“单车智能是智能交通的基础，但存在局限性。”3月28日，中国工程院院士邬贺铨在中国电动汽车百人会论坛（2025）上表示，“智能交通主要以单车智能作为基本单元，并融合了车联网技术。在复杂路口、恶劣天气、交通标志不清等情况下，单车智能难以发挥作用。此外，单车的雷达距离有限，存在视觉盲区，且配备激光雷达成本较高，仅依靠单车智能难以具备大局观，而车路云协同能够实现全天候运行，可简化对车载传感器和雷达的要求，实现全局性感知，并将周边车辆和道路状况反馈至汽车，同时有利于城市交管部门对全局的掌控。”

在邬贺铨看来，车路云协同的关键在于数据。不过当前世界现有的算力水平难以满足智能交通的需求。在论坛现场，邬贺铨提出了多项建议，涉及数据处理、智能体应用、网络建设等多方面内容，为车路云一体化发展提供了全面且具有前瞻性的见解。面对海量数据处理和算力要求，他强调，算力压缩将是自动驾驶领域的重点关注方向。

面临数据需求和算力挑战

根据美国蓝德智库的数据，训练L5级别的模型需要170亿公里的数据，其中真实的路侧数据至少为1亿公里。若以100辆车7×24小时不间断行驶来计算，达到1亿公里的路侧数据量需要3.7年，且每辆车每秒由雷达、传感器产生的数据量约为1GB，经过数据压缩后，一辆车行驶产生的数据传输量约为12GB。

邬贺铨介绍，对于智能交通而言，每辆车至少需保留1GB的数据。在L4级别下，数据量可减少至20%—30%，L3级别可减少至10%—20%，即便在L3级别，数据量仍高达1亿EB，不仅成本高昂，且难以获取城市中极端的长尾场景数据。

目前，大部分交通数据中，仅有1%来自真实道路，90%来自封闭道路，90%为仿真数据。为解决数据不足的问题，可以借助人工智能技术，通过改变光照、视觉、材质，添加人为噪声、障碍等方式变换场景，生成更多数据。

“交通数据标注需要专业知识，标注成本较高，故而需要开发基于人工智能技术的标注方法来替代人工标注。”邬贺铨表示，“但完全依赖人工智能生成数据存在弊端，因为人工智能的数据不断迭代，最终可能导致数据失效，因此原始数据至少应保留10%—20%。”

他指出，智能驾驶对算力的需求与模型参数、训练数据成正比，与训练时长、GPU利用率成反比。无法单纯依靠拉长训练时长来降低算力要求。同时，每个城市建设的车联网城市云平台所需的算力因智能驾驶程度而异。此外，L2、L3、L4、L5级别车载算力的最低要求分别为4—10Tops，L5级别需达到1000Tops，目前尚无车辆能够支持。

邬贺铨表示，汽车不仅需要获取行驶方向指示，还需预见下一步动作的效果。此外，车端还需具备通信能力，支持车到车、车到路以及车到网络的通信。同时，车载算力还需支持定位功能。

算力压缩是重点关注方向

面对海量数据和算力挑战，邬贺铨以Deepseek为例，阐述了算力压缩的可操作方法。他表示，人工智能的核心技术——生成式人工智能技术，关键在于注意力机制。DeepSeek简化计算过程，减少计算量，同时利用知识蒸馏技术，显著简化计算能力。

邬贺铨认为，未来在自动驾驶领域，算力压缩仍是重点关注方向。仅有模型不足以实现落地应用，大模型如同百科全书，其输出质量取决于所提问题。他表示，为降低大模型使用门槛，需将其部署上云，方便用户使用并添加自身数据进行微调。

在网络组织方面，邬贺铨认为，已部署的5G网络需电信运营商进行改造升级以适配车联网，并需建设运营商之间本地网的直连点。而且，传统5G网络无法为车联网提供充足的确定性和低时延保障，需在城市重要路口将5G网络升级至5G-A。

他指出，除5G网络升级外，还需建设路侧网络（V2X网络），该网络涵盖边缘计算、车联网城市云以及RSU等，需各方协同建设。目前国家有20个城市试点V2X网络建设，但各城市单独建设存在标准不统一、碎片化、缺乏规模化以及成本高等问题。

因此，他建议，应组建全国性的统一V2X运营商，由电信运营商、汽车企业、金融机构、交通企业、市政公司等共同构成。该运营商负责全国车联网投资建设，可在全国统一规划下，设立分中心负责部分城市建设，实现统一标准、规模部署和集中运营。经测算，分两期建设V2X网络，总投资约4000亿元。

他认为，完成投资后，可实现2G以上公路全覆盖，完成主要城市路口改造，支持L3级智能驾驶能力，提升城市通行效率，降低交通事故发生率。

（文章来源：中国经营报）