青青一区二区三区_亚洲精品动漫久久久久_国产成人三级_天堂久久一区

當大模型的聚光燈照向實體經濟，一個“必答題”浮出水面：數字世界里驚艷的大模型技術，怎樣才能變成現實世界中實實在在的生產力？

在 2025 世界人工智能大會（WAIC 2025）期間，蘑菇車聯（MOGOX）發布首個物理世界 AI 大模型——MogoMind。在蘑菇車聯展區，MogoMind 作為首個深度理解物理世界 AI 大模型，成為本屆大會最受關注的人工智能技術應用之一。

通過深度整合實時、海量的多模態交通數據，MogoMind 能夠從物理世界的復雜數據中抽取意義、從經驗中學習規則、在不同場景中靈活決策，形成對交通環境的全局感知、深度認知和實時推理決策能力，可以為多類型智能體提供實時數字孿生與深度理解服務，成為城市和交通高效運行的“AI 數字基座”。

依托 MogoMind 大模型能力，蘑菇車聯推出多款 L4 級前裝量產自動駕駛車輛，包括 RoboBus、RoboSweeper 和 RoboTaxi，深度融入全局感知、深度認知和實時推理決策能，推動自動駕駛技術在公共交通、城市環衛、無人零售等多場景應用。

其中，自動駕駛巴士 MOGOBUS 搭載端到端“MogoAutoPilot+MogoMind”系統，具備交通環境實時感知、道路數據分析計算、突發事件自主決策等多項能力，已在全國 10 個省份實現成功運營，安全行駛里程突破 200 萬公里，服務乘客超 20 萬人次。

同時，蘑菇車聯圍繞 AI 大模型在交通領域的應用，全面展示深度理解物理世界的 AI 大模型 MogoMind、智能體與物理世界實時交互的 AI 網絡等多項核心技術產品，詮釋 AI 與物理世界深度融合的未來圖景。

在平衡對交通場景的理解能力、計算成本、訓練時間等因素后，蘑菇車聯為 MogoMind 選定的是 70 億的參數規模。

據蘑菇車聯方面表示，這一參數能夠確保模型在保持表達能力的同時，通過優化計算架構（如 MoE 稀疏激活），將推理延遲控制在百毫秒左右，滿足交通場景的實時性要求。相比千億參數模型，70 億參數規模在交通場景足以覆蓋道路拓撲、交通規則、車輛行為等專業知識，避免冗余計算，又可大幅降低訓練成本，同時通過增量訓練（如實時數據持續注入）實現模型動態優化。

相比數字世界中的大模型，MogoMind 可以視為物理世界的實時搜索引擎，是理解現實世界的鑰匙，通往現實世界的超級入口。

蘑菇車聯指出，傳統 LLM 是 “理解文字和語言的工具”，在虛擬文本空間中完成信息交互，物理世界實時搜索引擎與其有本質差異，是在真實物理世界中實現實時感知與決策。二者的核心差異在于，是否能與動態變化的物理世界形成“實時交互閉環”，具體體現在數據基礎、認知對象、核心能力、應用邏輯等多個維度。

結合多模態動態處理、實時計算架構與物理世界認知模型，MogoMind 破解了物理世界動態數據的實時理解難題。依托覆蓋城市全域的“通感算一體化”設備（如 AI 數字道路基站、路側系統等），實時獲取物理世界實時動態數據。其次，通過邊緣 + 云端的協同處理，將數據在源頭就進行融合處理，為理解世界提供更高精度和質量的數據。第三，基于技術，將動態數據轉化為可理解的物理世界語義信息，也就是一個翻譯過程，結合物理規律或交通規則，將數據轉化為決策級信息；第四，通過強化學習與實時推理算法，實現動態數據到決策的即時轉化。

通過接入物理世界實時動態數據，包括攝像頭、毫米波雷達、激光雷達等傳感器采集的車輛軌跡、交通流量、行人動態、路面狀況、氣象條件等，MogoMind 形成全局感知、深度認知和實時推理決策能力，能夠從數據中抽取意義、從經驗中學習規則、在場景中靈活決策。

據介紹，MogoMind 能夠實現“厘米級感知、毫秒級響應”。例如，道路突發事故時，可在數秒內完成超視距感知、受影響范圍計算、最優繞行路徑規劃，并同步推送預警至周邊車輛與交管部門，避免因延遲導致的二次擁堵。

為此，MogoMind 可直接服務于物理世界的實體運營與優化，其價值在于通過實時決策直接提升物理世界的運行效率。核心應用場景包括：智慧交通（如實時調控信號燈、預警道路風險）；自動駕駛（為 L4 級自動駕駛車輛和智能網聯車輛提供超視距決策支持）；城市管理（如大型活動期間全局交通資源調配）。

作為首個深度理解物理世界的 AI 大模型，MogoMind 以實時性、全域性、平臺化為基石，構建起六大關鍵能力，包括交通數據流實時全局感知、物理信息實時認知理解、通行能力實時推理計算、最優路徑實時自主規劃、交通環境實時數字孿生、道路風險實時預警提醒六大關鍵能力，解決了當前 AI 缺乏物理世界實時感知能力和全局認知系統兩大核心問題。

通過全域覆蓋的通感算一體化設備，MogoMind 能夠全天候、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，并經過數據融合算法快速整合處理，為智能分析和精準決策提供數據基礎。

借助物理信息實時認知理解能力，MogoMind 不僅能夠識別路面狀況、交通標識、障礙物的物理狀態，還能將復雜的交通環境信息轉化為可理解、可執行的智能決策建議，為交通管理部門和出行者提供應對方案。

交通流預測方面，MogoMind 通過交通流預測模型和通行能力評估算法，對道路通行能力進行實時動態計算，其綜合考量交通流量、車輛類型、道路幾何特征、信號燈配時等多種因素，利用強化學習技術，挖掘交通數據背后的規律和趨勢，預測未來時段的交通流量變化趨勢。

MogoMind 還提供實時路徑規劃、數字孿生、預警提醒等多種服務，能夠無縫接入來自不同廠商、不同類型的交通設備與系統，包括道路傳感器、車載終端、交通管理系統等，實現多源數據的統一管理和協同處理。

對于車企，MogoMind 提供多種接入方案，方便車企接入平臺數據進行功能適配與應用開發。政府部門、交管部門、車企都能在 MogoMind 找到適合自身需求的應用場景，實現資源共享與優勢互補，推動 AI 與交通生態的融合發展。

基于以上能力，MogoMind 擔當起城市交通“決策中樞”、車輛行駛“全能助手”、自動駕駛“隱形基座”三大角色。

交通管理領域，MogoMind 讓交通管理者輕松掌握整個城市交通系統的運行全貌，無論是宏觀層面的交通流量調控、微觀層面的單個路口優化，還是道路突發事件應急處理，都能基于實時動態數據的融合分析做出科學決策，實現城市交通管理的整體協同優化。

出行領域，MogoMind 提供物理世界實時信息的深度理解與規劃決策服務，超視距路況提醒、最優路線動態規劃、盲區風險實時感知等能力全面守護駕駛安全，提升出行效率。自動駕駛領域，MogoMind 通過多源數據融合和長尾場景持續學習，反哺自動駕駛模型訓練，進一步提升自動駕駛技術安全性與可靠性。

值得注意的是，MogoMind 定位為“開放平臺”。MogoMind 具備數據可控性與價值反哺的雙重設計，車企無需有數據主權讓渡的擔憂。

并且，作為“智能體與物理世界實時交互的 AI 網絡核心引擎”，MogoMind 突破了單一交通場景的限制。

隨著這一物理世界 AI 大模型的持續迭代，未來其還能向更深層次演進，為機器人、低空經濟等領域提供技術支撐；通過 AI 網絡的持續擴展，還可實現對更多類型智能體的支撐。

據蘑菇車聯介紹，MogoMind 在設計之初就考慮了跨領域、跨場景的平滑遷移需求，通過統一的感知、認知、決策框架以及平臺化兼容設計和多源數據融合能力，將已在交通場景中驗證的多模態融合能力遷移至其他領域，實現對不同智能體的共性支撐。

另外，MogoMind 的六大關鍵能力和三大特征（實時性、全域性、平臺化）也具備跨場景適配性。

比如，“多模態動態融合架構”可處理無人機的航拍數據、機器人的環境感知數據，與交通場景的傳感器數據形成統一融合框架；“實時數字孿生”能力不僅可模擬交通環境，還能為無人機飛行空域、機器人作業區域構建虛擬鏡像，支持多智能體的協同決策；“平臺化”特征使其能無縫接入不同類型智能體的終端設備（如無人機的導航系統、機器人的控制系統），提供標準化的數據交互與決策支持。