山西
景区做AI，最常见的翻车方式是：发布的时候热闹一阵，三个月后打开率跌到个位数。
黄山这套“AI伴游”跑了一年多，数据还在涨。官方口径是：提前1小时预测18个重点区域拥堵，准确率90%，高峰期游客等待时长下降60%。累计服务用户从531万到720万再到930万，订单金额从2.85亿到4.77亿。
数字好看，但拆开看更有意思。这套东西到底在解决什么问题，游客是真的在用，还是只是“装上了”。
先看“预测拥堵”这件事，难在哪
景区拥堵预测不是新鲜事。大部分景区的做法是：摄像头看到人多了，调度中心派人去疏导。问题是，人已经堵上了。
黄山这套系统的逻辑往前挪了一步。它背后是一套叫“1+1764+N”的数据底座，加上“3+4+6”模型体系。翻译成人话：3类预测模型专门盯客流、排队时长和运输需求，用历史数据加实时票务、天气、酒店入住率等信息，算出一小时后哪个点位会堵。
黄山信息中心副主任田红举了个具体例子：系统预估一小时后百步云梯附近可能拥堵，调度中心提前启用循环道路分流，广播加人员引导同步上。“这是用空间换时间。”另一种玩法是“用时间换空间”——结合天气预报和停车场数据预判客流，提前开门、加派接驳车，让游客错峰进来。
提前一小时、准确率90%、等待降60%，这三个数字是一套组合拳。提前量不够，调度来不及；准确率不够，调度白折腾；等待时长降不下来，前面两个数字就没有意义。黄山跑了这么久还在拿这三个数说事，说明它们经得起检验。
游客端：用的人比想象的多
预测是管理端的事，游客感受不到。游客能感受到的是手机里那个小程序。
黄山AI旅行助手2024年4月上线，到2026年10月累计服务超930万人次，完成订单超370万笔，交易总额超4.77亿。春节期间的案例：湖北游客蒋达靠小程序实时显示的客流调整路线，错开了人潮。暑期江苏游客王慧带娃第一次去黄山，小程序告诉她哪个方向人少，避开了好几拨高峰。
这些是正面案例，但更有意思的是它在解决一个很具体的问题：黄山有140多种套票。不同门进、不同索道、不同人群优惠政策，很多游客在购票环节就懵了。AI助手做的是“票找人”——根据你输入的同行人数、孩子年龄身高、优惠证件，直接匹配最优购票方案。这个功能谈不上多“智能”，但它解决的是游客进景区之前第一个卡点。
还有一个被低估的细节：黄山这套模型已经完成国家网信办备案，是安徽首个通过备案的文旅垂类大模型。这意味着它的语料和输出经过了合规审查，不是随便套个通用大模型就上线。
但也别把它想得太神
90%准确率的反面是10%的误判。预测拥堵这件事，误判的代价是调度资源白跑一趟，或者该疏导的地方没疏导。黄山没有公开误判的具体场景，但从逻辑上推，天气突变、旅行团集中到达、某个索道临时检修，都可能让预测偏掉。系统能给调度中心争取一小时，但最终做判断的还是人。
游客端的期待和落差也存在。南京游客陈建在接受采访时说了一句很实在的话：定位较准，能给最短路線，但期待未来在语言切换、导航节点选择上更灵活。翻译一下：能用，但离“完美”还有距离。
另一个容易被忽略的事实是：黄山的AI伴游能跑起来，底子是“大位”智算中心提供的算力，加上途马科技自研的文旅垂类模型。中小景区没有这个算力和团队，直接复制这套方案不现实。黄山模式的可借鉴之处不在于“做一个App”，而在于把预测做在拥堵发生之前这个思路。哪怕没有AI，靠人工统计票务和酒店数据做粗颗粒的预判，也比等堵了再派人强。
智定义有话说
黄山AI伴游最值得看的不是“AI”两个字，是它把两件事跑通了：管理端提前一小时知道哪里会堵，游客端提前一步知道该往哪走。 930万人次用脚投票，说明它至少不是摆设。但10%的误判率、游客对功能细节的更高期待，也在提醒一件事：AI能算出一小时后的拥堵，算不出每个游客那一刻真正想要什么。最后拍板调度的、决定走哪条路的，还是人。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
