賽道Hyper | 蘑菇車聯MogoMind大模型：創新和挑戰

作者：周源/華爾街見聞

7月27日，自動駕駛全棧技術與運營服務提供商蘑菇車聯（MOGOX），在2025 WAIC發佈首個物理世界認知大模型“MogoMind”。

通過全域覆蓋的通感算一體化設備，MogoMind能全天候、不間斷捕捉車輛行駛軌跡、速度變化、交通流量、行人動態等海量異構數據。

蘑菇車聯副總裁王凱表示，相比數字世界的大模型，MogoMind可視爲物理世界的實時搜索引擎，是通往現實世界的超級入口。

王凱說，“通過接入物理世界實時動態數據，MogoMind能實現全局感知、深度認知與實時推理決策，爲AI網絡基礎設施建設、實現實時數字孿生效果、路側數據上車應用，提供關鍵支撐，成爲城市和交通高效運行的‘AI 數字基座’。”

從功能上看，通過全域覆蓋的通感算一體化設備，MogoMind不僅能識別路面狀況、交通標識、障礙物的物理狀態，還能將複雜的交通環境信息轉化爲可理解、可執行的智能決策建議，爲交通管理部門和出行者提供應對方案。

因此，MogoMind將擔當起城市交通決策中樞、車輛行駛多能助手、自動駕駛隱形基座三大角色。

這是智能交通從分散感知向系統認知轉型的一次具體實踐，該模型的技術路徑與應用表現，既體現了對現有交通痛點的迴應，也暴露了行業發展中的共性瓶頸，爲理解智能交通的演進階段提供了實際參考。

架構改進與現實邊界

傳統交通感知體系長期依賴單點設備，形成難以打通的信息孤島。

路口監控攝像頭受限於鏡頭角度，僅能覆蓋周邊有限範圍，無法捕捉遠距離車輛變道等動態行爲；路段測速雷達功能單一，僅能記錄瞬時車速，缺乏對車輛類型、行駛軌跡的識別能力。

更突出的問題是，不同廠商設備遵循各自的數據標準，採集信息格式差異顯著，導致交通管理部門在整合數據時需投入大量精力做格式轉換與校準，難以形成全局交通圖景，應對早晚高峰擁堵、突發事故等複雜場景時往往被動應對。

從公開資料看，MogoMind的通感算一體化網絡對此做了改進。

該模型構建的多模態傳感器協同體系，將激光雷達、高清攝像頭、毫米波雷達的功能做了有機結合：激光雷達負責構建道路環境三維模型，精準捕捉目標位置關係；高清攝像頭專注識別視覺細節，如信號燈狀態、車牌信息及行人姿態；毫米波雷達則在雨霧等惡劣天氣下保持穩定的測速能力。

這些傳感器若被系統部署於燈杆、交通崗亭等關鍵位置，就能形成連續感知網絡，數據通過統一接口傳輸，從源頭解決格式兼容問題。

在數據融合環節，算法對不同傳感器信息做交叉驗證：當攝像頭因強光出現識別誤差時，激光雷達數據可做修正，有效提升了複雜路口交通參與者軌跡識別的準確性。

但這種改進存在明確邊界：郊區路段受設備部署與維護成本限制，感知網絡覆蓋密度很可能出現顯著下降。

城市核心區人口密集、交通流量大，傳感器部署效益可覆蓋成本；而郊區道路里程長、流量小，同等密度部署需數倍投入，導致目前鄉道等偏遠路段仍依賴傳統設備，形成城鄉結合部數據斷層。

車輛從城區駛入郊區時，感知數據精度與更新頻率明顯下降，直接限制了該模型的作用範圍。當然，不能指望一種模型能解決所有場景和成本問題。

MogoMind對路面摩擦係數的推算功能，試圖通過樣本車輛數據實現對道路物理狀態的精準感知。

這一功能的核心矛盾在於對樣本數量的高度依賴，存在實際場景中車輛分佈不均的衝突：在車流量充足時段，模型能較好完成推算；而在車流量稀少時段，推算準確性下降。

凌晨等低峰時段，道路樣本車輛密度極低，數據稀疏成爲物理信息採集的現實瓶頸。

交通系統需要24小時不間斷運行，即使車流量稀少時段，也可能出現暴雨、結冰等突發情況，亟需模型提供準確路面信息，但樣本不足導致模型難以有效發揮作用，形成難以通過算法優化解決的“時間盲區”。

交通狀態模擬功能則受限於人類行爲的不確定性。

交通系統包含大量受情緒、羣體心理等非結構化因素影響的人類行爲，在大型活動散場等場景中，行人行爲具有顯著隨機性，其背後的影響因素難以轉化爲模型可識別參數，導致預測準確率驟降，凸顯了當前AI在理解人類複雜行爲時的固有侷限。

落地現實梗阻與根源

在城市交通管理中，模型與實際需求的錯位本質，是算法邏輯與社會邏輯的割裂。

MogoMind是以提升通行效率爲核心目標的優化方案，可能在提高主幹道通行效率的同時，忽視學校周邊等區域對安全、公平的特殊需求。

比如這個模型基於效率優先的信號燈配時調整，可能縮短人行橫道綠燈時間，增加學生過馬路的安全風險。

如何將安全、公平等社會價值量化爲模型可處理的指標，既是行業共性問題，也是MogoMind未來技術迭代的方向。

在自動駕駛車路協同應用中，傳輸延遲問題，主要源於電磁波傳播速度與車輛運動速度的客觀差距。

即使採用先進通信技術，數據從路側系統傳輸至車輛並完成處理，仍會產生一定延遲。

在緊急場景中，這種延遲可能影響車輛避險決策，因此車路協同必須依賴車載傳感器與路側系統的“雙重冗餘”設計。

這種設計現實需求，雖然增加了系統複雜性與成本，但在當前技術條件下是保障安全的必要選擇。

MogoMind的核心價值，不在於提供成熟解決方案，而在於其暴露的問題爲行業指明瞭技術突破方向：需同時攻克物理信息採集盲區、人類行爲建模盲區與多目標平衡盲區三大難關。

解決這些問題需要跨學科融合創新：破解人類行爲建模難題，需交通工程師與社會學家合作總結行爲規律。

比如突破物理採集盲區，依賴低成本、低功耗傳感器研發與邊緣計算技術應用；平衡多目標則需要政策制定者、管理者與算法專家協作，將社會價值轉化爲可量化指標。

作爲智能交通領域的探索者，MogoMind的實踐證明了通感算一體化的可行性，也讓行業認識到智能交通發展需與城市規劃、社會治理深度融合。

蘑菇車聯官方消息稱MogoMind是“首個物理世界認知模型”，其“首個”的全部價值，並不限於商業層面——就技術角度看，這個模型暴露的短板，也爲後續研發標出了攻堅座標，這將推動智能交通在漸進式探索中不斷前進。