从1997年4月“97北京国际汽车电子暨智能公路展览会”期间清华大学交通研究所与中国电子工业科学技术交通中心、中国道路交通安全协会共同举办“97北京智能交通系统发展趋势国际学术研讨会”至今，不知不觉已经走过了20年，个人在智能交通领域的学习和工作也快接近20年，每每看到我国智能交通系统领域取得可喜的进步，心中亦是欢愉。年末岁初，结合日常所感及日记积累，梳理数篇小文。
书接前文《洞见·2017 ｜ 李瑞敏：“大数据”的幸福与烦恼》，探讨完了智能交通的基础——数据后，就接着探讨如何应用处理数据。
对于数据的分析应用有这么两个途径，一是传统的统计分析建模，这个已经应用多年，且还是作为交通研究的主流在不断的深化，二是新兴的人工智能，应用较为新颖的各种技术，如深度学习等，来从数据中实现智能，也即从某方面讲，大数据已经不仅限于数据层面，也是一种技术乃至思维方式。
因此，这里要谈谈的是人工智能，通俗起见，顺应潮流，倒不妨借用另外一个热词“大脑”，虽然二者并非一样。
背景
2017年年中，国务院印发《新一代人工智能发展规划》，其中将“智能交通”作为“推进社会治理智能化”的一个重要方面，从国家层面赋予人工智能在交通领域中的定位，而“智能交通监控、管理和服务系统”则是其中重要的内容。
2016年的云栖大会提出来“世界上最远的距离”一说，也推出了“城市（数据）大脑”。
2017年的云栖大会通过多个用户的现场报告，阐述了“城市大脑”在智能交通领域的应用效果。
同时，一些智能交通系统领域的相关企业也都开始提出“大脑”或类似的概念，今年内数个较大的智能交通系统企业都以各种形式在各种关口推出新的系统或平台，无一不融入“大脑”的理念（无论其使用的名称是什么），似乎看来智能交通系统终于回到正途找到“大脑”了。而此情形，在年末的全国智能交通系统年会上又推向了一个高峰，不仅仅大脑迭出，“心脏”也开始上阵。
机遇
人工智能的发展历程显示，让机器以拟人化的方式去思考，或许不是最佳路线，例如曾经机器翻译的发展，而近年来在大数据的推动下取得了较大的突破，其他如图像识别、语音识别等也基本如此。
在今年最火的主题之一：下围棋方面，依旧向人类知识进行学习的alphaGo战胜了人类的顶级选手，但很快就败在了不再大量使用人类棋谱的alphaGo zero的手下，是否也预示着人类的经验和知识作为输入或许在某些领域已经拖了人工智能的后腿。
但是无论怎样，大数据＋深度学习来支撑人工智能的发展在短期内尚是主流，从alphaGo到alphago zero，变化的是学习使用的数据，不变的是依然需要有靠谱的数据来支撑机器的自主学习。
因此，如前文所述，随着智能交通领域海量数据的不断积累，未来应用人工智能技术提升交通系统的运行及服务水平成为可能。
计算机的能力及长处在于超级的计算能力，对于能够穷举或者分类等方面有着先天的优势，但是是否在所有的领域都能够发挥作用，个人认知非常有限无法断言。但现实中有一些提法：专用弱人工智能近来进展较大，但是在通用弱人工智能和强人工智能方面，似乎推进不足。
交通管理领域或许可以视为一个专用的领域，有着自己的范畴和特点，人工智能技术层出的今天，或许可以成为未来人工智能技术应用领域的又一突破点。
人工智能在智能交通领域的应用，可视为已经有多个方面，例如图像识别、语音识别等，作为智能交通系统领域一种很重要的基础技术，图像识别技术的推进肯定可以有助于一些智能交通系统功能的进一步提升和开发。
除了图像识别、语音识别、机器视觉等应用在推动交通管理的智能化进展外，我们也期望人工智能能够在专家系统、智能控制、辅助决策、优化调度等方面提供更强有力的有针对性的支撑。
笼统来看，人工智能目前在某些领域表现的开始比人类强大，但尚不是在所有的（或者说众多的）领域都已经表现的比人类强大，因此人工智能到底能给城市交通管理系统带来什么程度的智能化，还可以不断的探讨和探索。
挑战
和下围棋相比，城市交通管理领域或许在如下方面更具有挑战性：
管理控制后果的不确定性、管理控制环境的部分可知性和动态性、意外和突发情况等。因此，人工智能技术在智能交通领域的应用和发展也要面临着更为复杂的情形。
对于人工智能技术在交通信号控制领域的应用，如果用传统的人工智能搭建的方法，从模仿人的思维角度来看，是否一个有经验的交通工程师的水平可能就是机器最终所能达到的水平？
当然，“机器智能最重要的是能够解决人脑所能够解决的问题，而不在于是否需要采用和人一样的方法”，如果以数据驱动的方式，拥有自我学习的能力，或者说学习的能力（AlphaGo zero）远超交通工程师（围棋高手）的水平，那么最终是可能达到一个更高的水平。
但是，现有的数据资源及人工智能技术是否已经能够支撑交通管理、交通控制等领域的智能化需求呢？例如虽然上篇提到我们现在有级数级增长的交通“大数据”，但是是否实现了交通系统的全部可知呢？
1）数据的问题
无论各类单位如何去宣传已经有了多大多大的数据，在全样性、准确性上又有多少达到了完美的程度，诚然，可以说大数据大到一定程度不需要全样也可以，那准确性呢？
时至今日，交通领域的检测器有无数种，间接的检测手段也很多，但是是否都有着这样那样的瑕疵呢？不知道未来信号控制是否还需要流量数据，至少现在的算法还是需要的吧，那么在流量检测方面，各类检测器的精度达到多少？另外在覆盖率方面呢？固定式的检测器就不谈了，移动式的检测器目前恐也难以100％的时段100％的空间覆盖吧？
一些数据在实现路网的交通状态分类估计拥堵状态中可以有良好的应用，但是是否就一定能够足够支撑信号控制这样要求更为精细的工作？目前尚无法断言能还是不能，因为大数据的一个特点也是可以应对不确定性，因此需要我们发挥聪明才智更好的去研究。
2）算法的问题
从alphago到alphago zero，算法方面也是有了改进，因此，实现了新的进展。在交通控制方面，要实现人工智能的“大脑”，或许可以参考其他领域的算法，也可能与人工智能在其他领域的应用技术有所不同而需要有突破性的算法，现在有很多的科研人员已经在从事该方面的工作，期待能够看到突破性的进展。
3）确定性vs不确定性
仍以下棋为例，在下一步棋前，对于棋盘上已有的情形是100％准确了解的，但是在交通管理（如信号控制）中，在做出下一个决策的时候，是否能够100％（100％！）准确地了解当前已有的情形呢？
同样，在下一步棋后，计算机可以对对手所能够做出的选择乃至到最终结局都有个效益估计，但是交通呢？如何对未来进行接近100％的预测，这恐怕又是一个难题。同时，交通中的随机性更强，一起事故、一起违法、一个闯红灯的行人等，都可能对正常的交通流运行带来较为明显的影响。
当然，大数据的理论基础是信息科学，其本质就是要消除不确定性，但是要应对交通的不确定性应该还是有大量的工作要做。当然，这里只是对比下棋，人工智能可能有无数种技术方法，总应该有一种能够满足交通的需求吧？
未来
无论如何，人工智能、互联网公司的进入算是给多年传统的智能交通（管理）系统的发展注入一股新的活力，带来了新的概念的同时，也在触动传统交通工程领域的思考和提升，期待未来能够有所颠覆。传统上城市交通领域所研究的模型不可谓不多，然作用似乎有限，未来期待在数据的支撑下，通过科研机构、行业企业等的充分融合和协作，充分应用人工智能的技术，实现新的突破。
