大模型如何从数字世界走向物理世界？蘑菇车联MogoMind在WAIC 2025打了个样儿

近年来，大模型技术发展可谓日新月异。最初，大模型主要聚焦于数字世界，以语言模型为代表，在文本生成、知识问答、语言翻译等领域表现不俗。随着技术迭代，多模态数字世界大模型兴起，融合文本、图像、音频等多种信息。比如，一些模型可根据文字描述生成对应的逼真图像，或对视频内容进行精准语义理解与分析，广泛应用于广告设计、影视制作、智能安防等行业，极大提升各领域智能化水平与工作效率。

与此同时，大模型发展正朝着物理世界演进，千行万业迎来新的机会。在7月26-29日举行的2025世界人工智能大会暨人工智能全球治理高级别会议（WAIC 2025）上，我们注意到，深耕交通领域多年的蘑菇车联（MOGOX）围绕AI大模型在交通领域的应用，展示了首个物理世界认知模型MogoMind、智能体与物理世界实时交互的AI网络等多项核心技术产品，为我们诠释了AI与物理世界深度融合的未来图景。

据蘑菇车联副总裁王凯介绍，相比数字世界中的大模型，MogoMind可以视为物理世界的实时搜索引擎，是理解现实世界的钥匙，通往现实世界的超级入口。通过接入物理世界实时动态数据，MogoMind形成全局感知、深度认知和实时推理决策能力，能够从数据中抽取意义、从经验中学习规则、在场景中灵活决策，为AI网络基础设施建设、实现实时数字孪生效果和路侧数据上车应用提供关键支撑，成为城市和交通高效运行的“AI数字基座”。

首个物理世界认知模型：何以蘑菇车联？

首个物理世界认知模型由蘑菇车联提出，在王凯看来，是水到渠成、顺势而为的必然。

技术方面，创立于2017年的蘑菇车联，目前已形成了AI网络基础设施与自动驾驶全栈研发能力，专注于构建智能体与物理世界实时交互的AI网络，并首创将物理世界实时数据纳入训练，突破传统模型依赖互联网静态数据的局限，形成“感知-认知-决策-反馈”闭环。经过在车路云一体化、自动驾驶等领域的技术积累，蘑菇车联已具备提供AI网络基础设施和自动驾驶全栈技术解决方案的能力，包含从AI大模型（MogoMind）、路侧基础设施（AI数字道路基站）到车端智能系统（L4级自动驾驶车辆）的全链条技术研发和交通场景应用落地。

市场方面，智能交通发展面临数据割裂、生态分散和成本失衡等痛点，亟需从技术创新到落地应用的全链条破局。特别是在数据方面，交通体系沉淀着大量的尚未被开发的“沉睡数据”，需要将这些数据的价值挖掘出来，转化为可以为交管部门、车企、用户利用的数据资产。与此同时，蘑菇车联通过在北京、上海、桐乡等十余个城市落地AI网络项目，积累了海量且多类型的交通数据，并构建起动态实时环境数据库。为此，蘑菇车联以MogoMind为核心，用数据串联起AI网络与自动驾驶两大业务，为各方进行数据赋能，构建起完整的“智能交通+智能出行”解决方案，顺应了行业从“单点智能”迈向“全局智能”的发展趋势。

当然，王凯也坦言，MogoMind的研发看似自然，实则也是一场场技术攻坚战打出来的，其中的难点包括如何高效处理和融合海量多源异构的交通数据、如何在复杂交通场景中实现准确、实时的认知与决策，以及如何平衡模型规模、算力需求和计算效率，以实现模型的规模化落地应用。

提升大模型泛应用能力，MogoMind掌握核心科技

大模型如何突破单一领域或场景限制，在跨行业、多场景、多模态任务中实现高效适配、灵活落地并解决实际问题，也就是通常所说的大模型的泛应用能力，已日益成为大模型下一步的核心话题。而在物理世界中，对大模型泛应用能力的要求更高、场景更复杂、技术难度更大。

“MogoMind的感知精度和认知准确度超过90%，多模态推理准确率超过88%，采用多模态大模型与感知端到端模型的混合架构，结合端到端预测与规则约束，在高速变道、避障、城市路口通行等关键决策点，AI可以自主学习驾驶策略，同时结合专家规则进行约束，确保行为安全且符合法规要求。”王凯在与交流中表示。

具体说来，MogoMind在数据层、模型层、应用层进行了多项技术创新。

在数据层，MogoMind一方面实现了多源数据交叉验证，通过融合路侧激光雷达、车载摄像头、交管系统等多源数据，对同一目标（如车辆位置）进行冗余校验，消除单一传感器误差；另一方面支持实时动态训练，将真实交通事件（如事故）实时注入训练流程，通过强化学习（RLHF）纠正模型的错误预判。

在模型层，MogoMind嵌入先验知识，在模型中硬编码交通规则（如红灯停、行人优先），约束生成结果的合理性。此外，通过神经网络估计预测置信度，对低置信度结果（如极端天气下的目标识别）触发人工介入或多模型投票，实现对不确定性的量化。

在应用层，安全冗余设计也必不可少。比如在自动驾驶场景中，MogoMind输出的决策需同时通过车端算法（如紧急制动系统）和云端二次校验，确保双重保险。

六大关键能力，筑基城市交通三大角色

MogoMind依托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六大关键能力，解决了当前AI缺乏物理世界实时感知能力和全局认知系统两大核心问题。

1. 通过全域覆盖的通感算一体化设备，MogoMind能够全天候、不间断捕捉车辆行驶轨迹、速度变化、交通流量、行人动态等海量异构数据，并经过数据融合算法快速整合处理，为智能分析和精准决策提供数据基础。
2. 借助物理信息实时认知理解能力，MogoMind不仅能够识别路面状况、交通标识、障碍物的物理状态，还能将复杂的交通环境信息转化为可理解、可执行的智能决策建议，为交通管理部门和出行者提供应对方案。
3. 交通流预测方面，MogoMind通过交通流预测模型和通行能力评估算法，对道路通行能力进行实时动态计算，其综合考量交通流量、车辆类型、道路几何特征、信号灯配时等多种因素，利用强化学习技术，挖掘交通数据背后的规律和趋势，预测未来时段的交通流量变化趋势。
4. MogoMind还提供实时路径规划、数字孪生、预警提醒等多种服务，能够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、交通管理系统等，实现多源数据的统一管理和协同处理。对于车企，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。政府部门、交管部门、车企都能在MogoMind找到适合自身需求的应用场景，实现资源共享与优势互补，推动AI与交通生态的融合发展。

基于这六大关键能力，MogoMind已担当起城市交通“决策中枢”、车辆行驶“全能助手”、自动驾驶“隐形基座”三大角色。

1. 交通管理领域，MogoMind让交通管理者轻松掌握整个城市交通系统的运行全貌，无论是宏观层面的交通流量调控、微观层面的单个路口优化，还是道路突发事件应急处理，都能基于实时动态数据的融合分析做出科学决策，实现城市交通管理的整体协同优化。
2. 出行领域，MogoMind提供物理世界实时信息的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全面守护驾驶安全，提升出行效率。
3. 自动驾驶领域，MogoMind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，进一步提升自动驾驶技术安全性与可靠性。

从技术、行业发展的趋势来看，未来的人工智能必然要融入现实生活，重塑物理世界的格局。正如黄仁勋所说，AI的下一代浪潮是物理AI。以蘑菇车联为代表的深耕行业领域的领导者，注定也是推动物理AI发展的先行者甚至主力军，让我们一起期待万物智能物理世界的到来。