专家论道：AI信号控制，价值为王，而非概念至上

随着人工智能技术的日新月异，AI大模型凭借其卓越的数据处理、复杂场景洞察及自主决策能力，正逐步渗透至交通信号控制领域，为解决城市治理的棘手难题带来了新的契机。然而，随之而来的疑问也层出不穷：AI大模型如何才能精确捕捉复杂交通态势的每一个细微之处？在信号控制领域实现AI大模型的深度落地，当前最关键的任务是什么？技术在实际部署过程中又会遭遇哪些现实的阻碍？

今年三月，在赛文交通网精心组织的第十五届（2026）智能交通市场年会上，特别设立了以“AI大模型在信号控制中的应用”为主题的圆桌对话环节。

此次圆桌讨论汇聚了多位行业翘楚，包括北方工业大学智能交通控制(北京市)重点实验室研究员张福生，金华市公安局交通管理支队秩序管理大队副大队长吴一昊，永康市公安局局长助理、交通管理高级主管汪超，星路智联(北京)科技有限公司总经理谢建家，以及国数智能交通科技(北京)有限公司总经理隋宗宾，共同探讨这一前沿议题。广东振业优控科技股份有限公司CEO陈宁宁担任本次对话的主持人。

本次圆桌汇聚了多方跨界智慧，旨在通过深度思辨，激荡出思想的火花：

与会嘉宾普遍认为，AI大模型赋能信号控制是行业发展的必然趋势，但也坦诚地指出了中小型城市在应用上面临的“不敢用、没钱用、不会用”的困境，以及数据闭环不健全、成本与效益失衡等现实痛点。大家一致反对盲目跟风、急于求成的技术落地模式；

同时，与会者共同明确了务实的推进路径：建议从语义理解、基础信息检索、合规性审查等相对轻量级的场景入手，优先实现落地；并提出采用大小模型结合的方式进行区域性试点，在夯实基础认知和数据治理能力后，再逐步向更高级的信号策略优化方向延伸。

整场对话摒弃了对技术概念的过度炒作，回归到交通治理的实际价值层面，在理性审慎的讨论中凝聚了行业共识，为AI大模型真正赋能城市交通信号控制升级，厘清了核心矛盾与前进方向。

您对当前AI大模型在信号控制领域的应用，是充满期待，还是有所顾虑？

作为科技领域的从业者，我个人对AI信控大模型的发展前景持乐观态度。我认为，AI信控大模型并非旨在颠覆传统的交通管理模式，而是在现有管理体系的基础上，实现更高级别的决策能力，通过大模型实现对交通管理的整体性统筹规划。新技术的出现必然会打破原有的行业格局，同时也将显著提升传统管理方式的水平，因此，我对大模型时代的到来充满期待。

关于AI大模型在信号控制领域的应用，我坚信这是行业发展的必然方向，这也是我投身于该领域的核心驱动力。如果用一句话来表达我的观点，那就是我已经用实际行动投了赞成票。

当前，在交通信号控制这一专业细分领域，我们所应用的实际上仍是小型模型，距离真正意义上的大模型还有相当长的距离。在与各地领导交流时，不少人会询问开发大模型需要配备多少算力，而我往往不便明说，因为我们实际所需的算力需求量并不大。但深入了解行业后发现，信号控制本身作为一门独立的学科，拥有其独特的运行逻辑和规律，我们必须对其保持敬畏之心，并一步一个脚印地推进。尽管如此，我个人对AI大模型在该领域的应用依然充满信心，并且用实际行动践行着这份“看好”。

我对AI大模型在信号控制领域的应用，主要存在三个方面的顾虑，可以用三个词语来概括。

第一个是“不敢用”，因为这类技术应用得好，大家不会特别表扬，但一旦出现问题，就会受到领导的严厉批评，所以我不敢轻易将信号控制工作完全托付给AI大模型。

第二个是“没钱用”，中小城市的财政投入能力有限，即使我们申请了大数据相关的专项资金用于交警工作，每年在软件方面的投入也仅有一两百万元，这对于需要大量算力支持的大模型来说，连购买基础算力都捉襟见肘，更遑论后续的训练和应用开发。

第三个是“不会用”，目前我们还没有找到真正合适的应用方法和路径。AI大模型虽然能够辅助编写代码，我自己写代码时也会参考它的输出，效果确实不错，但若要它直接生成信号控制方案，往往考虑不够周全，无法满足实际需求。

不过，我也同样认为，一旦找到了合适的应用方法，AI大模型在未来的信号控制领域必将发挥至关重要的作用。

AI大模型在近两年引起了极高的关注度，不仅在交通信号控制这一细分行业，在其他各行各业，尤其是政府部门，各级领导都希望能够尽快实现落地应用。

我个人对AI大模型的态度是“不拒绝、不神化”，主张“让子弹再飞一会儿”。在信号控制领域，行业内可用于模型闭环训练的样本数据极为匮乏，缺乏统一的标准来衡量应用效果，贸然投入使用很可能会出现投入巨大、产出甚微的问题。去年年底DeepSeek发布时，许多单位纷纷急于跟进应用，这种揠苗助长、盲目跟风的行为极易造成巨大的资源浪费。

我认为，无论是信号控制还是交通组织，AI大模型与人工智能深度学习都应坚持以人为本的原则。当前大模型的核心优势在于海量数据的抓取能力，将其应用于城市交通信号控制问题的诊断分析更为合适，通过抓取民众的反馈、投诉等相关信息，为交通问题的治理提供方向性指引，这才是更贴合实际的落地路径，明确方向比盲目努力更为重要。

在此，我分享一个小故事：在本次论坛开幕前的闭门会议上，国内几家头部企业共同探讨了AI大模型对行业的影响，其中有企业负责人提出，应用大模型后实现了15%的员工裁减和成本降低。

从行业发展的大视角来看，AI大模型的到来是不可回避的趋势，未来必将深度融入行业发展之中。即使在短期内难以实现成熟应用，三到五年后，它也必将成为行业的常态。从学术界的视角来看，如何培养能够适应行业发展需求的人才，以及从业者如何提升自身能力以适应技术变革，是我们需要正视的现实挑战。如今，硕士毕业论文也需要融入深度学习、大模型等相关内容才能通过评审，这也从侧面印证了AI大模型是行业发展的必然方向。

如果希望实现AI大模型在信号控制领域的深度落地，您认为当前最核心的工作是什么？

要实现AI大模型在信号控制领域的有效应用，首要任务是把基础问题做得对、做得好。当前各类大模型在信号控制的基础问题上存在判断失误，例如，超过半数的模型认为路口宽度与黄灯时长存在关联，这种基础认知上的偏差，导致模型训练结果自然无法做到精准。

只有先校准基础认知，合理管控应用预期，并夯实底层工作，才能保障大模型应用的有效性。其次，我们必须牢记人工智能领域“垃圾输入、垃圾输出”的核心逻辑，明确模型的数据输入类型与预期输出结果，并清晰界定应用路径。

在交管与信号控制的日常业务中，哪些内容可以作为大模型的训练数据输入？

这正是制约大模型在信号控制领域规模化应用的关键问题所在。要推动大模型得到广泛应用，核心在于降低应用门槛，不能仅仅依赖专业人员的操作。通用大模型之所以能够普及，是因为用户只需通过自然语言进行交互，就能逐步获得贴合需求的结果。

然而，在信号控制与交通组织领域，目前仍需要专业人员通过专业的术语向模型传递指令。模型对多模态数据的处理能力存在局限，视频等非结构化数据需要转化为结构化数据才能输入，各类多维数据也需要经过转换处理，这极大地增加了应用成本。我期望未来能够直接将百度、高德等平台的路况数据导入模型，并结合区域协调控制、线协调控制等策略需求，让模型能够输出相应的控制方案。即便这一目标具有相当的难度，它也清晰地指向了城市级信号控制的发展方向。

我一直对传统的自适应控制方法心存顾虑，因为单一路口的最优解并不一定代表整个城市交通的最优解。以往的自适应控制常常出现路口通行顺畅但关联路口车辆拥堵外溢的问题。这类问题可以通过先将现有成熟的解决方案输入模型进行尝试，秉持先测试、后深化的思路来推进应用。

汪超总在主题报告中提到您正尝试利用大模型开展语义理解工作，在语义理解实现后，信号控制的执行是否仍然依赖您现有的控制逻辑？

我的思路是由易到难，逐步推进。

目前，大模型在语义理解方面已展现出较强的能力，对于文稿、PPT等内容的处理效果甚至优于人工操作。语义理解这一环节基本可以实现成熟落地。在此基础上，大模型可以进一步向控制策略层面延伸，但我并不认为它能够直接生成参数级别的信号控制方案。能够完成策略层面的决策，就已经能够满足实际需求了。此外，当前行业内检测器数据的应用和评价体系的建设均不完善，模型无法对控制方案的优劣进行准确判断，这是亟待解决的核心问题。

目前大模型在参数层面的应用尚不成熟，仅能在策略层面发挥作用。同时，评价体系的缺失导致方案效果无法有效评判，这是当前推动应用落地的当务之急。

当前，无论是互联网数据还是自有业务数据，都缺乏能够形成完整评价闭环的训练语料。在信号控制工作中，我们制定的方案大多没有进行后续的效果评估，往往只有方案本身而无实际运行结果的反馈。这类数据无法作为高质量数据集或知识库来支撑大模型训练，这也是行业面临的现实问题。

请教国企与民企的两位企业代表，从市场角度来看，“AI+信控”的市场机会体现在哪些方面？哪类产品最适合率先落地？

我认为AI大模型最容易实现的应用是基础问答与信息问询，这也是交通管理工作的基础性需求，但这类浅层应用难以解决交通治理的核心问题。

我们曾与抖音、百度等互联网大厂进行深入对接，共同挖掘大模型在城市治理中的应用场景。初期落地均围绕12345政务问询服务展开，海淀区也在交通领域完成了该类场景的实践，但其治理价值非常有限。

为此，海淀区选择在难度最高的区域信号控制领域进行大胆尝试，选取了抖音周边13个路口构建管控区域，采用大小模型结合的方式实施区域协调控制。项目启动前我们并没有十足的把握，毕竟即便是人工，在区域信号的统筹管控方面也难以做到尽善尽美。在项目推进过程中，我们联合北京市及海淀区交通管理部门、大模型技术企业，实现了多项管理与机制上的突破。从一平方公里试点区域的运行效果来看，整体表现良好。

目前，结合北京市交通4.0系统建设，我们正计划进一步扩大模型的综合应用范围。海淀区汇聚了众多大模型科技企业，肩负着开放应用场景、支持技术试验的使命。只有通过实际场景的落地尝试，才能推动技术的持续迭代，这也是建设科技强国的必然要求。

我始终认为，新技术的应用应当紧密贴合实际需求，而非仅仅为了炒作概念。落地工作必须以创造真实价值为出发点。

在信号控制的日常工作中，存在大量数据查询类的需求，例如联网路口数量、专项管控路口统计等。大模型的增强检索功能能够很好地适配这类场景，目前我们已将该技术投入实际应用。通过语音对话即可快速获取所需信息，有效地替代了传统人工查询的繁琐流程，实用价值十分显著。其次，交通行业的规范与规则体系繁杂，大语言模型对文本类工作具备天然的适配性，可以依托检索技术开展规范核查与合规性审查，有效提升工作效率。

此外，在交通运行巡检的场景中，可以借助模型实现智能化的巡检分析。基于全域车辆数据与路段运行指标，模型能够自动完成路口、路段状态的诊断，并分析指标波动的原因以及优化成效。这类场景的落地效果同样良好。

当前我们的应用尚未涉及模型微调，而各位甲方所关注的区域优化属于高阶应用场景，我认为不应过早挑战这类高难度任务。AI的核心逻辑是统计分析，它无法替代高端专业人才的创新工作，但能够帮助基础从业者快速提升能力，并推动行业人才结构的优化。现阶段，我们应当拆解复杂问题，务实地推进应用，例如为区域优化提供数据支撑、对优化效果进行动态巡检与预警。以实际应用效果为导向，理性拥抱各类技术，采用人工与技术相结合的模式来推进落地。

请教学界的张老师，信号控制是容错率极低的严肃应用场景，该场景对技术稳定性要求极高，而大模型普遍存在“幻觉”问题，这一问题是否能够得到解决或有效规避？

大模型的“幻觉”问题自技术诞生之初便备受关注，它在交互过程中会出现无依据的虚假输出。但我们无需对此过度恐惧。通过优化智能体与技能的配置，能够有效规避“幻觉”风险。

在交通行业中，涉及安全与基础逻辑的工作本质上属于自动化范畴。将这部分基础工作夯实，就能建立起系统运行的兜底保障，从而降低“幻觉”带来的影响。我曾整合上万篇专业论文与资料构建专属知识库，限定大模型仅在审核通过的权威内容范围内输出结果，禁止无依据的联想，最终得到的结果精准可靠。

这说明大模型的“幻觉”问题具备可行的解决路径，但无法依赖通用模型解决所有问题，需要结合行业专属的知识库与限定规则进行管控。因此，不必对该问题过度担忧。

我想向甲方代表请教，尤其是汪超总。您当前采用的信号控制解决方案具备较高的经济性。若未来行业内推出效果优异的AI大模型信号控制设备，但其价格远高于您现有的方案，您是否会考虑应用？

我未必会选用，决策核心仍将围绕投入产出比展开。这类设备的成本大概率会随着技术的成熟逐步下降，而其能否替代人工是关键因素。目前来看，AI大模型仅能部分替代人工工作，难以实现全面替代。

中小城市开展工作始终将投入产出比放在首位。我们选用雷视一体机时，领导仍认为成本偏高，转而采用视频检测方案。如今，单路口的建设成本已处于较低水平。这类智能化设备能够替代人工开展交通调查等高成本工作，具备一定的应用价值。

若AI信控技术能够实现成熟落地，我也愿意积极应用，但当前该领域仍存在数据体系不完善、算力成本高、效果评价体系缺失等问题，路口运行效果的优劣都难以客观评判，技术落地仍有很长的路要走。

当前行业现状如此，不少厂家前来对接后，我最终选择组建三人研发团队自主开展信号控制相关的研发工作。

请教吴队，您如何看待大模型应用的成本问题？学术界不少观点认为，当前大模型应用存在“大炮打蚊子”的问题，现有案例大多仍依托传统感应控制逻辑。若大模型应用成本更高，甲方该如何权衡？

将AI大模型应用于信号控制比作“大炮打蚊子”并不贴切，二者并非价值不对等的关系。信号控制工作意义重大，具备通过AI技术赋能提升的广阔空间。当前问题的核心在于技术与场景未能精准匹配。成本固然是考量因素，但更关键的是应用场景的适配性。

若大模型能够实现城市信控问题智能诊断、优化效果评估等核心价值，即便成本偏高，也具备落地应用的价值。

各位如何看待上海的“易的PASS”系统？

该系统建设时间较早，彼时相关技术尚未成熟，项目推进过程中必然面临诸多问题。其核心依托车辆ID卡口数据实现功能，当前仍存在不少短板。但技术发展的方向是正确的，未来应用效果会逐步优化。该系统的建设成本较高，仅有上海等少数城市能够承担，其他城市推广难度较大。

此外，我想补充一点，我经常与上海相关部门交流，大家普遍认为上海具备较强的经济实力，能够承担相关投入，但上海还有一个不可忽视的基础条件——近三十年来，依托SCATS系统培养出了一批成熟的工程师，同时构建了稳固的系统基础。从早期相关负责人到如今的行业专家，始终坚持深耕相关工作，为该系统的落地奠定了坚实基础，不能将当前取得的效果简单归结为新技术的作用。

春节前，我曾前往上海，并非专门考察该系统，而是在行程中顺带了解了相关情况。

当时，该系统相关信息已在交管部门工作人员的手机端广泛传播，科技处及各级交管部门领导均有所关注。但要全面评价一套系统的实际成效，仅看表面宣传是不够的，核心在于明确评价指标，判断各项指标的升降情况。若缺乏明确的考核标准，最终只能以实际结果、以群众的实际体验来评判，也就是让老百姓用脚投票。该系统与七八年前杭州城市大脑刚推出时的情况类似，当时也宣传成效显著，但如何客观评判其价值，仍需经过多代迭代检验。

对于这类新兴事物，我们应给予一定的宽容。上海作为经济实力较强的城市，其推出的第一代系统必然存在诸多不完善之处，但相信会在细分领域不断迭代，为其他城市提供可借鉴的经验。目前该系统并非完善形态，也尚未达到宣传中那般理想的效果。

上海还有一个其他城市难以效仿的优势，即其市交通委员会具备强大的数据统筹能力，整合了港口、机场等各类大型交通数据，这是其他缺乏强力统筹部门的城市难以实现的。

我对该系统的了解主要分为两方面：从宣传层面来看，其已达到预期目标，引发了行业广泛关注；但从当前实际产出来看，成效相对有限，并未达到令人惊艳的程度，其推出的部分方案，行业内专家也能独立制定。

不过，我认为大模型的核心优势在于成长速度远超人类，发展方向是正确的，正如张福生老师所说，我们不妨持续观察，其后续大概率会实现指数级成长。上海的尝试本身具有积极意义，尽管投入成本较高。

目前来看，该系统的性价比偏低，但考虑到大模型的快速迭代能力，后续其成效有望覆盖投入成本。

技术创新过程中出现挫折与争议是正常现象。

从规模化角度来看，规模化发展对大模型至关重要。上海具备纵向大交通数据整合的规模优势，而从全国层面来看，依托车端数据构建全国规模的数据集是良好的切入点。

从成本与规模的逻辑关系分析，大模型具备较强的规模化属性。若全国范围的模型能够实现规模化应用，成本便可有效分摊。针对大模型“幻觉”与数据质量问题，金融、自动驾驶等对安全性要求极高的领域已能妥善解决该问题，因此“幻觉”问题在交通信控领域具备可规避、可解决的路径。

数据质量提升是一项长期工作，数据矛盾始终存在。构建大模型前必须投入充足时间完成数据源的归纳与梳理，如同人才培养需要夯实基础知识一般，基础数据梳理工作是大模型应用的核心前提。

此外，我拥有近二十年地图导航行业从业经验，不同行业的数据具备共享价值，跨界数据融合应用能够有效降低单一行业的应用成本。未来交通行业大模型的发展，或将涌现更多跨界布局的企业。

上海的相关系统是我们行业的先行探索，北京也曾组织学习交流该系统的建设模式，市领导也要求借鉴其发展思路。该系统在推出阶段结合当地交通治理背景，创新运用多源数据开展交通治理，取得了阶段性成效，这一行业先行价值不可否认。

我认同谢总的观点，当前大交通治理的综合性不断提升，单一维度的数据已难以解决复杂问题。希望该系统能够持续融合多元数据，结合新技术实现突破创新。行业内应当秉持竞合共赢的发展理念。

本次市场年会的各类报告均提及大模型应用，整体风格相较以往更为务实，不再夸大技术效果，这是因为大厂退出后，深耕交通行业、怀揣行业情怀的从业者成为核心力量。大家理性拥抱技术、直面行业问题，这对行业发展是积极信号。

在本次讨论的最后，请每位嘉宾用一句话总结对AI大模型在信号控制领域应用的现状反思与未来展望。

我希望AI大模型未来不仅具备自然语言交互能力，更能实现信号控制方案的自主设计。

我希望大模型能够像通用语义大模型一样实现低门槛普及，让非专业人员也能便捷使用，以此焕发持久的生命力。

我希望研发一款应对群众不合理投诉的大模型，针对夜间无车路口红灯设置这类疑问，依据法规给出专业准确的回复，提升沟通效率。

我希望大模型技术能够快速成熟落地，为信号控制工作找到明确的发展方向。

对于大模型在信号控制领域的应用，我的观点可以概括为四个字：时不我待。

AI时代到来的速度远超预期，期盼该项技术能在交通领域实现实质性的落地应用，让管理单位放心，也让行业企业找到新的共生合作与盈利切入点。

【智能交通行业年度宝典——2026版《如来神掌10》正式发布，点击下方小程序下单采购，抢先阅览（链接长期有效）】