把大模型放进铁路调度系统,最先要回答的问题不是模型能不能理解自然语言,而是它说错一句话会不会导致物理事故。聊天机器人编造一首诗无伤大雅,但如果它建议在90公里每小时的横风下保持140公里每小时的速度,后果就不是文本错误,而是脱轨风险。RailPulse AI这个开源项目想解决的正是这个矛盾:既要利用Gemma的语言推理能力,又不能让模型对安全决策拥有最终拍板权。
铁路调度员日常面对的是多路信息同时涌来。列车GPS坐标、轴温、机车速度需要持续监控,沿海或山区线路的突发横风要纳入判断,晚点列车还得在旅客衔接和单线会让之间找平衡。紧急情况下,调度员没有时间在多个SCADA面板和上千行日志之间切换。系统需要把实时遥测、信号规则和调度建议聚合起来,给出可直接执行的结论。但聚合的前提是数据必须真实,模型不能靠猜。
RailPulse AI的第一层设计是让Gemma通过Google ADK的函数调用去取数,而不是凭上下文编造。调度员问“102次列车距Absheron走廊还有14分钟晚点,能否加速追回”,模型不会直接给一个速度建议,而是先调用遥测工具获取当前速度、限速、风速和区间占用状态,再基于返回的事实生成回复。这个顺序很关键:先取数后推理,把模型从“知识来源”降级为“解释器”,事实由工具负责。
第二层是确定性安全联锁。模型可以提出调度方案,但方案在送达调度台之前必须经过一段硬编码的Python检查。检查项是物理不变量,比如当前风速下允许的最高速度、列车与前车的距离下限、单线区间的占用冲突。如果模型输出越界,联锁直接拦截或修正,不依赖模型的自我约束。这种两层架构的分工很明确:Gemma负责理解情境、提取上下文、提出恢复计划;联锁负责用代码守住物理边界。即使提示词出现边缘情况,数学规则也无法被绕过。

输出结构同样需要约束。调度台如果收到一段自由文本,解析失败就可能导致界面崩溃或信息遗漏。项目用Pydantic定义严格的输出契约,每条建议必须包含列车标识、建议动作、理由、安全标志和置信度等字段。ADK流水线在响应到达调度界面前做校验,不符合结构的输出会被拒绝。这一步看似只是工程细节,实际是把“模型输出”变成了“可被下游系统消费的数据”。
部署侧选择Google Cloud Run,理由与铁路遥测的流量特征有关。列车到站和调车作业期间请求量会短时冲高,平峰期又回落。Cloud Run可以从零伸缩,按请求计费,不需要为峰值常备一台大机器。另一个考虑是数据主权:Gemma是开放权重模型,推理可以完全跑在私有VPC内,敏感的运行遥测不必发送给第三方专有API。对于需要审计和隔离的运输企业,这一点比单纯的成本更重要。
多语言是国际走廊的现实需求。跨里海国际运输路线上的调度员可能使用英语、阿塞拜疆语或俄语。Gemma的多语言表示能力让系统可以用调度员的母语输出遥测读数、安全标志和建议摘要,而底层的安全语义保持一致。这里的关键不是翻译质量本身,而是同一套联锁规则在三种语言下产生相同的安全判断。语言层可以变,安全层不能变。

从工程角度看,这个项目最值得复用的经验不是某段提示词,而是系统分层。一个生产级智能体的大部分工作量在工具定义、模式校验、网络容错和错误处理上,提示词只占小部分。在物理、工业或医疗场景中,让大模型独自拥有不受检查的决策权是不合适的,认知推理和确定性代码联锁必须配对使用。开放权重模型加上Serverless平台,则让中小团队也能构建私有、可审计的专用智能体,而不必依赖昂贵的专有API。
如果要复现类似系统,可以从三个检查点入手。第一,确认每个事实性回答都有对应的工具调用记录,模型不能在没有取数的情况下给出速度或限速建议。第二,检查安全联锁是否独立于模型运行,联锁代码是否覆盖了所有物理不变量,而不是只做格式校验。第三,验证输出契约在异常输入下是否仍然拒绝不合规响应,下游界面不会因为一条自由文本而崩溃。这三项通过之后,再讨论模型选型和多语言体验才有意义。
RailPulse AI的代码、Streamlit调度台和Dockerfile已在GitHub开源,项目在DevFest Baku 2026的工作坊中做过演示。需要说明的是,本文讨论的是架构思路和工程取舍,具体部署效果取决于实际线路规则、遥测数据质量和联锁规则的完备程度。安全关键系统没有一劳永逸的方案,模型可以换,联锁规则需要随线路条件持续审查。
把大模型放进铁路调度系统,最先要回答的问题不是模型能不能理解自然语言,而是它说错一句话会不会导致物理事故。聊天机器人编造一首诗无伤大雅,但如果它建议在90公里每小时的横风下保持140公里每小时的速度,后果就不是文本错误,而是脱轨风险。RailPulse AI这个开源项目想解决的正是这个矛盾:既要利用Gemma的语言推理能力,又不能让模型对安全决策拥有最终拍板权。
铁路调度员日常面对的是多路信息同时
浙公网安备 33010602011771号