三元一体定义数字孪生交通 | 银江前沿理念

·在论坛上，专家们畅所欲言，郭海锋院长围绕着“人工智能与数字孪生”的主题发表了以“物理、社会、信息三元一体定义数字孪生交通”为主题的精彩演讲。 

各位老师、同学、嘉宾朋友大家好！

非常荣幸得到组委会的邀请，在我慕名已久的香港大学和大家分享一下近阶段的一些思考，以及我们研发的一些产品和应用情况。坦率而言，人工智能以及数字孪生并不是我擅长的领域，所以，我今天也只能是借着智慧交通这个主题，肤浅地分享一下我对数字孪生交通的一点理解。首先，我个人认为我们很难构建出真正意义上的数字孪生交通。理由很简单，组成交通系统的个体是人，而人这个个体，我们从定性角度都难以界定，当然就更无法在数字世界进行界定。而我们认知世界的顺序则是定性到定量，然后再从定量到定性。所以，面对一个复杂的事物或系统，我们首先应该思考清楚如何定性认知，然后才能着手定量界定，最后通过定量反过来进一步指导定性认知。

杭州是一座既有人文底蕴，又有秀美风景的城市，我相信这是大家对杭州的最基本印象。然而，深入城市腹地去感知杭州这座城市，尤其在早晚高峰时，也许大家看到的是这样的城市印象——交通拥堵。说得严重一点，城市道路交通的恶化，正在不断吞噬着一个城市的健康和未来。

论坛组委会和我说，我们今天来的同学大部分是从事工业制造、系统工程专业，为了贴近大家的专业，便于大家理解，我这里把城市道路交通简单比喻为一个工厂，那么杭州主城区这个交通工厂目前有6000+路段（工厂传送带），1500+路口（传送带上的控制闸口），日间输送能力约50万辆/小时，传送带上的每一辆车都是真正的“智能车”，智能到什么程度呢？这些“智能车”都是随机出现在传送带上，随机地从传送带消失，有时又会随机地干扰传送带，甚至是阻塞传送带，导致某个甚至某些传送带的功能失效。

请问，如果我们是这个交通工厂的厂长，有何办法确保这个交通工厂能够安全、稳定、有序和快捷地运行？

 杭州在过去几年曾受困于此，直白点说，一直受困于城市交通拥堵。2015年，高德地图发布的城市交通拥堵排名，杭州位列第4，同时，杭州成为2015年堵车时间最长的城市。按高德的计算方式，杭州2015年一年累计70个昼夜都处于拥堵状态，超过了北、上、广、深。

2016年，杭州继续稳坐十大拥堵城市，位列第8。2017年，杭州摘掉了十大拥堵城市的“桂冠”。交通拥堵的负面影响，我想大家都能感受到。高德2017年的报告中特别举了香港的例子，说香港是拥堵成本最高的城市，即对一个常年驾车出行的香港人来说，一年因拥堵而产生的成本全年约15890元。换个角度说，如果没有交通拥堵，个人财富一年可能会增加15890元。这就是交通拥堵给个人造成的无形成本，给社会造成的无形成本则更巨大。

幸运的是，杭州自2017年以来，城市道路交通的运行状况在不断好转，2017年拥堵排名下降到第48位；2018年，第一季度和第二季度，高德、百度、滴滴三家发布的延误指数显示，杭州同比2017年，均在下降，说明杭州交通2018年比2017年还要有所好转。

坦率而言，对于一个几千个路口、近万个路段的城市道路交通系统而言，真的很难说清楚究竟哪些事情导致这个巨大复杂系统恶化了；同样，也很难说清楚究竟哪些事情使得这个复杂系统改善了。我们只能反过来审视，过去实施了哪些重点的举措。

2017年，对杭州城市道路交通而言，一项重大的事情就是阿里联合银江股份等企业在杭州实施城市数据大脑建设项目。目前，城市数据大脑已迭代至2.0版本，日均处理数据量几百TB，已实现约5000路视频的实时在线分析。

阿里在城市数据大脑中的贡献，除了云平台和计算能力外，我认为最大的贡献在于感知层，即能够感知城市级更全、更多的数字化交通运行指标。因为有了感知能力，对于我们认知这个城市的道路交通系统就有了一个进步，从而让我们在决策和控制层面也有了相应进步。即便如此，对于城市道路交通系统而言，其实感知能力依然较弱，想让城市道路交通系统智能化地运行依旧任重道远。

人们现在都热衷于讨论AI，讨论人工智能技术本身。我个人认为，目前为止，人们更多地发展了AI方法论，而缺少AI认识论的提升。大家都在讲采用了什么样的AI技术，而很少有人关注如何让一个产品或一个系统真正具备智能的能力。那，如何实现“智”和“能”？其实关键的步骤就是这5个：感知能力、认知能力、决策能力、控制能力、反馈能力。从这几个维度看，我们正在做的所谓的智能交通系统，其实依然停留在感知层面，我们仅仅触碰到了智能的冰山一角而已，感知尚不充分，后续的认知、决策等能力更可想而知。

我举个简单的例子，我们每个个体毋庸置疑都是具备智能的，比如，大家来到香港大学读书，在座的各位同学感知到的“香港大学”这四个字要远远多于内地的其他人，因此在座同学对香港以及香港大学的认知就会更深一层，你们以此为起点的决策也会更胜一筹。回到我们的话题本身，如果城市道路交通的感知能力受限于客观条件，那么我们该如何借助IT手段提高交通的认知、决策、控制和反馈能力呢？这正是我们团队在做的事情。

我们也一直在思考，如何面对和认知这样一个复杂的大系统？一个可行的路径是，我们要回归IT技术和交通本初，重新认知。

众所周知，当年电报、电话发明的目的是把人的想法以文字和声音的方式快速地传送到远方。时至今日，数字世界，已能够较好地完成OD间的信息流动。但这并不能代表我们就可以把客观的物理世界直接在数字世界中重构。

当然，物理世界的道路交通也在快速发展，人们也不断地把物理世界的道路交通对象映射到数字世界中。然而，到目前为止，数字世界交通的发展，似乎并没有让物理世界的交通得到很大的改善。那么，我们要思考，究竟是我们映射本身出了问题，还是反过来数字世界指导物理世界时出了问题？

为了理清这个问题，我们就应该对交通本身进行再思考。传统交通，教科书中几乎千篇一律这样写，交通就是人、车、路、环境。这种论述其实是把系统中的构成要素抽离出来，或许适合过往的交通现状，但即便这个论述本身，我也一直持保留意见，我们可以想一想，交通系统的要素中真的有“车”吗？“车”里也依然是人，没有人的话，那就是真正的Robot。所以，路上从来都不是车多，而是人多。

我个人的一点理解是，如今的城市交通，不能再简单地用人车路环境这几个要素来描述。其实，交通自有人开始至今就一直存在，我这里给出了一个描述，Traffic is OLD。这个OLD，其实就是Origin-Link-Destination。很朴素，这是我理解的交通两个字的本质。因此，映射交通系统，不能孤立地映射人、车、路和环境，而应是将OLD作为整体进行映射。

我们暂且抛开O和D端上的问题，平时我们热衷讨论的各类交通问题，其实本质上都是Link自身，也就是城市交通路网运行中的问题。

我们再看一下自1997年至今，内陆城市智慧交通建设的20年都解决了交通路网运行中的哪些问题？其实就三个方面，设备安装集成、业务平台开发、后期设备平台维护，简单可总结为就是一种线性模式，是一种管理思维，而且管理的重点是公务人员和路上的各种设备。并没有把精力放在交通系统运行上。而管理思维的本质，其实是Event驱动，也就是围绕着事件组织交通的日常管理。

我们需要正视：目前信息技术无法像工厂流水线一样，建设完毕就能驱动交通系统自动化地运行。实际情况是，既无法驱动看得见的物理世界自动化地运行（人因瓶颈），也无法驱动看不见的数字世界自动化地运行（数据瓶颈）。显然，如果说有问题的话，首先是我们的映射本身出了问题。那么我们该怎么办？我的一点思考是，要采用立体模式，治理思维，重新运用IT技术治理交通运行中存在的各种问题，重构数字孪生交通，侧重于主要的过程和规律重构。

然而，城市交通系统，其实是工程技术外表下的一个小社会系统，发展至今日，各类问题叠加在一起，已极其复杂。如何重构数字孪生交通？我们应从物理、社会、信息三个维度进行审视，先扫清这三个维度上的问题。即治理思维，其本质是Effect驱动，这与管理思维Event驱动具有本质区别。Effect驱动重在效果，以达到什么样的效果组织资源。物理即道路网络，社会即管理者和出行者，信息即以数据为起点的信息空间。

从物理这个维度，可以从路网、路权、路设、路障、路效这几个角度深入去梳理，借助信息技术手段，挖掘道路的空间价值。

从社会这个维度，可以从民生、民信、民意几个角度去梳理，借助信息技术手段，挖掘民信民意价值，比如我们在杭州通过舆情处理通道，可以快速收集和反馈出行者的各类问题，推进社会共享共治。

信息这个维度，似乎没什么可说的，大家几乎都在热炒，无外乎就是数据、模型、算法、平台。但这些可能是表象，我们真正要治理的是数据的功能层面。

很多IT公司都在讲，数据是生产资料、是水和电，我觉得这个描述不太准确，如果真是生产资料，那么意味着我们可以直接拿来使用。然而现实是这样吗？真正使用交通数据的从业者就会清楚，这些数据大多都没办法拿来即用。所以，一定要给数据打个比喻的话，我觉得数据就是土壤，在这个土壤上长什么，要自己去设计，同时要对这个土壤本身进行治理维护。

那么，AI又是什么？其实这里有两个概念要澄清，传统AI技术，是基于数学衍生的所谓AI算法，本质上与概率统计没太大区别，仅仅是多了一个解决问题的手段；另一个是当前热炒的AI技术，实现的前提是有足够多的数据对设计的AI系统进行喂养。现实基础是，无论是数据样本量，还是样本的覆盖域都远没有达到可以持续喂养一个大的AI系统的能力。所以，AI对于道路交通系统而言，近期真正的价值应该是透视能力，而不是期望AI能实现无人值守的自动化，至少对我们的国情是这样。

那我们团队在实践中是怎么运用数据和AI技术的？我总结为是HI@AI，Human Intelligence+Artificial Intelligence，我称其为是超能计算，即把专家经验和AI技术结合在一起，这种人机耦合模式是我们采用的核心技术栈，重构数据、模型、算法和服务。

通过超能计算平台，实现宏观上给出城市交通画像、微观上对交通元素进行素描、进而把握交通出行规律、为交通管控和精确执法提供支持、对城市交通健康进行检查、为其他应用提供数据交换共享、建设交通知识智库、最终我们也希望能开放交通超能引擎，为第三方提供交通科学计算服务。

这是我们研发的超能计算平台的体系架构和计算内核，由双引擎驱动，计算引擎保证了实时和流式数据的处理；交通引擎保证了模型、算法和运营经验的有效集成。同时，封装了相关机器学习算法，驱动交通应用，从而形成闭环。

其实治理的本质就是通过技术手段，或者说数字孪生透视交通系统的运行规律。所谓透视，就是把原来没注意到的问题，都能够清晰理清楚了，达到可见、可辩、可管、可控、可治、可服。也就是做到对城市级交通运行的状况可见；对常发以及偶发性问题可辩；对日常业务流程可管；对交通拥堵及异常态势可控；对综合性疑难问题可治；对管理者以及广大出行者可服，即提供有品质的服务。

这三方面的治理能力，前三点相对容易做到，而后面可控、可治、可服，其实是越来越难的，可控，我们现在已基本做到，在杭州我们通过自主研发的信号优化平台和专业团队，已能够对全市域1000+路口进行全方位的优化控制；可治以及可服，我们也研发了相应产品，近阶段会推出和部署上线。

这是我们为杭州交警支队建设的交通信号配时中心，也是我们在提供软件平台产品和专业化运营服务。可以说，在全国开创了一种全新的交通治理服务模式。

该模式由交警支队组建专班，将原先分散在各交警大队的信号配时权力回收到交通信号配时中心，由专班来领导驻场的专业团队，借助我们研发的交通信号优化服务平台，通过配时中心统一负责全城市的道路交通信号配时优化。

这改变了以往由于配时权力分割导致路网被人为分裂的不科学现状，实现了全域交通时空资源集中统筹、优化和利用。

同时，我么也围绕杭州交警支队“标化”、“优化”、“序化”、“智化”的核心理念，推动杭州主城区交通的有序治理。

这是我们在配时中心运行的交通信号优化服务平台。在社会治理维度上，我们开发了信控OA产品，围绕着信号控制相关的标准、规范、流程、舆情等，进行治理。

在物理治理维度上，我们开发了路口管家、信控专家、交通医生，实现路网时空资源及状况的重构和映射，进而对路网、路权、路设、路障、路效进行全方位治理。

在交通控制方面，这里我稍展开讲一下，我的一点思考是，传统交通信号控制中关于单点、干线和区域的论述以及在数字世界的映射已不适合内陆一二线城市的控制需求，所以，我们应重新认识城市交通控制。我们现在主要是从控制策略、控制方案和配时参数这几个角度去考虑交通信号控制，这与传统控制思维是有本质区别的，也相当于在交通控制方面进行了重构和映射。

这是我们的路口管家产品，实现了路网、路段、路口空间资源的透视。这是我们的信号专家产品，实现了城市交通时间资源的透视，我这里说的透视，并不是说展现层面的可视化，而是说把时间资源利用情况真正地做到了了如指掌。

在信息治理维度，我稍展开一下，我们所提的数据治理包括了两个方面，一个是数据功能方面的治理，另一个是数据性能方面的治理。数据功能治理，是指要先想办法让数据能相对准确地表达实际的物理意义，然后才能谈数据汇聚后的性能表现。然而，现在无论是学术界还是企业界，几乎忽略了这一根本前提，所提的大数据也好，数据治理也好，都是假设数据功能没问题，都在讲搭建了怎么样的流水线处理过程，怎么样大规模的汇聚融合、数据交换，这样做其实是回避了根本性问题。如果数据本身有问题，汇聚一起只能是造成更大的问题。

这是我们对杭州近一万个线圈和地磁检测器数据质量的自动化细致分析，结果也是很有意思的。我们主要精力其实都放在了怎么样恢复数据作为土壤的基本能力。

这是我们为了更好地掌握城市交通运行的宏观态势，研发的一个仿真平台，目前还在内测阶段，计划近期上线。我们做的这个仿真不是模型驱动的，而是真实的数据驱动的，目的只有一个，希望能够揭示并认知交通真实运行的客观规律，为决策和控制提供更好的依据。

这是我们的仿真界面，可以实时地与交通运行同步，同时能够对未来5分钟城市交通的态势情况进行全域推演。

应该说，依托杭州配时中心，我们对杭州市主城区确实做了大量系统性的治理工作，也取得了一定的效果，前面我已有讲过，时间关系，不展开了。

最后，总结一下，一个系统的智能应是感知、认知、决策、控制和反馈这五方面能力的有机整合。目前，从技术角度看，城市道路交通系统更多停留在感知层面，我们在认知、决策、控制和反馈方面也仅仅做了一小部分工作。想实现真正的交通AI，路还很长。另外，我们可能需要从物理、社会、信息三个维度，三位一体地对交通重新进行审视，以期实现数字孪生交通，进而有效指导物理世界交通的高效运行。

谢谢大家！