大模型这么强，为什么智慧交通还是“上不了路”？在IJCAI 2026上，慕尼黑工业大学黎子玥教授指出，尽管AI技术狂飙，但全球至今没有城市长期部署AI交通信号系统。症结在于：学术界习惯“干净数据”，而现实全是残缺的“脏数据”；模型缺乏可解释性，管理者不敢用“黑箱”。

为此，黎教授提出“PDE三角”落地框架： 1. 感知（Perception）：打破数据舒适区。让模型学习暴雨、事故等极端场景，并用算法弥合现实中传感器不足导致的数据缺失。 2. 决策（Decision）：让AI学会“变通”。解决信号灯控制跨城市“水土不服”和多路口协同难题，并融入工业规则，让AI决策符合人类工程师直觉。 3. 解释性（Explanation）：拒绝黑箱。利用因果学习找出拥堵根因，为管理者提供清晰的决策辅助，而非直接替代人类拍板。

同时，他指明了交通智能化的四步进阶：从人工统计的“描述性分析”，到机器归因的“诊断性分析”，再到模型独立预判的“预测性分析”，最终实现自动下达调控指令的“规范性分析”。

AI落地不能只靠实验室里刷榜跑分，必须弥合学术与现实的鸿沟。让模型吃得消“脏数据”、做得了“明白决策”，智慧交通才能真正上路。