赛道Hyper | 蘑菇车联MogoMind大模型：创新和挑战

作者：周源/华尔街见闻

7月27日，自动驾驶全栈技术与运营服务提供商蘑菇车联（MOGOX），在2025 WAIC发布首个物理世界认知大模型“MogoMind”。

通过全域覆盖的通感算一体化设备，MogoMind能全天候、不间断捕捉车辆行驶轨迹、速度变化、交通流量、行人动态等海量异构数据。

蘑菇车联副总裁王凯表示，相比数字世界的大模型，MogoMind可视为物理世界的实时搜索引擎，是通往现实世界的超级入口。

王凯说，“通过接入物理世界实时动态数据，MogoMind能实现全局感知、深度认知与实时推理决策，为AI网络基础设施建设、实现实时数字孪生效果、路侧数据上车应用，提供关键支撑，成为城市和交通高效运行的‘AI 数字基座’。”

从功能上看，通过全域覆盖的通感算一体化设备，MogoMind不仅能识别路面状况、交通标识、障碍物的物理状态，还能将复杂的交通环境信息转化为可理解、可执行的智能决策建议，为交通管理部门和出行者提供应对方案。

因此，MogoMind将担当起城市交通决策中枢、车辆行驶多能助手、自动驾驶隐形基座三大角色。

这是智能交通从分散感知向系统认知转型的一次具体实践，该模型的技术路径与应用表现，既体现了对现有交通痛点的回应，也暴露了行业发展中的共性瓶颈，为理解智能交通的演进阶段提供了实际参考。

架构改进与现实边界

传统交通感知体系长期依赖单点设备，形成难以打通的信息孤岛。

路口监控摄像头受限于镜头角度，仅能覆盖周边有限范围，无法捕捉远距离车辆变道等动态行为；路段测速雷达功能单一，仅能记录瞬时车速，缺乏对车辆类型、行驶轨迹的识别能力。

更突出的问题是，不同厂商设备遵循各自的数据标准，采集信息格式差异显著，导致交通管理部门在整合数据时需投入大量精力做格式转换与校准，难以形成全局交通图景，应对早晚高峰拥堵、突发事故等复杂场景时往往被动应对。

从公开资料看，MogoMind的通感算一体化网络对此做了改进。

该模型构建的多模态传感器协同体系，将激光雷达、高清摄像头、毫米波雷达的功能做了有机结合：激光雷达负责构建道路环境三维模型，精准捕捉目标位置关系；高清摄像头专注识别视觉细节，如信号灯状态、车牌信息及行人姿态；毫米波雷达则在雨雾等恶劣天气下保持稳定的测速能力。

这些传感器若被系统部署于灯杆、交通岗亭等关键位置，就能形成连续感知网络，数据通过统一接口传输，从源头解决格式兼容问题。

在数据融合环节，算法对不同传感器信息做交叉验证：当摄像头因强光出现识别误差时，激光雷达数据可做修正，有效提升了复杂路口交通参与者轨迹识别的准确性。

但这种改进存在明确边界：郊区路段受设备部署与维护成本限制，感知网络覆盖密度很可能出现显著下降。

城市核心区人口密集、交通流量大，传感器部署效益可覆盖成本；而郊区道路里程长、流量小，同等密度部署需数倍投入，导致目前乡道等偏远路段仍依赖传统设备，形成城乡结合部数据断层。

车辆从城区驶入郊区时，感知数据精度与更新频率明显下降，直接限制了该模型的作用范围。当然，不能指望一种模型能解决所有场景和成本问题。

MogoMind对路面摩擦系数的推算功能，试图通过样本车辆数据实现对道路物理状态的精准感知。

这一功能的核心矛盾在于对样本数量的高度依赖，存在实际场景中车辆分布不均的冲突：在车流量充足时段，模型能较好完成推算；而在车流量稀少时段，推算准确性下降。

凌晨等低峰时段，道路样本车辆密度极低，数据稀疏成为物理信息采集的现实瓶颈。

交通系统需要24小时不间断运行，即使车流量稀少时段，也可能出现暴雨、结冰等突发情况，亟需模型提供准确路面信息，但样本不足导致模型难以有效发挥作用，形成难以通过算法优化解决的“时间盲区”。

交通状态模拟功能则受限于人类行为的不确定性。

交通系统包含大量受情绪、群体心理等非结构化因素影响的人类行为，在大型活动散场等场景中，行人行为具有显著随机性，其背后的影响因素难以转化为模型可识别参数，导致预测准确率骤降，凸显了当前AI在理解人类复杂行为时的固有局限。

落地现实梗阻与根源

在城市交通管理中，模型与实际需求的错位本质，是算法逻辑与社会逻辑的割裂。

MogoMind是以提升通行效率为核心目标的优化方案，可能在提高主干道通行效率的同时，忽视学校周边等区域对安全、公平的特殊需求。

比如这个模型基于效率优先的信号灯配时调整，可能缩短人行横道绿灯时间，增加学生过马路的安全风险。

如何将安全、公平等社会价值量化为模型可处理的指标，既是行业共性问题，也是MogoMind未来技术迭代的方向。

在自动驾驶车路协同应用中，传输延迟问题，主要源于电磁波传播速度与车辆运动速度的客观差距。

即使采用先进通信技术，数据从路侧系统传输至车辆并完成处理，仍会产生一定延迟。

在紧急场景中，这种延迟可能影响车辆避险决策，因此车路协同必须依赖车载传感器与路侧系统的“双重冗余”设计。

这种设计现实需求，虽然增加了系统复杂性与成本，但在当前技术条件下是保障安全的必要选择。

MogoMind的核心价值，不在于提供成熟解决方案，而在于其暴露的问题为行业指明了技术突破方向：需同时攻克物理信息采集盲区、人类行为建模盲区与多目标平衡盲区三大难关。

解决这些问题需要跨学科融合创新：破解人类行为建模难题，需交通工程师与社会学家合作总结行为规律。

比如突破物理采集盲区，依赖低成本、低功耗传感器研发与边缘计算技术应用；平衡多目标则需要政策制定者、管理者与算法专家协作，将社会价值转化为可量化指标。

作为智能交通领域的探索者，MogoMind的实践证明了通感算一体化的可行性，也让行业认识到智能交通发展需与城市规划、社会治理深度融合。

蘑菇车联官方消息称MogoMind是“首个物理世界认知模型”，其“首个”的全部价值，并不限于商业层面——就技术角度看，这个模型暴露的短板，也为后续研发标出了攻坚坐标，这将推动智能交通在渐进式探索中不断前进。