信，很多人脑子里的疑惑越来越多了。
除了卖课的和炒股的，AI 真的改变世界了吗？应该说这场由 Chat GPT 引发的 AI 变革，已经进入了下半场。
你之所以再也看不到激动人心的突破，可能不是因为审美疲劳，而是在 Transformer 一统天下的情况下，模型上的创新已经乏善可陈。
明眼人都知道，2023 年以后的大部分模型创新，无非是 Transformer 基础上的小修小补。虽然在模型创新层面，我们还有不小的差距，但显然，AI 的主战场早已经从模型转移到数据，然后从数据转移到算力，最后再由算力转移到行业落地。
这是我们的主场，而这一切并不能吸引流量，所以发生的悄无声息。当你驾车通过一个十字路口时，你一定不会想到，在一个遥远的数据中心，无数的显卡正在疯狂的运转，只为了让你尽可能的多看到一个绿灯。
从公开数据来看，国内市场，今年 1 - 8 月的大模型中标项目数量，已经达到了 476 个，是 2023 年全年总数的 5 倍。其中在各行业龙头的央国企市场中，百度的领先优势较为突出。没错，交通管理只是其中很小的一部分。港口、汽车、冶金、金融、电子、手机、能源、教育，在各个行业，百度智能云，都已经成功完成了很多商业落地。在港口行业，AI 帮助山东港口集团完成，内部知识库的建设。通过 AI，实现港口人机或船厂的高精度汇聚，提升了堆场利用率和堆场周转率。在汽车行业，AI 帮助汽车行业建立智能座舱、AI 助手和自动驾驶。在冶金行业，它帮助企业完成运营辅助决策，提升生产效率。在金融行业，他帮助金融行业完成智能风控，财报研读和内部知识库。在手机行业，实现手机大模型的训练，完成云端大模型的支持。在能源行业，建设 AI 分析底座，完成算力共享、知识共享、安全预警、事件共治。在教育行业，训练教育大模型，实现学习助手。而几乎在所有行业，构建知识库、提供算力平台、训练行业模型，都成为共同的需求。所以为什么百度可以，或者说为什么大家需要百度？难道不能自己搞？
因为从模型到数据到算力到落地，对于普通企业来说，在这不到两年的时间中，要跟上 AI 变化，要面临的难度越来越大。数据需要依赖长期的积累，算力不用说了，你懂的。
而落地则综合了前面所有的难题。对一个普通的企业来说，要引入 AI，至少需要以下几步：一、训练自己的模型。毕竟大量的行业知识，存在于自己的企业内部，通用大模型是无从知晓的。
所以要拥有好用的 AI，要么你把自己的行业知识，全部导入帅哥数据库，供通用大模型调用，要么你在通用大模型基础上，训练自己的模型。第二步，你需要清洗数据，需要算力平台。而算力平台绝不是你买到多少张显卡装到机房里就可以解决的问题。
大模型尺寸太大，一张显卡跑不起来，要进行有效的训练，你需要进行拆分，建立一个集群，把模型和数据拆分到很多显卡上，同时进行。
这工作没有十年如一日的在分布式计算领域的持续投入，是很难搞定的。更何况因为众所周知的原因，如果你要搭建一个千卡集群，你可能不能只使用英伟达的显卡，还会有各种国内厂商的 AI 芯片。
把各种显卡都搞到一起，还能有很顺畅训练的异构能力，可不是一般团队可以搞定的。这还没有提到，根据各种模型的训练场景，提供的算子加速。最后就算你把所有一切都搞定了，因为大模型训练是同步计算，即使极低的故障率，也有可能让你的集群几分钟就趴窝一次。
就像，你买了一辆开几米就抛锚一次的汽车，你是有辆汽车就是跑不起来而已。说到这里，我想到了网上的一个问题，为什么大模型时代，全球似乎只有中美两个玩家？
那是因为，只有中美在之前 20 多年的互联网时代，凭借巨大的市场，产生了超级巨大的互联网企业。
而只有互联网企业，才拥有非常强大的云计算能力和成熟的数据处理经验。而这在 AI 时代，顺理成章地成为算力集群和数据平台的基础。没错，十几年前，当百度的技术团队开始研究 GPU 加速时，今天的故事就已经埋下了种子。
AI 的竞争已经进入了后半场，AI 落地，可能会比模型、数据和算列的故事要长很多倍。因为每一个行业，都会有自己难以解决的问题。
所以我们希望对每个行业的人来说，AI 训练也会像水电、网上开店一样简单。
只有这样，终有一天，AI 才会像水电、互联网一样，融入我们生活的方方面面，变成司空见惯的一部分。
我们做好准备了吗？也许百度们正在准备答案。
