北京
近日，交通运输部明确，要深入实施“人工智能+交通运输”行动，加快完善“人工智能+交通运输”发展和治理体系，守牢人工智能安全底线。这引发业界关于推动AI技术由算法工具向治理手段、治理能力转变的思考。
交通运输属于高风险、高流量、高责任复合型行业，路网、轨道、港口、航空、危货运输，点多、线长、面广，传统治理存在覆盖面不足、风险预判弱、管理滞后等短板。笔者认为，行业要融合AI技术完善发展治理体系，需要规避两个误区，一是将AI视作全新颠覆性技术，抛弃多年建成的信息化、智能化基础；二是仅把AI当作效率提升的工具，忽视其重构行业治理逻辑的底层价值。
从技术角度，AI是一套以数据为核心的辅助决策体系，始终无法脱离传统交通技术独立运行。传统交通信息化建设，核心集中在数据采集、存储、查询和单向指令下达，路上的监控摄像头、道路传感器、后台调度系统，大多只能完成简单的数据记录，所有数据基本都是事后调取用于复盘分析。而AI的核心优势恰恰是实时感知、自动研判，让交通管理从被动的事后处置，升级为主动的事前预警。因此，新旧技术并非对立关系。传统交通搭建的系统和平台，都可以成为AI技术落地运行的数据底座。AI的真正作用，是深度挖掘存量数据的价值，替代人工完成海量重复的数据分析和研判工作，优化复杂场景下的资源调配，解决传统技术预判不准、研判片面的问题。抛开现有的数字化基础盲目搭建AI系统，只会造成重复建设。所以，“人工智能+”应重在融合，而非重构。
我国当前已经形成覆盖公路、铁路、港口、航空的完整交通信息化。欧美、东南亚各国也普遍建成了成熟的传统交通管控平台。纵观全球案例，几乎没有彻底推倒原有体系、从零开始建设AI交通系统的，新旧衔接、平稳融合是行业共识。例如，英国菲力斯杜港在港口原有定位设备的基础上加装AI感知模块，实现人工车辆与无人车辆混合作业，用最小改造成本完成了智能化升级。无锡作为全国首个“车路云一体化”试点城市，也没有舍弃已建成的全市联网信控系统，而是打通了全市3万余个交通标识、2000多个路口信号灯的数据，对接路侧AI感知终端，实现车、路、云三方数据实时互通，让城市高峰拥堵时长下降15%。
不同AI技术，在交通治理中承担着不同的角色。底层的机器视觉、轻量化小模型，完成单点数据识别、局部风险排查，解决单一岗位的重复性工作，属于基础工具赋能；中层的时序预测、多智能体协同模型，可以优化各类运输调度流程，打通单一交通方式的内部资源，但无法实现跨领域、全场景统筹；而顶层的交通垂直领域大模型，能够整合路网、轨道、港口、危货运输等全维度数据，联动执法、养护、应急、多式联运等全业务链条，真正重塑整套交通治理范式。
全球多个成熟案例，也印证了分层落地、协同赋能的重要性。新加坡陆路交通管理局依托全域交通大模型，统筹调度路网、公交、海事资源，动态调整交通信号、车辆运力和执法管控策略，实现城市交通一体化、智能化治理；东京地铁结合轨道视觉识别、时序故障预测两大AI能力，将轨道故障预警周期拉长，把传统的故障后抢修模式，升级为隐患提前排查处置的主动模式；国内天津港整合港口视觉AI、集卡协同调度模型、港口垂域大模型，配套完善的算法审查、数据分级管理制度，打造出行业标杆式的零碳智慧码头治理体系。
总之，推进“人工智能+交通运输”落地，核心前提是做好AI新技术与传统交通治理体系、现有技术方案的有序衔接。依托存量改造为主、增量新建为辅的发展思路，稳步完成技术融合，才能推动传统交通治理的融合创新发展，这也是“人工智能+交通运输”核心是提升治理能力的技术逻辑。（作者是广州大学交通运输研究中心副教授）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
