文 | 诗弦

来源 | 博望财经

作为智能世界的关键入口，AI+ 终端正驱动智能汽车等实现形态重构、交互革新与生态重塑。

2025 年，国产 AI 大模型加速上车。将大模型应用于智能驾驶，已是行业普遍选择。尤其是端到端模式逐步成为智驾主流之后，智能驾驶的技术路径与成本结构得以重构，智能驾驶驶入新阶段。

但业内大多数企业对大模型的应用仍存在两大瓶颈——一是缺乏实时的物理世界感知能力，二是缺乏全局的 AI 认知系统。

原因在于，传统大语言模型（LLM）只能处理静态文本，无法处理多模态信息流和物理世界实时数据，更无法通过互联网数据信息预测现实世界。且目前大多数 AI 系统仅仅是单体智能，无法对整个城市交通效率进行全局优化。

而中国智驾领域的新生力量正以对物理世界的深度理解，赋予大模型 AI 全局感知、深度认知和实时推理决策能力，重新定义自动驾驶的边界。

大模型驱动自动驾驶脱 " 虚 " 向 " 实 "

7 月 26 日，全球 AI 领域规模最大、专业度最高、影响力最强的顶级盛会 WAIC 正式开幕。本届大会以 " 智能时代 同球共济 " 为主题，聚焦具身智能与自动驾驶前沿领域，展现了以大模型为代表的新一代通用智能技术对各行业基础能力的深刻重构。

作为 "AI+ 交通 " 的典型场景，自动驾驶正迎来技术路线转向和规模化落地的关键拐点。从有限视野到全局洞察，车辆对物理世界的完备感知，源自感知 AI 大模型赋予的 " 慧眼 "。

在 AI 企业云集的 H2 展区，中国 AI 独角兽蘑菇车联（MOGOX）与特斯拉紧邻亮相。WAIC 期间，蘑菇车联正式对外发布了首个物理世界认知模型—— MogoMind 大模型，成为本届大会最受关注的人工智能技术应用之一。

近期，英伟达创始人、CEO 黄仁勋公开指出，当前，人工智能浪潮已从感知 AI、生成式 AI 进阶至推理 AI 阶段，而物理 AI将主导下一波浪潮，成为未来关键领域。" 这意味着，AI 所有的能力都能够融入到我们的物理世界—— AI 需理解基础物理概念，如摩擦力、惯性和因果关系，才能与人类协同应对现实挑战。" 不久前，OpenAI 创始人 Sam Altman 亮出的一份时间表显示，到 2027 年，AI 将进入物理世界创造价值。

而蘑菇车联顺应最新的物理

AI 浪潮，此次发布的

MogoMind定位于物理世界的搜索引擎，是首个深度理解物理世界的AI 大模型，深度融合了物理世界的动态实时数据，具备全局感知、深度认知和实时推理决策能力。MogoMind 支撑实时数字孪生、路侧数据上车等关键应用，为多类型智能体提供物理世界实时信息的深度理解与规划决策服务，成为城市和交通高效运行的 "AI 数字基座 "，是理解现实世界的钥匙与通往现实世界的超级入口。

在一众科技企业开发的通用大模型与车企自研的行业大模型中，MogoMind 凭借卓越的模型性能与出色的应用效果，实现了行业领先，展现出强大的技术优势与落地能力。

测试数据显示，MogoMind 感知精度与认知准确度均超 90%，多模态推理准确率高达 88% 以上，长尾场景处理综合准确率达 85%，可推演超 800 种交通场景，有效缓解约 30% 的交通拥堵现象，将交通管理效率提升约 35%。

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，推动城市交通从 " 单点智能 " 迈向 " 全局智能 "。

MogoMind 开启城市交通"无延时"时代

AI 的终极战场不在虚拟空间，而在车轮滚滚的街道和川流不息的城市—— MogoMind 则让 AI 从 " 纸上谈兵 " 走向 " 实地作战 "。针对模型上车实操中实时性和全域性两大现实痛点，MogoMind给出了 AI 与现实场景无缝融合的创新解法。

通过对城市中每一条道路、每一个角落的实时 " 无死角 " 覆盖，MogoMind 能够全面、高精度地采集各类交通数据，并在数据源头进行初步处理，大幅缩短了数据传输与分析时间。

基于上述全方位、立体化的物理世界感知网络，MogoMind 构建起一套多源融合的实时感知系统。

无论是宏观层面的交通流量调控，还是微观层面的单个路口优化；无论是交通数据流的实时全局感知，还是道路风险的实时预警提醒，MogoMind 都能打破数据孤岛与区域限制，基于全域数据快速做出科学决策，使交通管理者能够实时精准掌握整个城市交通系统的运行全貌，避免因感知滞后导致的应急响应迟缓问题。

当面临车流潮汐现象、临时交通管制及各类交通事件时，MogoMind 能从全局视角进行分析与预测，为管理者科学决策提供重要支撑。

比如，当城市举办大型活动时，MogoMind 可提前整合活动场地周边及全市的交通数据，预测人流车流变化，不仅优化活动区域的交通组织，还能同步调整全市道路的信号灯配时、公交线路规划，实现交通资源的全局动态调配。

当道路突发交通事件时，MogoMind 可在数秒内实现交通事件的超视距实时感知，迅速计算出受影响的路段范围，实时规划最优路径，并将预警信息推送至周边车辆和交通管理部门，最大程度减少事件造成的拥堵和后续风险，真正做到   " 厘米级感知、毫秒级响应 "。

MogoMind 以实时动态数据为基础，将分散的交通数据信息进行深度融合与关联分析，形成涵盖交通流、道路设施、出行需求等要素的全局认知模型。

这使 MogoMind 具备了交通数据流实时全局感知、物理信息实时认知理解、通行能力实时推理计算、最优路径实时自主规划、交通环境实时数字孪生、道路风险实时预警提醒等六大关键能力。

例如，MogoMind 此前已在浙江桐乡实地部署，与当地政府深度合作，建成了首个全息实时数字孪生路口，并正式投入运行，实现路侧数据上车应用。该路口位于乌镇大道与二环北路交叉口，车流量大、多车型和人流混杂。蘑菇车联通过部署 " 通感算 "AI 数字道路基站（MOGO AI Station）和路侧系统（MRS），实现路口 300 米范围内所有交通参与者动态信息全天候、不间断、无死角获取，实时构建数字孪生系统。

以开放平台引领智慧交通协同进化

先进的交通系统，不是单点技术炫技或简单的堆砌设备，而是全局协同进化，让每个参与者都从中获益。

MogoMind 具备强大的兼容性和可扩展性。作为一个开放的物理世界 AI 大模型，MogoMind 可无缝接入来自不同厂商、不同类型的交通设备与系统，包括道路传感器、车载终端、交通管理软件等，实现多源数据的统一管理和协同处理。同时，MogoMind 提供多种接入方案，方便车企接入平台数据进行功能适配与应用开发。

除了车企，政府部门、交管部门、也能在 MogoMind 找到适合自身需求的应用场景，实现资源共享、优势互补，推动 AI 与交通生态的融合发展。

在出行服务场景中，MogoMind 是车辆行驶的 "AI 全能副驾 "，提供物理世界实时信息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提升驾驶安全与出行效率。如在长途驾驶中，提前告知前方路况变化。

在交通管理场景中，MogoMind 能够担当城市交通 " 决策中枢 "，助力交通管理者掌握城市交通运行全貌，基于实时动态数据融合分析，在宏观交通流量调控、微观路口优化、突发事件应急处理等方面做出科学决策，实现城市交通管理整体协同优化。例如，在重大活动期间，合理调配交通资源，保障交通顺畅。

在自动驾驶场景中，MogoMind 更成为高阶智驾的 " 隐形基座 "，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，提升自动驾驶技术安全性与可靠性。推动多款 L4 级前装量产自动驾驶车辆（RoboBus、RoboSweeper   和   RoboTaxi）在多场景应用。以 RoboBus 为例，其搭载端到端 "MogoAutoPilot + MogoMind" 系统，已在全国   10   个省份成功运营，安全行驶里程突破 200 万公里，服务乘客超 20 万人次。

除了桐乡，蘑菇车联的 MogoMind 大模型此前还在北京、上海、沈阳、长春、鄂尔多斯、南京、无锡、武汉、广州等多个城市完成落地验证和实地部署，收获地方政府和业界的高度评价。

在 AI 技术加速演进的当下，AI 大脑正成为推动各行各业智能化转型的核心引擎，帮助企业跳过重复造轮子的大模型研发阶段，快速切入场景化应用，构建 " 算法—数据—场景 " 深度融合驱动的智能产业新生态。而在 MogoMind 的助力下，" 零事故、零拥堵 " 的未来城市交通图景也正加速到来。