大模型难落地：数据与可解释性成关键瓶颈

大模型难落地：数据与可解释性成关键瓶颈

三年前，麦肯锡对全球交通与工业领域从业者的调研显示，距离真正智能化还需10到20年。如今，模型规模不断膨胀，智能体应用日益广泛，时空数据挖掘论文层出不穷，但现实依旧骨感：全球没有一座城市长期部署基于强化学习的交通信号控制系统。那些在顶会上“超越所有SOTA”的预测模型，到了城市交通部门手里，往往换来一句：“这个方案，我不敢放手用。”

问题症结何在？在IJCAI 2026 Early Career Spotlight演讲中，慕尼黑工业大学W2教授黎子玥给出了直击要害的答案：学术研究长期停留在“干净数据”的舒适区，而公共部门面对的永远是不完整、不规整、不可控的真实数据；同时，可解释性不是论文加分项，而是从实验室走向城市落地的“生死线”。

学术与工业的鸿沟：从“DB”说起

黎子玥的履历横跨学界与工业界：香港科技大学工业工程与决策分析系博士，曾任科隆大学W1教授，现为慕尼黑工业大学W2教授；曾在斯图加特贝尔实验室、香港地铁、商汤科技辗转于科研与产品之间。他启动的“DB Delays”开源项目，输入城市名即可查看列车实时轨迹与延误情况，展示了AI驱动智慧交通的理想形态。然而，现实是大量花哨的时空数据研究并未真正惠及公共部门。

麦肯锡调研指出的关键障碍包括基础设施准备度、互操作性、数据整合等，而细看数据相关问题——可扩展性、实时性、异构数据源、数据质量——都指向一个核心：学术界的“舒适区”与真实世界的脏数据之间存在巨大落差。

“PDE三角”框架：感知、决策、解释性平衡

黎子玥提出“PDE三角”框架，P是感知（Perception），D是决策（Decision），E是解释性（Explanation）。他用人体的和谐比例比喻交通系统：三者必须平衡，缺一不可。交通是高风险管理场景，信号灯控制关乎安全，应急救援关乎生命，黑箱模型无法获得官员、市民和从业者的信任。

感知层面：模型训练必须覆盖所有可能场景。当前常见错误是用历史数据训练，但历史数据中晴天多、雨天少、突发情况更少，模型一遇暴雨或事故就失灵。黎子玥强调，要让模型见过所有长尾案例，并适配地铁、道路、不同城市等多样数据。面对传感器覆盖不足（如三千万人口城市仅120个路口有传感器），他采用预训练策略：通过mask节点做“减法”恢复，或引入虚拟节点基于伪标签做“加法”推断。

决策层面：感知完成后如何转化为决策？直观思路是车多就调整信号灯。黎子玥团队在强化学习信号灯控制上做了多年尝试，但遇到三重困境：训练环境与真实路况的差异、奖励函数设计难以捕捉长期影响、以及缺乏可解释性导致管理者不敢启用。

解释性层面：这是落地成败的关键。黎子玥指出，可解释性不仅是技术问题，更是信任问题。他描绘了从人工主导到自动化的路径：描述性分析（发生了什么）→诊断性分析（为什么发生）→预测性分析（将要发生什么）→规范性分析（应该怎么做）。这条路径也是写给AI社区的“诊断”指南：当模型在基准测试上排名第一，但城市管理者不敢按下开关时，问题不全在管理者或研究社区，而在于两者之间缺乏有效的转化机制。

对AI研究社区的启示

黎子玥的演讲为AI研究社区敲响警钟：模型越大、参数越多，不等于实际价值越高。对于交通、医疗、能源等高风险领域，研究者必须直面真实数据的复杂性和可解释性需求。他的“PDE三角”框架提供了一种平衡视角，提醒研究者在追求性能指标的同时，也要关注部署的可行性与社会的接受度。未来，或许我们需要更多像TrafficPDE这样的“指南手册”，帮助AI从论文走向城市，从实验室走向生活。