信息发展正加速构建交通领域物理AI闭环

从“车端感知”到“云端决策” 信息发展加速构建交通领域物理AI闭环

随着人工智能加速从数字世界进入真实世界,“物理AI”正在成为产业智能化的重要发展方向。

与传统生成式人工智能主要处理文字、图像等数字内容不同,物理AI需要通过传感器感知现实环境,通过端侧算力完成即时判断,再依托云端大数据进行深度分析,最终作用于车辆、道路、驾驶员和交通管理等真实对象。

在这一趋势下,交信(浙江)信息发展股份有限公司依托北斗规模化应用、智能车载终端、端侧计算、交通大数据和保险科技等业务,正在逐步形成覆盖“车端感知、端侧计算、风险分级、云端分析、实时干预、结果反馈”的交通物理AI商业闭环。

智能终端从“定位设备”升级为车辆感知节点

物理AI的第一步,是让人工智能能够真正感知车辆和道路环境。

信息发展在重型货运车辆上部署的智能车载终端,已经不再是传统意义上的北斗定位设备。除车辆位置、行驶轨迹、速度、里程等基础数据外,终端还能够通过陀螺仪、加速度计等惯性传感器,采集车辆在不同轴向上的动态数据。

其中,陀螺仪可以采集车辆在X、Y、Z不同轴向上的角速度变化,加速度传感器则能够反映车辆在纵向、横向和垂直方向上的运动状态。通过多传感器融合,系统可以进一步识别车辆急加速、急减速、急转弯、异常震动、侧倾趋势、碰撞冲击以及复杂道路环境下的运行特征。

这意味着,信息发展的车载终端不仅能够回答“车辆在哪里”,还能够进一步判断“车辆正在以什么状态运行”“驾驶行为是否异常”“车辆是否处于潜在危险之中”。

车载终端由此成为连接车辆、驾驶员和道路环境的数据入口,也成为物理AI感知现实世界的重要“神经末梢”。

在车载终端上部署算力和模型

物理AI不仅需要感知能力,也需要在真实场景中快速完成判断。

围绕车端智能化,信息发展已经与华为、华大北斗等产业合作伙伴开展合作,在车载终端上部署算力资源和算法模型,使部分风险识别和安全判断能够直接在端侧完成。

传统车辆数据处理模式往往需要先将数据上传至服务器,再由后台平台进行分析和反馈。这种模式适合复杂的数据治理和长期分析,但在突发风险场景中,可能受到网络延迟、传输质量和后台处理速度等因素影响。

通过将算力和模型前置到车载终端,车辆在运行过程中产生的位置、速度、加速度、角速度、驾驶员状态及道路环境等数据,可以在端侧直接进行融合计算。

当车辆出现急减速、异常转向、疲劳驾驶、分心驾驶、碰撞风险等情况时,端侧设备可以在较短时间内完成初步判断,并直接向驾驶员发出语音、声音或其他形式的预警。

这套架构使车载终端由单纯的“数据采集器”,进一步升级为具备感知、计算和响应能力的“车端智能体”。

在紧急情况下,端侧设备负责第一时间判断和响应;在复杂业务场景下,服务器则负责跨车辆、跨时间和跨区域的大数据分析。两者相互协同,构成信息发展物理AI体系中的“端侧即时计算+云端深度分析”架构。

风险分级,让不同风险匹配不同处置机制

围绕道路运输安全,信息发展将车辆运行风险划分为低风险、中风险和高风险,并针对不同风险等级匹配不同的算法、预警和干预机制。

低风险场景主要包括一般性驾驶行为偏离和轻度风险事件。系统可以通过车端提醒,引导驾驶员及时纠正操作,并将相关数据记录在车辆风险档案中。

中风险场景则可能涉及连续疲劳驾驶、频繁急加减速、长时间夜间高风险行驶以及驾驶行为明显异常等情况。除车端预警外,相关风险信息还可以同步至后台风控平台,由人工座席、运输企业或安全管理人员进行进一步干预。

高风险场景主要涉及碰撞预警、严重疲劳、车辆异常运行以及可能危及人员和车辆安全的紧急情况。在此类情况下,所有初步判断首先由端侧设备进行计算和应用,以保障风险识别和预警的实时性。

端侧设备在识别高风险事件后,可以迅速触发预警机制,并将风险等级、车辆位置、运行状态和相关事件数据同步上传至服务器和风控中心,为后续人工介入和应急处置提供依据。

这种风险分级模式的核心,是将算法判断与实际处置机制相结合。不同级别的风险不再采用统一处理方式,而是根据事件紧急程度,分别由车端、平台端和人工端进行协同处置。

端侧管实时,云端管全局

在信息发展的物理AI架构中,端侧设备和云端服务器承担着不同的功能。

端侧设备主要负责实时性较强的任务,包括车辆状态识别、驾驶行为监测、风险事件判断和紧急预警。其优势在于响应速度快,不完全依赖网络连接,适合处理与车辆安全直接相关的即时性场景。

服务器则主要负责规模化、产业化和复杂化的数据分析。

对于保险公司、运输企业、交通管理部门及其他产业客户所需要的数据,单次车辆预警并不足以构成完整决策依据。信息发展需要将大量车辆在不同时间、区域和道路环境下产生的数据进行汇总、清洗、治理和建模,再通过服务器内的大数据平台形成系统性分析。

例如,针对保险公司,服务器可以综合分析车辆历史轨迹、驾驶时段、夜间行驶比例、疲劳驾驶频率、急加减速次数、道路类型、事故记录和赔付情况,对车辆、驾驶员和运输企业形成动态风险画像。

在此基础上,系统可以向保险公司提供完整的产业数据报告,包括车辆风险等级、驾驶行为变化、重点风险事件、干预效果、事故概率、出险趋势和赔付改善情况等,为保险定价、承保筛选、风险减量和理赔管理提供依据。

因此,车端输出的是实时判断,云端输出的是产业洞察;车端解决的是“此刻是否危险”,云端解决的是“风险为什么发生、未来如何变化,以及如何通过长期管理降低风险”。

这种端云协同模式,使信息发展既能够处理车辆运行过程中的即时安全问题,也能够满足保险、交通、物流、能源和自动驾驶等产业客户对大规模数据分析的需求。

“机防+人防”,推动算法作用于真实世界

物理AI的价值,并不仅在于形成风险判断,更在于将判断转化为实际行动。

围绕道路运输安全,信息发展建立了“机防+人防”的风险管理体系。车载终端负责实时感知和端侧预警,后台平台负责风险汇总和任务分发,风控中心人工座席则根据风险等级,对驾驶员和运输企业进行进一步干预。

在车辆运行过程中,系统可以自动识别疲劳驾驶、分心驾驶、夜间高风险行驶和异常驾驶行为。当风险达到一定等级后,后台平台将相关事件推送至人工座席,由座席通过电话、语音、平台信息等方式进行干预。

按照现有规划,单个风控中心约配置30个座席,可覆盖约4.5万辆车辆。通过端侧模型、云端平台和人工运营协同,公司能够形成“风险感知—端侧判断—车端预警—平台上报—人工干预—结果反馈”的闭环。

每一次风险预警是否准确、驾驶员是否改变行为、事故发生率是否下降、保险赔付情况是否改善,都会重新沉淀为数据,并用于后续模型训练和风险策略优化。

由此,信息发展的系统不再只是一个软件平台,而是一套能够持续影响真实车辆、真实驾驶行为和真实道路安全的物理AI系统。

从保险风控延伸至多元产业场景

依托车载终端、端侧算力和交通大数据,信息发展的物理AI能力并不局限于保险领域。

在保险科技场景中,公司可以通过实时驾驶行为和车辆运行数据,帮助保险公司建立动态风险画像,实现险前筛选、险中干预和险后分析,推动传统“事故后赔付”向“事故前预防”转变。

在新能源场景中,车辆里程、线路、停留时间、能耗变化、载重状态和补能需求等数据,可以用于充换电站选址、能源网络规划、新能源商用车运营和车队能耗管理。

在地图及道路信息场景中,车辆终端采集的速度变化、道路震动、转弯特征、异常停车和道路通行状态等数据,可以用于动态路况识别、道路变化发现和地图数据更新。

在智能驾驶领域,陀螺仪、加速度计和车辆运行数据,可以还原大量真实道路中的驾驶场景和风险事件,为辅助驾驶模型训练、危险场景识别和长尾场景验证提供基础数据。

在数字交通领域,北斗高精度定位、车端感知和交通大数据能力,还可以应用于自由流收费、道路运行监测、运输监管和城市交通治理。

同一套车载终端和数据基础设施,可以面向保险、能源、地图、自动驾驶、物流运输和监管等多个领域提供服务,由此形成“一次装车、持续采集、多模型调用、多场景应用、多主体付费”的商业形态。

从销售硬件走向经营数据和模型

从商业模式看,信息发展正在构建三层递进式收入结构。

第一层是车载终端和系统建设收入。通过北斗定位设备、惯性传感器、端侧算力平台和风控系统建设,完成物理世界的数据入口布局。

第二层是持续性数据服务收入。车辆装车后,公司可以按照车辆数量、服务周期和数据类型,提供终端服务、数据治理、风险识别、平台运营和产业分析报告。

第三层是结果型价值分成。通过降低事故率、保险赔付率、车辆运营成本和交通管理成本,公司可以与保险公司、运输企业及其他产业客户分享效率提升所创造的增量价值。

在这一模式下,公司未来的收入不再仅仅取决于销售了多少台设备,而是取决于接入了多少车辆、产生了多少高质量数据、部署了多少端侧模型、覆盖了多少产业场景,以及通过风险管理为客户创造了多少实际价值。

硬件是入口,传感器是感官,端侧算力是神经反射,云端大数据是分析大脑,产业场景则是商业出口。

构建交通领域物理AI基础设施

人工智能进入产业深处,需要的不只是大模型,还需要真实设备、实时数据、端侧算力和长期运行的应用场景。

信息发展通过北斗终端连接车辆,通过陀螺仪和多轴传感器感知车辆状态,通过端侧算力和模型完成紧急情况下的初步判断,再由服务器对产业数据进行深度分析,并通过风控中心和产业客户完成实际干预,已经初步形成物理AI所需要的完整链条。

从车端感知到端侧计算,从风险分级到云端分析,从保险降赔到新能源、地图和智能驾驶应用,信息发展的业务形态正在由北斗终端供应商,逐步向交通数据运营商、风险管理服务商和物理AI场景平台升级。

未来,随着装车规模持续扩大,车辆所产生的数据将从位置和轨迹,进一步延伸至运动姿态、驾驶行为、道路环境、车辆风险和能源消耗等多个维度。

信息发展也将通过“端侧实时判断、云端产业分析、人机协同干预”的模式,让人工智能不仅能够理解数据,更能够理解车辆、道路和风险,并最终作用于真实世界。