分享
收藏
点赞
今天的 AI 到底已经能做什么？
今年春节以后，我做了一个决定：不再做一个 AI 的看客，自己下场。
过去几年，AI 的变化一直在发生。视觉、语音、代码、推理、生成，几乎每隔一段时间就会出现一些让人重新认识能力边界的东西。作为一个十多年一直在产研一线的交通人，我当然一直在关注新技术的发展。
但关注和亲自做，是两回事。
于是我通过 CloudBase 单独搭了一套环境，没有团队，没有排期，也没人催我。我想知道的不是"AI 有多牛"，而是三个更具体的问题：
今天的 AI 到底已经能做什么？
它到底还不能做什么？
当 AI 真正进入一个垂直行业，它的价值到底在哪里？
半年下来，我对这三个问题的答案，发生了很大的变化。
如果一直只是看，那其实什么都不会真正明白。
最开始做的是交通 AI 播客。从录制、语音处理，到网站搭建、内容上线，我尽可能把整个流程交给 AI。
这是我第一次真正体会到：一个人加上 AI，已经可以完成过去需要一个小团队才能完成的一些工作。
这和“AI会聊天”完全是两回事。AI不再只是问答工具，它可以参与工作流。
但这个播客最后还是让我下线了。原因很简单：没人听。
这件事反而给了我一个非常重要的提醒：
AI能做到，不代表有人需要。
这是后来我做其它AI产品时，一直没有忘记的一句话。
4月份，MiniMax的Music模型开放公测，源于年轻时对歌曲的热爱，我很快就跑去做音乐了。做了早期的“途声驿站”，做了歌曲创作平台“途声 Studio”，前前后后创作了几十首歌，其中十几首我自己认为已经能经得起一定程度的专业审视。
这段看起来和交通毫无关系的经历，让我第一次非常直接地意识到：
AI的意义，可能并不只是替代某一个人的某一个工作步骤，而是在重新定义“一个人能够完成多少事情”。
以前一个人想做一首歌，至少需要歌词、作曲、编曲、演唱、制作等不同能力。现在一个人可以借助 AI，把原本分散在不同专业角色中的能力快速组织起来。
也是从这里开始，我重新回头看交通。
因为交通工程，本质上也是一个高度复杂的专业协作过程。
交通行业有一个非常特殊的地方：我们拥有大量知识。规范、标准、公式、模型、算法、设计经验、工程案例。
但这些知识大部分并不是以机器可以直接执行的方式存在。
一个交通工程师面对一个真实项目，往往不是查一条规范就结束了。他可能需要：
看渠化图；看信号配时；看时距图；查规范；找类似项目；判断交通组织；计算饱和度；分析延误；看视频；数流量；判断排队；进行仿真；实勘工况；修改方案；再验证；最后形成审查意见、分析报告或者工程成果。
所以：
交通工程真正困难的地方，从来不是“知道一个知识点”，而是把大量知识、数据、经验和工具组织起来，完成一项具体工作。
这是我这半年在认知方面最大的一个变化。
最开始做AI产品的时候，我也会很自然地关注模型能力。但真正自己做下来以后，我越来越觉得：
交通行业缺的可能并不是一个“更懂交通知识”的大模型。
今天的大模型本身已经知道大量交通知识。你问它 Webster、HCM、MAXBAND、饱和度、延误、排队，它都能讲得头头是道，绝对的专家Level。
真正困难的是：
它能不能像一个交通工程师一样完成工作？
这两者之间有很大的距离。举个最具体的例子。
给AI一张路口渠化设计图，它可以很快告诉你“该图存在若干潜在问题”。这很容易，今天任何一个多模态大模型都能做到。
但一份真正的工程审查，需要继续回答：
问题具体在哪里？——是哪一个进口道、哪一个相位、哪一条车道？
依据是什么？——适用哪一条规范，这条规范是否适用于本项目的道路等级与设计速度？
用了什么数据？——流量是实测还是推算，时段是否覆盖所需时段？
这个判断能不能算？——是定性描述，还是可以落到饱和度、延误、排队长度上？
有没有反证？——有没有一种解释能推翻这个结论？
缺数据怎么办？——缺少必要数据时，是继续推断，还是停下来要求补充？
最后交付什么？——是一段话，还是一份别人可以复核、可以签字的东西
这时候，问题已经从：
AI 会不会回答变成AI 会不会工作。
上面那串问题里，最难的不是前六个，是第六个——缺数据怎么办。
审查一张交通设计图，如果没有信号配时数据，AI现在完全可以自己脑补一个典型配时，然后继续给出一份看起来非常专业的分析。从语言模型的角度，它甚至可能回答得很好，逻辑通顺、术语准确、排版漂亮。人看的时候，有时候都不会怀疑是AI在幻觉，甚至看的人在怀疑是不是自己产生了幻觉。这就是当前AI模型在直接输出答案时的真实能力，能让人自我怀疑。
但从工程角度：
不知道，就是不知道。数据不够，就是数据不够。
不能因为 AI 很擅长生成文字，就把“不知道”包装成“知道”。
这也是我在做AI产品的过程中，越来越确定的一条原则：
数据不全，就不能下合格的工程结论。
后来我把它看成交通AI与通用AI最本质的一条分野：
通用AI追求的是“答得像”——流畅、完整、看起来专业，用户满意度高；工程AI必须做到“答得准、能复核、敢说不”——结论要能追溯依据，过程要能重跑，缺条件要能停。
前者优化的是体验，后者优化的是责任。
这两件事在很多时候是冲突的——一个敢在关键处说“我判断不了”的 AI，用户体验一定更差，但工程上它更可靠。
我觉得这一点，可能比“模型再大一点”更接近交通行业真正需要的AI。
说回行业。
过去十几年，交通 AI 很大程度上是在解决一件事：让机器看见交通或者说是感知型AI。
摄像机能看到车辆、行人、车道、事件、交通流。后来我们又让机器理解交通状态、预测交通变化、优化信号、辅助决策。
这些是真实的进步，不能否认。但如果诚实地看工程现场，会发现一件有点尴尬的事：
数据越来越多，模型越来越复杂，平台越来越多，但工程师还是在看数据、做诊断、配时、审图、写报告。
真正被AI改变的，主要是感知和数据环节：车辆检测、事件发现、流量采集、违法识别、交通参数提取，这些确实已经大规模落地，而且比人做得快、做得稳。
没有被怎么改变的，是判断和交付环节：这个路口到底怎么了、为什么、方案该怎么定、依据是什么、谁来复核、出了问题谁负责。
一句话概括：
计算机变聪明了，但工程本身还没有。
这也是我这半年最强烈的感受之一。我们花了十几年让机器“看见”交通，但几乎没有花力气让机器“看懂”交通，更没有让机器“承担”交通工程工作。
6月11日，我的WayMind开始公测。最初的想法很朴素：让 AI 真正理解交通工程。为了让AI能真正做到这一点，我把我们多年积累的百万行级别的工程源代码都“喂给”了WayMind，因为工程源码基本上都是经过工程逻辑验证的，这是文本知识没法比的。
后来一路迭代，我越来越发现，所谓“理解交通”，不能只是给它塞更多交通知识。它必须理解：
交通对象是什么——进口道、相位、车道功能、流向，不是一堆像素；
对象之间是什么关系——上下游、冲突点、相位衔接；
什么知识适用于什么问题——这条规范在什么条件下才成立；
一个判断需要什么证据——定性描述不够，要有可核验的数据；
哪些能算、哪些必须校验——能算的交给确定性计算，不能算的不能硬编；
什么时候AI必须诚实说“我判断不了”。
这最后一条，是我在实际调试里反复撞出来的。
如果你只把交通知识灌给一个大模型，它会变成一个很会讲交通话术的“人”。但你要它形成工程结论，就必须先给它一套“什么时候可以下结论”的规矩。
如果说WayMind解决的是AI如何理解交通世界，那么WayAgent更进一步：AI如何在交通世界里完成工作。
这两个问题完全不一样。WayAgent不是简单地把一个大模型接上几个工具，它需要面对一个真实任务——比如“审查这张交通设计图”——然后自己理解任务、规划路径、调用视觉分析、提取数据、调用专业计算、检查规则、发现问题、验证结果，最后形成工程交付物。
再比如“优化XX路口配时”：它需要从当前交通状态出发，诊断问题、计算方案、进行推演验证，再决定是否执行。
这里有个细节，是我做了以后才真正意识到的。如果涉及真实下发，必须区分：请求有没有发出去和现场状态是不是真的发生了变化。
对常规软件来说，这两件事可能差不多——接口返回200就算成功。但对工程系统软件来说完全不是一回事。信号机收到了指令，不代表它执行了；执行了，不代表路口状态按你预想的方式变了。物理世界不会因为AI调用接口成功就配合你。
过去交通行业谈AI，经常是：识别率多少、准确率多少、召回率多少、检测了多少车辆、识别了多少事件、算法效率提高多少。
这些当然重要。但AI真正进入交通工程以后，我认为评价方式需要变一变。
我们最终应该问：它到底完成了什么工作？
而不是：它回答得像不像一个专家？
一个AI给你讲了一遍信号配时原理，不意味着它能完成信号优化这项工作。一个AI给你指出了图纸上的几个问题，不意味着它能完成工程审查的任务。一个AI给你生成了一份报告，也不意味着这份报告具备工程价值。
真正的工程成果，至少需要七样东西：
数据、依据、推理、计算、验证、证据、交付。
少一样，它就还是一份“看起来很专业的文字”，不是一个可以拿去用的工程结果。
这也是我后来把Traffic Agentic Engineering（TAE）整理成开放规范的原因。我越来越觉得：
当AI开始承担专业工作以后，我们需要重新定义“专业工作”本身应该以什么形式被机器执行。当前的知识都是给人看和让人看完后来执行的，但AI承担专业工作后，马上面临的是“知荒”困境，即它在什么情况下该调用什么知识，待调用的知识又要以什么形态存在才能被AI高效调用、加工和执行。
把上面这些串起来，我看到的是这样一条路径：
Seeing 看见交通↓Understanding 理解状态↓Reasoning 工程推理↓Acting 形成并执行工程行为↓Verification 回到现实世界验证↓Delivery 形成可复核的工程交付物或执行具体动作
如果诚实地评估今天行业所处的位置：
Seeing——已经大规模落地，做得比人好；
Understanding——状态识别、拥堵判别、事件发现已经有大量应用，但离“理解一个路口为什么这样”还有很大的距离；
Reasoning——这是最薄的一层。能讲原理，但很少能形成可复核的工程结论；
Acting 和 Verification——基本还在起步，而且这一步才是交通AI和别的行业AI最大的区别：它要回到物理世界里承担后果。
所以我觉得，下一阶段真正值得关注的不是“交通行业还能不能再加一个 AI”，继续AI+交通或交通+AI已经没有多少意义，价值锚点在于：
从“看见交通”，走向“在交通世界里工作”。
有意思的是，自己真正做了半年，我反而没有刚开始那么兴奋了。
不是因为AI变弱了，恰恰相反，AI模型本身现在越来越强。而是因为真正开始用它后，才会越来越清楚它的边界。
AI可以非常聪明，也可以非常自信。但：聪明、自信和正确，是三件事情。
尤其在交通这种真实世界行业里，一个错误的工程判断，不只是“回答错了”。它可能意味着一个方案错误、一项工程决策错误，甚至现实世界中的风险。
所以我现在越来越在意另一组问题：
AI能不能知道自己什么时候不能下结论；能不能把证据留下来；能不能让别人复核；能不能重新执行，得到同样的结果；能不能在验证失败以后停下来；能不能在真正执行以前请求确认。
我认为这些能力，可能比单纯把模型参数再做大一些，或投入更多成本进行微调，更接近交通行业真正需要的AI。
这也是为什么，我最终决定关闭WayMind的线上公测。
不是我不再做交通AI，恰恰相反。这半年让我越来越确定：交通AI的价值应该真正进入工程现场。而交通行业的数据、知识、工程项目和业务环境本身高度专业、也高度敏感，一个完全开放的线上产品并不是最合适的最终形态。
WayMind后续会更多聚焦私有化部署和海外版本，WayAgent会继续作为交通工程自主数字员工往前走，TAE已经开始开源，最近我又在整理《AI时代的交通工程》。
这些看起来是几个不同的项目，但在我自己看来其实是同一件事：
重新思考，AI时代交通行业的专业知识、工程经验和专业工作，应该以什么方式存在。
回到行业。
过去十几年，无论是ITS，还是视觉AI，都是在给工程师加工具。但如果 Agent这条路接下来走得通，那么发生变化的可能是工作方式本身：
过去，人找数据→ 人查规范→ 人调用工具 → 人计算→ 人分析 → 人写报告。未来，人提出目标→ Agent 理解任务→ 自主规划 → 调用能力 → 获取证据→ 推理 → 验证 → 交付工程成果。
人的角色也会跟着变：从亲自完成每一个步骤，逐渐转向——
定义目标、提供约束、审查结果、承担最终责任。
这个转变不是“AI替代工程师”。工程师仍然要为结果负责，而且责任更重了。
变的是：过去工程师大量的时间花在“把事情做出来”，未来可能更多花在“判断这件事该不该这么做”。不要轻视这一转变，这个转变的背后其实是对少数工程师的能力要求更高，且行业里只需要少数High Leve的工程师就够了。
而是重新获得了一种很多年没有过的感觉：重新像一个年轻人一样，亲自去触碰一个正在发生的时代，这是之前从未想到过的。
做播客的时候，我第一次知道一个人可以怎样借助AI快速完成内容生产。做音乐的时候，我第一次感受到AI开始真正进入创作。做WayMind的时候，我开始重新思考专业知识的价值形态。做WayAgent的时候，我开始思考专业工作的AI范式，或者说Agentic Engineering究竟该是什么样的。做TAE（Traffic Agentic Engineering）的时候，我开始想一个更大的问题：
如果机器真的开始承担专业工作，人类过去几千年积累的“学科知识”，究竟应该以什么形式存在并且能让机器高效使用？
未来，软件也许只有2种形态，一种是继续让人操作的；另一种是让机器操作的。
现在回过头看，我越来越觉得：
AI时代真正发生的事情，可能不是机器越来越像人。
而是——过去只有人能够完成的很多工作，开始第一次可以被机器作为“工作”来理解、执行和验证。
这会改变很多行业。交通只是其中一个罢了。
我也不知道交通AI的下一站是什么样的，但自己确定的是，下一站肯定不是交通+AI或AI+交通，更不是交通大模型。可能不只是让AI更懂交通，而是让AI真正开始做交通。
如果让我给未来写一个公式的话，当前阶段，我认为可能是这样：未来交通=AI能力 × AI化的行业知识× Agentic Engineering × 真实世界
这四个变量，任何一个接近 0，最终的行业变革就是0，所以，单纯看AI模型本身发生了多大变化对交通行业来说意义不大，以当前模型的能力而言已经足够了。真正需要关注的是后面3个变量，一旦这3个变量取得了巨大进展，交通的未来我相信会真的发生较大的变化。
但这条路，可能才刚刚开始，还远没有“未来已来”，不过已经能隐约听见“马蹄声”了，希望我此时不是产生了“幻觉”。
未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明等材料，与我们联系，我们将及时沟通与处理。
好文章，需要你的鼓励
郭海锋
特邀作者