文 | 車百智庫
此前，多名專家表示，生成式AI是下一輪經濟發展、企業競爭的新生產力。從全球范圍看，未來10-20年甚至更長時間，AI是國內外共振的科技產業趨勢之一。而大模型就是AI掀起科技變革的最核心工具之一。
特別是在當前的汽車行業，大模型正以前所未有的速度加快融入，成為推動產業升級的重要引擎。
有一線高管指出，從自動駕駛、智能座艙、汽車營銷與銷售再到企業數字化，大模型的深度應用不僅提升了智能駕駛的便捷性與智能性，更重新定義了人與車的關系，開啟了汽車智能化的新時代。
但某種程度上，很多車企還沒真正認識到大模型上車的重要價值，因此行動遲緩。
為此，中國電動汽車百人會發布調研報告《大模型在汽車領域的應用與發展建議》。報告指出，大模型對汽車智能化發展的價值正在凸顯，汽車行業的根本是制造業，大模型創新發展的速度遠遠超出了汽車產業，兩個產業融合會對汽車產業產生深刻甚至顛覆性的影響。汽車行業需要從戰略上刷新認知，順應技術發展趨勢，加快擁抱和接納大模型的速度，充分利用大模型加快汽車產業智能化發展的步伐。
01 大模型對汽車智能化發展的價值正在凸顯
汽車是大模型應用探索的絕佳載體。電動化和智能化的跨越式發展，使得汽車在機械屬性基礎上增加了科技屬性和消費屬性，成為前沿創新技術的最佳集成器。未來評價汽車主要關注的是其技術創新和產品創新的“價值”，是其能否充分承載大模型的技術特性和優勢。另外，汽車的全生命周期包括研發、生產、銷售、使用等眾多環節，涉及大量數據和復雜決策過程，應用場景豐富，這為大模型的應用落地提供了廣闊空間，具有顯著的示范性與引領性。
大模型將推動汽車成為超級智能體。大模型以算力為基礎、數據為資源、算法為放大器的技術范式具有馬太倍增效應，已經產生出智能涌現的特性，可以在自動駕駛、智能座艙等多方面提升汽車的智能化水平，且能快速迭代，帶來新的價值增量。例如，特斯拉FSD V12率先使用端到端技術并實現數據閉環，人工代碼由30萬行縮減至3000行，從V12.3.1到V12.3.5的四個版本迭代僅用15天。
大模型甚至有可能推動智能駕駛汽車變革為“人工智能汽車”、成為超級智能體，讓汽車能夠不斷從周圍環境中積累數據并自主改進和優化自身表現，主動適應各種駕駛環境和交通狀況，提高駕駛的舒適性和安全性；也可以幫助汽車理解人類的語言和手勢，并通過語音、燈光或屏幕等方式與人類進行高效溝通。
大模型以革命性的方式改寫汽車全生命周期的價值創造。大模型將會顛覆汽車行業原有的生產方式，重塑整車設計研發、生產制造、市場營銷、售后服務、供應鏈等各個環節，推動整個制造鏈條的產業化、數字化升級。
一方面，用戶與車企的關系更近了。大模型會成為車企掌握直面用戶的流量入口，幫助車企在需求定義、用戶運營、產品升級等各個環節，抓取每一個用戶的個性化需求，以提供千人千面的產品迭代和服務拓展。如極越汽車依賴大模型打通了用戶用車的問題搜集、數據反饋、工程師處理的自動化閉環，極大提升了組織效率。
另一方面，汽車的設計與生產方式也得到了革新。目前小鵬、極越等車企30%以上的軟件依賴于大模型自動生成。此外，大模型還為科技公司賦能汽車產業增加了一條清晰可行的路徑，進一步促進了人工智能、信息通信等與汽車產業的融合，加速產業格局重塑。
02 大模型已開始在汽車全生命周期落地應用
大模型能夠重構自動駕駛技術架構并產生常識性思維，提升自動駕駛的智能性與安全性。基于機器視覺的自動駕駛更多關注的是感知精度、長尾問題等，但實際總會出現未知的場景，讓汽車的智能化停留在輔助駕駛階段。借助Transformer神經網絡，自動駕駛分模塊的小模型可以集合成一個全棧神經網絡的大模型，減少從傳感器到執行器的信息損失。神經網絡參數達到百億時，訓練精度就會非常高，并能夠通過學習海量數據無限逼近人類駕駛行為，解決智能駕駛的智能性、安全性不足等問題。
未來，大模型基于涌現效應形成常識思維，能夠讓汽車成為真正的智能體。模型通過對海量數據的學習，對世界形成全面的常識性理解，并超出絕大多數人的片面認知。車輛行駛時模型判斷出錯的概率比普通人低得多，選擇安全方案的幾率更高。例如，能夠區分出“可以撞”的塑料袋和“不能撞”的石頭。
多模態、個性化交互提升座艙智能化體驗。人機交互方面，大模型將傳統的基于內容匹配規則的交互方式，轉變為自然語言交互模式，提升了交互的自由度、真實性。使車機智能助手對駕駛員的交互意圖理解更加準確，駕駛體驗更自然、更人性化，甚至能夠實現電影《鋼鐵俠》中賈維斯的效果。
車機應用方面，隨著車機屏幕越來越大，人工設計車機壁紙成本較高，利用大模型可以快速生成質量比較好、千人千面的壁紙，使車機壁紙常用常新。也可以利用大模型依據音樂的意境自動生成MV，給駕駛員創造全新的視聽體驗。
此外，大模型還可以打通第三方信源，與導航地圖、手機互動，提升本地化生活服務體驗。
重構自動駕駛數據工具鏈、生成數據資產。一方面，大模型能夠提升海量數據的自動化標注效能。以視頻標注為例，先用海量未標注的數據預訓練一個大模型，然后用少量已經人工標注好的數據對模型進行微調，使得模型具備檢測能力，實現自動標注過程。這樣就避免了人工處理效率低、數據一致性差等問題，后續也可以通過“自動標注+少量人工查缺補漏”的方式，提升數據利用的有效性。大模型還可以將視頻高效地提取出來，形成文本并完成多模態的檢索。項目管理人員直接采用文本對話方式，就能把想要的所有視頻檢索出來，實現異構數據的精準、快速定位。
另一方面，大模型能夠合成數據并生成場景。在真實場景數據基礎上，通過改變視角、光照、材料紋理、材質等方法生成各種高真實感數據。不僅可以將已有的轎車數據復用到新的SUV車型上，通過視角變化模擬變道、繞行、調頭等各種車輛駕駛行為，加速產品快速迭代；還可以基于已有路采數據，模擬交通參與物、車道、天氣、路面的變化，生成新的場景數據，解決數據獲取難、訓練數據和仿真數據不足等問題。
為保證數據的可控性，可將3D結構、環境、運動、物理規律等約束條件加入到仿真引擎里，再對合成數據進行仿真校正，降低因大模型“幻覺”問題導致的數據可靠性不足問題。
把控消費者需求，實現精準營銷。基于大語言模型的語義理解和文本生成能力，可統計、分析社交網站、APP、企業側智能終端等多維度數據，從底層優化營銷策略，這也是最為成熟的應用場景。目前智譜華章、華為云等企業的大模型，已經在多家車企中應用。
銷售話術層面，可自動提取客戶標簽，并針對性開展話術輔助，以提升銷售管理精細度、線索轉化率、社區活躍度等。例如，智譜華章的ChatGLM大模型可結合智能工牌，實時檢測、分析銷售人員是否存在不當言論或誤解客戶需求，也可以作為銷售話術的輔助與陪練，幫助銷售人員提升轉化率。
用戶畫像方面，可以分析用戶瀏覽記錄、購買歷史、社交媒體活動等數據，來提取客戶的特征標簽，如年齡、性別、興趣、購買偏好等，以準確地了解客戶需求和期望。在此基礎上，也可為用戶個性化推薦汽車產品或服務。將上述數據進行統計并輸入基于數學規則的預測模型，還能幫助開展營銷洞察、銷量預測、庫存優化等，反輔企業制定車型開發計劃、生產排期等經營策略。
輿情分析方面，可以幫助企業分析社交媒體、論壇等渠道上的用戶評論和反饋，及時了解用戶對汽車產品、服務、品牌等的態度，發現并解決產品潛在質量問題、設計缺陷等，提升品牌形象和聲譽。
智能客服方面，在對車企知識庫數據進行定向訓練后：能快速分析客戶提問并生成回答，處理效率遠超依靠純規則所能達到的效果；能提高對用戶問題理解的準確度和“提問-反饋”的匹配程度，即使用戶反饋的問題不完整，系統也能夠快速生成相似問法，解決問答庫覆蓋不全面、語義建模不準確等問題；基于多模態交互技術，還能進一步提升智能客服系統對用戶上傳的語音、影像、表格等內容的識別和理解能力，更精準捕捉關鍵信息，快速理解用戶使用痛點。
沉淀汽車維修知識，提升維修效率和客戶滿意度。電動智能汽車售后維修需要專業的電氣、電路知識，傳統的4S店和維修商無法勝任，很多維修工作需要車企介入。借助大模型學習汽車結構、故障庫等知識，可為車主提供維修保障提醒、維修方案管理、在線排故、智能推薦、故障處理推送、救援保障等服務；也可為一線維修人員提供知識推薦、知識檢索等輔助工具，降低車企介入率及專家的培養時間。例如，華為NLP大模型能幫助車企降低維修介入率30%以上，并大大縮短售后專家培養周期。
提高質控和質檢效率。企業積累的生產制造、零部件檢測等相關數據，可用于訓練零部件檢驗算法模型，實現整車測試與零部件檢測的自動化、智能化。
后續還可以結合整車測試與零部件檢測數據，對大模型進行優化，提高檢測效率。再結合質檢人員對檢測結果的評價，基于人類的反饋不斷強化學習技術，對算法模型進行持續調優，來提升整車測試效率與零部件不良品檢出率。