自Chat GPT火爆出圈后，“大模型”掀起了一波接一波的人工智能浪潮，吸引了眾多國(guó)家與企業(yè)的強(qiáng)烈關(guān)注，大家普遍認(rèn)為大模型將驅(qū)動(dòng)各行各業(yè)發(fā)生顛覆性影響。在汽車行業(yè)中大模型的應(yīng)用也引發(fā)了熱烈討論，眾說(shuō)紛紜。蓋斯特咨詢研究團(tuán)隊(duì)對(duì)大模型做了系統(tǒng)研究，本研報(bào)在解析大模型本質(zhì)的基礎(chǔ)上，研究其社會(huì)價(jià)值與影響，深入分析了大模型在汽車行業(yè)的應(yīng)用潛力與落地挑戰(zhàn)，并為車企提供布局策略建議。
一、對(duì)大模型的本質(zhì)解析
1.大模型的概念與本質(zhì)
大模型是一種大規(guī)模預(yù)訓(xùn)練AI模型。AI模型從2000年發(fā)展至今，歷經(jīng)了機(jī)器學(xué)習(xí)、深度學(xué)習(xí)到預(yù)訓(xùn)練模型的三個(gè)發(fā)展階段。當(dāng)AI模型訓(xùn)練的數(shù)據(jù)量、算法參數(shù)量、算力三者持續(xù)提升并達(dá)到臨界量級(jí)（如圖1所示），AI模型的生產(chǎn)力由量變到質(zhì)變，展現(xiàn)出智能推理和內(nèi)容生成的能力，由此誕生了大模型。
目前大模型尚無(wú)統(tǒng)一的定義。蓋斯特給出的大模型定義是：指具備龐大參數(shù)體量（參數(shù)量高達(dá)千億甚至萬(wàn)億級(jí)），經(jīng)過(guò)海量數(shù)據(jù)集的通用化訓(xùn)練，涌現(xiàn)出在多任務(wù)下自學(xué)習(xí)、自推理、自生成能力的大規(guī)模預(yù)訓(xùn)練AI模型。
圖1 AI核心要素的發(fā)展歷程
大模型與傳統(tǒng)AI模型已有了本質(zhì)的區(qū)別。傳統(tǒng)AI模型不僅需要人工訓(xùn)練AI怎樣做，還需要人對(duì)訓(xùn)練樣本進(jìn)行海量的標(biāo)注，這樣AI模型才能完成特定類型的任務(wù)。而AI大模型具有很強(qiáng)的自學(xué)習(xí)能力，在無(wú)規(guī)則預(yù)設(shè)前提下具有低樣本甚至零樣本的推理能力，能夠根據(jù)需求直接完成任務(wù)；同時(shí)具有強(qiáng)泛化性，通常在無(wú)標(biāo)注情況下，大模型可以高效學(xué)習(xí)訓(xùn)練集中的通用規(guī)律和復(fù)雜特征，能夠更好應(yīng)對(duì)自然語(yǔ)言任務(wù)；具有高通用性，通過(guò)自監(jiān)督學(xué)習(xí)和巧妙訓(xùn)練原生自然語(yǔ)言，從完成單任務(wù)拓展至多任務(wù)。
也就是說(shuō)，與傳統(tǒng)AI模型相比，大模型具有強(qiáng)自學(xué)習(xí)性、強(qiáng)泛化性、高通用性三大核心特征，具備了智能理解、推理、生成的能力，從而推動(dòng)人工智能從基于規(guī)則的“計(jì)算智能階段”加速向“認(rèn)知智能階段”發(fā)展。大模型的出現(xiàn)大幅降低了人工在任務(wù)流程中的介入需求，開始打破原有人工與AI之間的平衡，將極大地加速AI產(chǎn)業(yè)化落地進(jìn)程。
2.大模型的關(guān)鍵要素
大模型的關(guān)鍵要素包括數(shù)據(jù)、算法、算力與平臺(tái)，具體來(lái)看：
第一，數(shù)據(jù)是大模型訓(xùn)練、迭代和優(yōu)化的關(guān)鍵。數(shù)據(jù)主要來(lái)源于各類數(shù)據(jù)集、用戶數(shù)據(jù)等，其中人類自然語(yǔ)言信息是大模型的專屬數(shù)據(jù)特征。高質(zhì)量數(shù)據(jù)是稀缺資源，更是在大模型競(jìng)爭(zhēng)格局中獲勝的核心要素。
第二，算法是大模型的核心技術(shù)，決定大模型的能力范疇。算法包括基礎(chǔ)通用化模型算法與專業(yè)微調(diào)模型算法。目前算法掌握在大模型開發(fā)企業(yè)手中。
第三，算力是支撐大模型能力實(shí)現(xiàn)的基礎(chǔ)。大模型的龐大參數(shù)量與數(shù)據(jù)體量決定其算力需求遠(yuǎn)超一般AI模型，所以大模型需要AI芯片（如高性能GPU）、云計(jì)算、服務(wù)器等企業(yè)提供算力支撐。
第四，平臺(tái)是連接大模型和應(yīng)用端的紐帶，也成為新的關(guān)鍵要素。通過(guò)平臺(tái)可將大模型能力有效釋放于應(yīng)用端，同時(shí)借助平臺(tái)來(lái)吸納數(shù)據(jù)，又能反哺大模型迭代和優(yōu)化。平臺(tái)包括服務(wù)平臺(tái)、開發(fā)平臺(tái)、應(yīng)用生態(tài)平臺(tái)和信息平臺(tái)等。
綜上所述，算力是大模型的基礎(chǔ)支撐，算法和數(shù)據(jù)共同驅(qū)動(dòng)大模型持續(xù)提升，平臺(tái)的部署則是釋放大模型能力的有效途徑。
3.大模型應(yīng)用所需的能力支撐
大模型落地應(yīng)用的支撐能力主要來(lái)源于技術(shù)、資源、安全三個(gè)層面。
首先在技術(shù)層面，一是大模型的開發(fā)難度大，并非參數(shù)量大或利用海量數(shù)據(jù)訓(xùn)練的模型就是大模型，大模型的關(guān)鍵在于其能否涌現(xiàn)出強(qiáng)大的推理和生成能力；二是多模態(tài)處理性能要求高，隨著應(yīng)用場(chǎng)景越來(lái)越豐富，自然語(yǔ)言、語(yǔ)音、圖像、視頻等多類數(shù)據(jù)交織，大模型機(jī)器學(xué)習(xí)處理難度高；三是現(xiàn)有大模型輸出的內(nèi)容極度不穩(wěn)定，而且在出現(xiàn)錯(cuò)誤后難以有效溯源，所以大模型在行為一致性與可解釋性均需有效提升。
其次在資源支撐層面，一是大模型對(duì)優(yōu)質(zhì)且海量的數(shù)據(jù)需求高，目前缺少供訓(xùn)練的中文共性基礎(chǔ)庫(kù)，同時(shí)各行業(yè)內(nèi)均存在數(shù)據(jù)壁壘，導(dǎo)致數(shù)據(jù)獲取難度大；二是算力和內(nèi)存需求大，以GPT聊天機(jī)器人模型為例，僅其訓(xùn)練的算力門檻便需一萬(wàn)張高性能GPU芯片,成本約10億元，同時(shí)至少需350GB內(nèi)存來(lái)訓(xùn)練1750億參數(shù)；三是大模型對(duì)電力等能源消耗極大，且成本高。例如，GPT訓(xùn)練的年綜合電力成本高達(dá)數(shù)十億元人民幣。
最后在安全治理層面，當(dāng)前社會(huì)對(duì)于大模型落地應(yīng)用的主要擔(dān)憂在數(shù)據(jù)安全、AI治理與監(jiān)管效果方面。如果大模型的生成式內(nèi)容能力被濫用，很可能違反社會(huì)價(jià)值觀，甚至突破法律底線。同時(shí)大模型對(duì)社會(huì)就業(yè)、產(chǎn)業(yè)發(fā)展、道德倫理的沖擊也會(huì)引發(fā)一系列的問(wèn)題。
由此可見(jiàn)，大模型發(fā)展面臨的是全方位、多維度的問(wèn)題，所以需要從技術(shù)支撐、基礎(chǔ)設(shè)施、社會(huì)治理制度等多方面不斷完善，來(lái)共同推動(dòng)大模型的落地應(yīng)用。
4.大模型的演進(jìn)階段
大模型的發(fā)展路線可分為工程化、通用化、行業(yè)化和生態(tài)化四個(gè)演進(jìn)階段，具體如圖2所示。當(dāng)前大模型發(fā)展正從通用化向行業(yè)化階段轉(zhuǎn)變，即通用基礎(chǔ)大模型成熟期向垂直應(yīng)用領(lǐng)域大模型成熟期的發(fā)展進(jìn)程中。這個(gè)階段需要打通大模型功能與用戶連接之間的橋梁，以契合行業(yè)的特點(diǎn)。合理有效地發(fā)揮大模型的能力是目前面臨的關(guān)鍵問(wèn)題。
當(dāng)前通用大模型領(lǐng)域呈現(xiàn)出百花齊放、激烈競(jìng)爭(zhēng)的場(chǎng)面。蓋斯特咨詢判斷，將來(lái)僅有少數(shù)寡頭企業(yè)可完全跑通大模型的演進(jìn)路徑。隨著大模型行業(yè)競(jìng)爭(zhēng)從比參數(shù)過(guò)渡到比落地應(yīng)用，將出現(xiàn)越來(lái)越多的垂直領(lǐng)域大模型。這類行業(yè)大模型擅長(zhǎng)特定的專業(yè)領(lǐng)域及核心的交互場(chǎng)景。相對(duì)來(lái)說(shuō)，輕量化的行業(yè)模型及場(chǎng)景模型得益于更聚焦的數(shù)據(jù)訓(xùn)練與更少的參數(shù)設(shè)置，不僅降低部署成本，同時(shí)用戶對(duì)此的感知程度也將日益加深，因此垂直應(yīng)用領(lǐng)域大模型將迎來(lái)蓬勃發(fā)展時(shí)期。未來(lái)隨著大模型產(chǎn)業(yè)主體更加豐富、各模塊專業(yè)性提升、產(chǎn)業(yè)鏈完善、應(yīng)用生態(tài)繁榮，大模型產(chǎn)業(yè)日趨完善的生態(tài)格局將有效賦能其實(shí)現(xiàn)更大的產(chǎn)業(yè)價(jià)值。
圖2 大模型演進(jìn)趨勢(shì)
二、大模型的社會(huì)價(jià)值與應(yīng)用潛力
1.大模型的社會(huì)價(jià)值
大模型的出現(xiàn)意味著人工只需指導(dǎo)AI，甚至用AI控制AI來(lái)完成任務(wù)，極大降低了人在人工智能任務(wù)中的參與程度需求，大模型將革命性地解放生產(chǎn)力；進(jìn)而大模型將變革生產(chǎn)關(guān)系，引發(fā)社會(huì)全方位的資源調(diào)整，甚至資源再分配。因此大模型將驅(qū)動(dòng)各行業(yè)發(fā)生顛覆性變革，并將變革社會(huì)方式。
具體而言，大模型將從開發(fā)生產(chǎn)、產(chǎn)品服務(wù)、企業(yè)經(jīng)營(yíng)、人才需求等方面驅(qū)動(dòng)各行業(yè)變革。
第一，突破開發(fā)生產(chǎn)效率。大模型自身高效的數(shù)據(jù)處理、軟件開發(fā)、數(shù)據(jù)化自動(dòng)化標(biāo)注等能力可以解放低效生產(chǎn)力，提升開發(fā)生產(chǎn)的自動(dòng)化程度，降低勞動(dòng)力成本，實(shí)現(xiàn)大幅度的降本增效；
第二，創(chuàng)新產(chǎn)品服務(wù)形態(tài)。大模型強(qiáng)大的算法優(yōu)化、數(shù)據(jù)挖掘、多模交互、內(nèi)容生成、用戶情感識(shí)別等特點(diǎn)，可實(shí)現(xiàn)創(chuàng)意激發(fā)與體驗(yàn)優(yōu)化，同時(shí)讓人機(jī)交互更加智能；
第三，優(yōu)化企業(yè)經(jīng)營(yíng)決策。大模型可提供數(shù)據(jù)分析、智能制造、智能銷售與服務(wù)、成本與決策優(yōu)化等服務(wù)，助力企業(yè)做出全面、精準(zhǔn)、靈活的判斷，使決策更科學(xué)、服務(wù)更精準(zhǔn)；
第四，引發(fā)社會(huì)人才需求變化。大模型顯著降低對(duì)低效、低創(chuàng)造性人才的需求，對(duì)創(chuàng)造性的高價(jià)值人才需求將顯著增加，未來(lái)可靈活運(yùn)用AI技能的人才將具備明顯優(yōu)勢(shì)。
未來(lái)如何利用大模型有效賦能，形成更低成本及更高效率的開發(fā)生產(chǎn)模式、更智能更友好的產(chǎn)品形態(tài)、更高價(jià)值的用戶體驗(yàn)，將成為產(chǎn)業(yè)智能化發(fā)展中的重要課題。
2.大模型產(chǎn)業(yè)應(yīng)用的范式
大模型產(chǎn)業(yè)應(yīng)用是以“通用預(yù)訓(xùn)練+專業(yè)精調(diào)”的組合模式。如圖3所示，首先通用基礎(chǔ)大模型對(duì)海量的多模態(tài)知識(shí)開展預(yù)訓(xùn)練，然后針對(duì)行業(yè)及業(yè)務(wù)場(chǎng)景進(jìn)行適配化精調(diào)開發(fā)，形成垂直類場(chǎng)景模型，提供原子化服務(wù)。而平臺(tái)作為大模型能力與產(chǎn)品應(yīng)用之間的連接和溝通工具，將場(chǎng)景模型層的原子能力與上層應(yīng)用打通，為用戶輸出大模型服務(wù)。以Chat GPT為例，大語(yǔ)言模型作為基礎(chǔ)支撐，通過(guò)對(duì)自然語(yǔ)言的預(yù)訓(xùn)練，結(jié)合人類對(duì)話場(chǎng)景進(jìn)行微調(diào)，實(shí)現(xiàn)對(duì)話問(wèn)答的原子能力，再通過(guò)服務(wù)平臺(tái)接口將對(duì)話功能引入到網(wǎng)頁(yè)、APP、汽車座艙等應(yīng)用中，供用戶使用。
圖3 大模型產(chǎn)業(yè)應(yīng)用范式
在此應(yīng)用范式下，新的軟件應(yīng)用不再需要從最底層開始重復(fù)開發(fā)，而是基于已有的基礎(chǔ)模型與場(chǎng)景模型便可實(shí)現(xiàn)高效的應(yīng)用開發(fā)。因此大模型將重構(gòu)各行業(yè)的軟件體系，不僅有效降低AI模型及軟件應(yīng)用的開發(fā)門檻，提高軟件開發(fā)和硬件優(yōu)化的效率，還將重塑企業(yè)經(jīng)營(yíng)管理模式，并拓展豐富其產(chǎn)業(yè)應(yīng)用邊界與賦能形態(tài)。蓋斯特咨詢認(rèn)為，未來(lái)各行業(yè)的所有軟件都可以用大模型重寫一遍，實(shí)現(xiàn)軟件價(jià)值效率的革命性提升，賦能各行業(yè)發(fā)展。
3.大模型在不同行業(yè)的應(yīng)用前景預(yù)測(cè)
對(duì)于具體行業(yè)而言，其聯(lián)網(wǎng)程度、數(shù)字化基礎(chǔ)、行業(yè)內(nèi)容特點(diǎn)等決定大模型的應(yīng)用前景與價(jià)值。蓋斯特咨詢按照“影響程度”與“滲透速度”兩個(gè)維度，將大模型變革行業(yè)的前景分為四類（詳見(jiàn)圖4）：
一是突破顛覆型：大模型可滲透到行業(yè)核心內(nèi)容，能夠快速創(chuàng)造價(jià)值的行業(yè)，典型代表有互聯(lián)網(wǎng)、游戲、電商等行業(yè)；二是快速影響型：該類行業(yè)數(shù)字化范圍較大，但AI滲透行業(yè)核心內(nèi)容的邏輯較難，例如汽車、營(yíng)銷、通信行業(yè)；三是潛在發(fā)展型：該類行業(yè)數(shù)字化程度極低，大模型滲透速度慢、影響弱，例如農(nóng)業(yè)、建筑、政務(wù)等；四是緩慢賦能型：行業(yè)本身數(shù)字化程度低，人工智能的潛在價(jià)值兌現(xiàn)較慢，例如教育、藝術(shù)業(yè)等。
圖4 大模型對(duì)各行業(yè)變革前景分析（注：圓圈大小代表潛在價(jià)值大?。?/span>
結(jié)合各行業(yè)的特點(diǎn)，目前大模型的典型應(yīng)用案例已有不少。例如，最為廣泛的自然語(yǔ)言（NLP）大模型已被用于服務(wù)業(yè)中的智能客服、互聯(lián)網(wǎng)的搜索推薦、影視業(yè)的實(shí)時(shí)字幕、教育業(yè)的語(yǔ)義理解等；計(jì)算機(jī)視覺(jué)（CV）大模型可用于游戲的三維建模、制造業(yè)的智能監(jiān)控、工業(yè)中的輔助質(zhì)檢、醫(yī)療中的輔助診斷等；跨模態(tài)大模型可支撐多類型生成式人工智能（AIGC）應(yīng)用，如汽車中的智能交互、營(yíng)銷圖文物料、服務(wù)業(yè)中的內(nèi)容生產(chǎn)等；決策類大模型分析、判斷與優(yōu)化能力將用于汽車自動(dòng)駕駛、金融投資研判、智能交通規(guī)劃、節(jié)能模型等。
三、大模型在汽車行業(yè)應(yīng)用前景分析
1.大模型在汽車行業(yè)應(yīng)用潛力
當(dāng)前汽車行業(yè)已進(jìn)入數(shù)字化與智能化發(fā)展階段，AI軟件逐漸成為新汽車時(shí)代的重要支撐技術(shù)。汽車產(chǎn)業(yè)具有主體多、涉及領(lǐng)域多、流程復(fù)雜的特點(diǎn)，正是大模型當(dāng)前及未來(lái)應(yīng)用的重要領(lǐng)域之一。
對(duì)于大模型在汽車行業(yè)的應(yīng)用場(chǎng)景和應(yīng)用價(jià)值，我們可從“用戶感知程度”和“AI軟件影響潛力”兩個(gè)維度來(lái)判斷分析。如圖5所示，應(yīng)用場(chǎng)景可分為產(chǎn)品與技術(shù)、用戶服務(wù)運(yùn)營(yíng)、企業(yè)經(jīng)營(yíng)管理三大方面的6個(gè)細(xì)分領(lǐng)域。其中，產(chǎn)品及技術(shù)方面包括智能化體驗(yàn)、技術(shù)研發(fā)創(chuàng)新、產(chǎn)品設(shè)計(jì)，大模型的應(yīng)用價(jià)值將率先體現(xiàn)在智能化產(chǎn)品提升與技術(shù)研發(fā)創(chuàng)新上，這是行業(yè)當(dāng)前重點(diǎn)關(guān)注領(lǐng)域；服務(wù)運(yùn)營(yíng)是用戶感知程度較強(qiáng)的領(lǐng)域，其中營(yíng)銷、售后、城市出行等場(chǎng)景均可利用大模型進(jìn)行賦能；在企業(yè)經(jīng)營(yíng)管理方面，大模型在生產(chǎn)制造智能化、企業(yè)數(shù)字化流程變革及組織形態(tài)創(chuàng)新等發(fā)揮作用，通過(guò)彌合數(shù)據(jù)流斷點(diǎn)、提升自動(dòng)化程度、優(yōu)化組織機(jī)制等實(shí)現(xiàn)企業(yè)經(jīng)營(yíng)的降本增效。
圖5 大模型在不同汽車領(lǐng)域的應(yīng)用場(chǎng)景分析
由上可知，大模型可賦能汽車行業(yè)多個(gè)領(lǐng)域，其能力不僅契合汽車各關(guān)鍵領(lǐng)域的發(fā)展需求，還可助力解決當(dāng)前面臨的諸多問(wèn)題，具有強(qiáng)大的應(yīng)用潛力。如果汽車企業(yè)有效利用了大模型賦能自身各個(gè)環(huán)節(jié)，以突破創(chuàng)新和提質(zhì)增效，將在市場(chǎng)競(jìng)爭(zhēng)中對(duì)其他同類企業(yè)形成降維打擊之勢(shì)。
2.大模型在汽車領(lǐng)域應(yīng)用的挑戰(zhàn)
盡管大模型在汽車行業(yè)應(yīng)用的潛力巨大，但是由于汽車產(chǎn)業(yè)非常復(fù)雜，同樣面臨著巨大的挑戰(zhàn)。一方面汽車行業(yè)的復(fù)雜性放大了大模型自有的發(fā)展難題，另一方面汽車行業(yè)的獨(dú)特性又給大模型帶來(lái)了新的應(yīng)用挑戰(zhàn)。
具體來(lái)看，大模型在汽車領(lǐng)域應(yīng)用的挑戰(zhàn)主要集中模型算法、數(shù)據(jù)及算力支撐三大方面，如圖6所示。
圖6 大模型在汽車行業(yè)應(yīng)用的主要挑戰(zhàn)領(lǐng)域
第一，在算法層面，由于汽車場(chǎng)景多且復(fù)雜，包括靜態(tài)和動(dòng)態(tài)、用戶和機(jī)器、車內(nèi)和車外、圖片和視頻等等，眾多類型的海量數(shù)據(jù)交織，顯然僅靠單一模態(tài)模型處理無(wú)法完成，因此對(duì)大模型同時(shí)處理不同模態(tài)數(shù)據(jù)的算法能力提出挑戰(zhàn)；同時(shí)汽車關(guān)乎人類生命安全，車規(guī)級(jí)安全性要求大模型的算法必須具有高度的可靠性和一致性，另外還需具備可解釋性。而現(xiàn)有大模型生成的內(nèi)容極度不穩(wěn)定，若出現(xiàn)錯(cuò)誤又難以有效溯源，無(wú)法滿足車輛需求。蓋斯特咨詢認(rèn)為，相比于通用基礎(chǔ)大模型而言，汽車AI模型開發(fā)應(yīng)聚焦在細(xì)分用車場(chǎng)景和數(shù)據(jù)輕量化，打造更符合汽車場(chǎng)景的的汽車AI中模型或小模型，或許能夠有效地應(yīng)對(duì)上述問(wèn)題。
第二，在數(shù)據(jù)層面，面臨著數(shù)據(jù)來(lái)源少、質(zhì)量差和數(shù)據(jù)安全等問(wèn)題。首先汽車行業(yè)缺少大體量、高質(zhì)量的數(shù)據(jù)，一方面不同企業(yè)的數(shù)據(jù)具有天然隔閡，另一方面沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，數(shù)據(jù)難以流通和使用，因此需要構(gòu)建汽車行業(yè)專屬的數(shù)據(jù)開放平臺(tái)，促進(jìn)數(shù)據(jù)的流通和共享；其次，單一模態(tài)數(shù)據(jù)已經(jīng)不能滿足多模算法的訓(xùn)練需求，未來(lái)需要海量的多類型數(shù)據(jù)；最后，數(shù)據(jù)安全更是汽車行業(yè)需要關(guān)注的重要問(wèn)題。傳感器數(shù)據(jù)、地圖等信息涉及國(guó)家機(jī)密，國(guó)家對(duì)其管控嚴(yán)格；用戶數(shù)據(jù)涉及隱私安全，此類數(shù)據(jù)確權(quán)、開放共享的合法性存在爭(zhēng)議，國(guó)家及行業(yè)需要進(jìn)一步明確AI監(jiān)管與治理規(guī)范。
第三，在算力層面，前文談到了大模型自身對(duì)算力、能源、成本等需求巨大，高端大算力GPU和電力將成為限制大模型發(fā)展的核心因素。若大模型應(yīng)用到汽車上又有了新的挑戰(zhàn)。例如，GPT僅推理就需近3萬(wàn)個(gè)GPU支持，日耗電量達(dá)50萬(wàn)度。目前車端系統(tǒng)級(jí)芯片最高能提供2000 TOPS的算力，與大模型所需的萬(wàn)級(jí)TOPS的算力需求相差甚遠(yuǎn)，另外車端的電池也難以支撐大模型的運(yùn)行能耗，因此大模型的算力應(yīng)更多地部署到云端和邊緣端，即讓云端和邊緣端承擔(dān)大規(guī)模計(jì)算任務(wù)，同時(shí)芯片架構(gòu)開發(fā)需考慮與大模型算法適配，以提升算力利用率。另外，車云信息傳輸需求必須是極低時(shí)延（車端是10毫秒級(jí)），所以網(wǎng)絡(luò)通訊能力也需要進(jìn)一步提升。
由上可見(jiàn)，汽車行業(yè)應(yīng)用大模型所面臨的問(wèn)題是全方位、多維度的，需要跨主體、跨專業(yè)、跨領(lǐng)域的分工合作，以推動(dòng)其持續(xù)應(yīng)用與發(fā)展。需要注意的是，大模型在汽車行業(yè)有無(wú)應(yīng)用潛力，與能否取得商業(yè)成功是兩回事。目前國(guó)內(nèi)發(fā)布大模型的數(shù)量早已破百，其背后是大量資源的消耗，但是商業(yè)價(jià)值回報(bào)尚未真正體現(xiàn)出來(lái)。汽車企業(yè)也在積極參與大模型的發(fā)展。蓋斯特認(rèn)為，如果車企一味地“卷”底層基礎(chǔ)模型則會(huì)造成巨大的資源浪費(fèi)。企業(yè)只有以需求為驅(qū)動(dòng)，打造適合汽車不同領(lǐng)域的垂類大模型，并利用大模型促進(jìn)汽車產(chǎn)品及服務(wù)一體化發(fā)展才是長(zhǎng)遠(yuǎn)之計(jì)。
3.大模型在汽車應(yīng)用階段劃分
蓋斯特咨詢預(yù)測(cè)，大模型在汽車行業(yè)的應(yīng)用將呈現(xiàn)出循序漸進(jìn)的節(jié)奏，前期快速上車、積累場(chǎng)景與數(shù)據(jù)，之后隨著技術(shù)持續(xù)演進(jìn)，中后期將不斷拓展應(yīng)用范圍，并放大大模型的價(jià)值。
如圖7所示，根據(jù)大模型賦能汽車各應(yīng)用場(chǎng)景的滲透時(shí)間與應(yīng)用難度，可將大模型應(yīng)用劃分為三個(gè)階段：
第一階段產(chǎn)品體驗(yàn)賦能，大模型在智能化產(chǎn)品應(yīng)用上快速落地，提升汽車產(chǎn)品的用戶體驗(yàn)；第二階段企業(yè)降本增效，隨著核心技術(shù)積累，大模型賦能企業(yè)經(jīng)營(yíng)全方面降本增效；第三階段社會(huì)效益創(chuàng)造，由于突破了技術(shù)迭代與應(yīng)用落地的瓶頸，大模型覆蓋汽車行業(yè)的深度與廣度顯著提升，進(jìn)而推動(dòng)社會(huì)移動(dòng)出行的發(fā)展。
圖7 大模型在汽車行業(yè)應(yīng)用的不同階段
四、大模型在汽車行業(yè)的典型應(yīng)用場(chǎng)景
對(duì)于汽車產(chǎn)品、技術(shù)和服務(wù)中的難點(diǎn)問(wèn)題，應(yīng)用大模型或可得到突破性解決方案。例如，當(dāng)前汽車智能化產(chǎn)品體驗(yàn)面臨兩個(gè)突出問(wèn)題，一是自動(dòng)駕駛的長(zhǎng)尾問(wèn)題，二是座艙交互系統(tǒng)智能化的程度低。對(duì)于前者，大模型賦能核心在自動(dòng)駕駛算法上；對(duì)于后者，大模型可以為用戶提供主動(dòng)式、個(gè)性化的交互。下面詳細(xì)分析大模型的四個(gè)典型應(yīng)用場(chǎng)景以及其帶來(lái)的影響。
1.大模型徹底改變智能駕駛方案的底層邏輯
大模型智能駕駛方案在本質(zhì)上是把傳統(tǒng)的自動(dòng)駕駛算法變?yōu)椤皥?chǎng)景-車輛控制”全流程的端到端模型，真正實(shí)現(xiàn)感知規(guī)劃一體化，可以說(shuō)是徹底改變以往智能駕駛方案的底層邏輯。
傳統(tǒng)智能駕駛方案采取預(yù)設(shè)規(guī)則的模塊化方案，即感知-決策-規(guī)劃的流水線流程，眾多子模塊對(duì)應(yīng)單獨(dú)的任務(wù)和功能，基于預(yù)設(shè)規(guī)則的算法進(jìn)行判斷，即使部分模塊引入神經(jīng)網(wǎng)絡(luò)，仍存在多個(gè)編解碼、輸入輸出環(huán)節(jié)。該方案模型冗余，各模塊均需專門訓(xùn)練、優(yōu)化和迭代，且模塊間環(huán)節(jié)繁瑣。同時(shí)對(duì)攝像頭、雷達(dá)、高精地圖等傳感信號(hào)需求高，而且主要針對(duì)感知模塊的圖片信息進(jìn)行訓(xùn)練。所以在性能方面存在信息損失和級(jí)聯(lián)誤差，同時(shí)難以有效處理長(zhǎng)尾場(chǎng)景問(wèn)題。但是這種方案可解釋強(qiáng)，便于問(wèn)題回溯，也易于調(diào)試。
圖8 智能駕駛方案邏輯對(duì)比
相比之下，基于大模型算法架構(gòu)的端到端方案，即感知-決策-規(guī)劃一體化模型，更接近人的駕駛思維，由感知信息直接生成控制信號(hào)。也就是說(shuō)，傳感器采集到的信息直接輸入神經(jīng)網(wǎng)絡(luò)算法中，經(jīng)過(guò)處理后直接輸出命令。這種模型聚焦，研發(fā)針對(duì)單個(gè)大參數(shù)量模型進(jìn)行整體訓(xùn)練，雖然訓(xùn)練要求高，但功能聚焦。另外對(duì)傳感信號(hào)需求較低，可降低硬件成本，支持以視覺(jué)感知為主，需要對(duì)含有駕駛行為的視頻信息進(jìn)行訓(xùn)練。
從性能上，大模型方案可大大降低級(jí)聯(lián)誤差，提升系統(tǒng)性能的上限。同時(shí)由于大模型強(qiáng)大的泛化能力，端到端方案可提高罕見(jiàn)場(chǎng)景下感知決策的準(zhǔn)確率，有效解決長(zhǎng)尾問(wèn)題。但是這一方案的可解釋性差，由于是黑盒模式，當(dāng)出現(xiàn)錯(cuò)誤時(shí)難以溯源。
當(dāng)前已有多家整車企業(yè)基于大模型架構(gòu)推出城市NOA（城市導(dǎo)航輔助駕駛）解決方案，例如特斯拉、小鵬、理想汽車等。今后隨著大模型算法及應(yīng)用場(chǎng)景的持續(xù)迭代，將有效促進(jìn)高階自動(dòng)駕駛方案的實(shí)現(xiàn)。
2.大模型顛覆了以往的人機(jī)交互架構(gòu)
大模型憑借強(qiáng)大的通用預(yù)訓(xùn)練能力，為人機(jī)交互帶來(lái)更加智能、更加靈活的架構(gòu)方案。如圖9所示，傳統(tǒng)的汽車座艙人機(jī)交互架構(gòu)是基于人為預(yù)設(shè)流程進(jìn)行，不論是AI嵌入模式還是AI助理模式，其輸入和輸出均須遵循預(yù)設(shè)的規(guī)則，例如早期的智能語(yǔ)音助手只能識(shí)別固定的語(yǔ)句。以前AI算法經(jīng)常被用于某個(gè)或多個(gè)環(huán)節(jié)以提升效果和效率，例如用深度學(xué)習(xí)提高模糊語(yǔ)音識(shí)別的準(zhǔn)確率，但在本質(zhì)上還是人告訴AI“怎么做”。
圖9 人機(jī)交互不同模式對(duì)比
而以大模型實(shí)現(xiàn)端到端全流程的交互決策架構(gòu)，人只告訴AI我們所需的結(jié)果即可，機(jī)器在大模型強(qiáng)大推理與生成能力下可直接自主完成全流程任務(wù)。例如面對(duì)單模態(tài)的指令——“路上怎樣充電最方便”，或者多模態(tài)需求——“營(yíng)造一個(gè)安靜的午休環(huán)境”等，大模型可充分理解和判斷用戶的需求，并做出決策和反饋。大模型應(yīng)用在人機(jī)交互中，徹底改變了人類與計(jì)算機(jī)之間的交流方式，也改變了開發(fā)范式，將推動(dòng)人機(jī)交互應(yīng)用從指令式智能向交互式智能發(fā)展。
3.大模型驅(qū)動(dòng)生成式技術(shù)研發(fā)模式誕生
大模型在技術(shù)研發(fā)方面的應(yīng)用主要在智能化模式變革上。我們以電池材料開發(fā)智能化為例具體說(shuō)明。
電池開發(fā)涉及材料研發(fā)、電池設(shè)計(jì)、系統(tǒng)組裝、測(cè)試驗(yàn)證等內(nèi)容，復(fù)雜且要求高，傳統(tǒng)方法存在周期長(zhǎng)、成本高、人力投入大等問(wèn)題。不同類型的大模型可根據(jù)電池研發(fā)流程特征，實(shí)現(xiàn)有針對(duì)性的賦能。
圖10 大模型在電池開發(fā)流程中的應(yīng)用
在電池材料研發(fā)階段，通常需要通過(guò)大量的實(shí)驗(yàn)試錯(cuò)，成本投入大且效率低下，而化學(xué)材料模型庫(kù)可對(duì)海量材料數(shù)據(jù)進(jìn)行高效地挖掘和分析，篩選出新材料、模擬不同組合，大幅提升材料創(chuàng)新的效率。
在電池設(shè)計(jì)階段涉及參數(shù)多，結(jié)構(gòu)復(fù)雜，難度較大；同時(shí)，系統(tǒng)組裝階段的影響因素多，對(duì)最終工藝質(zhì)量及效率要求高。因此可以借助仿真大模型和模擬分析大模型，模擬電池內(nèi)部的物理化學(xué)過(guò)程，預(yù)測(cè)電池性能結(jié)果。另外，還可高效篩選和優(yōu)化工藝參數(shù)，并進(jìn)行模擬評(píng)估，來(lái)優(yōu)化電池設(shè)計(jì)，提升系統(tǒng)的整體性能。
在測(cè)試驗(yàn)證階段，對(duì)數(shù)據(jù)分析、BMS軟件系統(tǒng)開發(fā)要求高，而數(shù)據(jù)大模型可對(duì)電池工作狀態(tài)、壽命等進(jìn)行分析預(yù)測(cè)；編程大模型可自動(dòng)生成軟件代碼，有效提高測(cè)試效率。
可以看出，大模型應(yīng)用在電池開發(fā)流程中的核心目的是提質(zhì)、增效和降本，大模型將推動(dòng)電池智能開發(fā)加速落地。
4.大模型助力用戶運(yùn)營(yíng)服務(wù)生態(tài)創(chuàng)新
與傳統(tǒng)汽車相比，智能汽車在用戶服務(wù)上有著很大程度的拓展和升級(jí)，現(xiàn)在導(dǎo)入大模型可助力突破數(shù)據(jù)壁壘，為服務(wù)產(chǎn)業(yè)鏈賦能，帶動(dòng)用車服務(wù)生態(tài)整體創(chuàng)新增長(zhǎng)。
在服務(wù)資源生態(tài)方面，大模型是滿足用戶用車體驗(yàn)的充分支撐：一是基于大模型開發(fā)的智能售后助手是故障預(yù)測(cè)、維修知識(shí)專家，可隨時(shí)提醒維修商和用戶注意車輛狀況；二是基于AI語(yǔ)音助手的智能客服，可與用戶全天候互動(dòng)，打造高質(zhì)量服務(wù)體驗(yàn)；三是大模型助力智慧出行服務(wù)生態(tài)打造，包括智能充/換電補(bǔ)能、汽車共享、路線選擇、一體化出行服務(wù)平臺(tái)等。
在應(yīng)用開發(fā)生態(tài)方面，即在開發(fā)者生態(tài)中，大模型是面向用車場(chǎng)景、實(shí)現(xiàn)多樣性和開放性的重要支撐。一是，大模型降低了軟件開發(fā)門檻，為開發(fā)者提供豐富、低編程能力要求的開發(fā)選擇，甚至根據(jù)需求自動(dòng)生成可用的代碼，從而加速開發(fā)者生態(tài)發(fā)展；二是，大模型基于用戶數(shù)據(jù)驅(qū)動(dòng)的OTA升級(jí)決策，可高效分析用戶在應(yīng)用端的使用數(shù)據(jù)，判斷各項(xiàng)功能的優(yōu)劣勢(shì)，從而實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的OTA精準(zhǔn)升級(jí)；三是大模型憑借其強(qiáng)大的數(shù)據(jù)標(biāo)注和處理能力，能夠更好地分析用戶偏好，為用戶提供符合其使用習(xí)慣或興趣愛(ài)好的個(gè)性化、差異化服務(wù)。
五、對(duì)車企布局大模型應(yīng)用落地的策略建議
1.車企布局大模型技術(shù)應(yīng)用的總體原則
蓋斯特咨詢認(rèn)為，基礎(chǔ)通用大模型的開發(fā)難度高、投入巨大，車企在這方面沒(méi)有足夠的基礎(chǔ)，投入產(chǎn)出性價(jià)比低。所以車企布局大模型的總體原則是：將大模型與自身業(yè)務(wù)場(chǎng)景、數(shù)據(jù)有效融合，充分發(fā)揮出大模型的價(jià)值。
具體來(lái)說(shuō)，車企應(yīng)具備大模型的思維理念，通過(guò)合作有效引入外部通用大模型能力，同時(shí)逐步培育自身的AI核心能力與基礎(chǔ)能力支撐，建立自身業(yè)務(wù)數(shù)據(jù)庫(kù)，不斷訓(xùn)練、迭代專屬的業(yè)務(wù)模型，探索生成式研發(fā)創(chuàng)新模式（詳見(jiàn)圖11）。即車企通過(guò)產(chǎn)業(yè)分工協(xié)作，將大模型的能力不斷深入在自身業(yè)務(wù)的應(yīng)用場(chǎng)景，最終構(gòu)建企業(yè)生成式研發(fā)模式，賦能產(chǎn)品顛覆性創(chuàng)新。
圖11 企業(yè)大模型應(yīng)用及創(chuàng)新體系
2.車企在大模型技術(shù)生態(tài)中的角色定位
在汽車行業(yè)大模型生態(tài)中，面對(duì)眾多的發(fā)展挑戰(zhàn)，各方須以長(zhǎng)遠(yuǎn)視角、用專業(yè)化分工模式推動(dòng)大模型價(jià)值實(shí)現(xiàn)。其中，大模型開發(fā)企業(yè)應(yīng)重點(diǎn)開發(fā)汽車垂類場(chǎng)景模型，并與平臺(tái)開發(fā)方深度合作，基于模型原子能力開發(fā)服務(wù)應(yīng)用；芯片企業(yè)提供大算力SoC芯片，云服務(wù)商則提供云端算力資源。隨著汽車行業(yè)大模型生態(tài)的日趨成熟，將構(gòu)建出行業(yè)大模型平臺(tái)，支撐各類資源設(shè)施的共享。
圖12 汽車行業(yè)大模型產(chǎn)業(yè)生態(tài)圖
車企作為數(shù)據(jù)提供者，直接面向用戶，擁有場(chǎng)景數(shù)據(jù)，至少應(yīng)掌握需求定義與功能應(yīng)用的能力。未來(lái)有實(shí)力的車企可參與不同細(xì)分領(lǐng)域大模型的聯(lián)合定義與開發(fā)，與大模型開發(fā)企業(yè)形成伴生式合作關(guān)系，通過(guò)不斷積累的數(shù)據(jù)反哺場(chǎng)景模型迭代升級(jí)，共同打造更符合用戶與產(chǎn)品差異化定位的垂類場(chǎng)景模型。
3.車企布局大模型應(yīng)用的分階段策略
車企布局大模型的目的并非自研大模型的開發(fā)能力，而是如何通過(guò)自身能力積累，與內(nèi)外部資源合作，最終將大模型的潛力與新汽車發(fā)展充分融合。因此，車企必須瞄準(zhǔn)不同時(shí)期的落地目標(biāo)，制定分階段的大模型布局規(guī)劃：
首先，近期策略是“能用起來(lái)”：車企應(yīng)以智能化產(chǎn)品為切入點(diǎn)，實(shí)現(xiàn)大模型功能的快速上車應(yīng)用，通過(guò)快速提升產(chǎn)品體驗(yàn)，加深用戶感知度。
其次，中期策略是“用得更好”：車企不斷儲(chǔ)備積累相關(guān)軟件算法能力，在研發(fā)、營(yíng)銷、售后、管理等環(huán)節(jié)引入大模型應(yīng)用，將大模型的能力由前臺(tái)不斷向中臺(tái)、后臺(tái)逐漸滲透，提升大模型應(yīng)用的廣度和深度。
最后，遠(yuǎn)期策略是“共同發(fā)展”：車企深度參與生態(tài)建設(shè)，與各方充分協(xié)作，推動(dòng)汽車行業(yè)大模型的整體發(fā)展。隨著技術(shù)應(yīng)用持續(xù)豐富，商業(yè)價(jià)值逐漸顯現(xiàn)，大模型也將成為推動(dòng)車企長(zhǎng)期持續(xù)發(fā)展的重要手段。
4.當(dāng)前車企布局大模型的具體舉措
現(xiàn)在正處于大模型滲透入汽車行業(yè)的初期階段，車企應(yīng)通過(guò)與生態(tài)中其他主體的合作，快速打通智能化產(chǎn)品與大模型能力之間的連接通道，為大模型上車進(jìn)行能力布局。
第一，在軟件應(yīng)用層上，當(dāng)前車企對(duì)于模型及平臺(tái)至少掌握定義能力、選型能力，能夠根據(jù)自身功能需求與資源支撐，從大模型開發(fā)企業(yè)選擇合適的場(chǎng)景模型。同時(shí)在車端軟件應(yīng)用設(shè)置相應(yīng)的接口，與開發(fā)方提供的大模型服務(wù)接口對(duì)接。例如根據(jù)電子電氣架構(gòu)和智駕能力需求選擇合適的感知、決策或端到端算法方案，并在自身智駕系統(tǒng)中設(shè)置合適的接口來(lái)引入大模型能力。
未來(lái)隨著車企自身能力的積累，車企盡量掌握針對(duì)大模型的軟件適配性開發(fā)能力，包括車載OS、應(yīng)用軟件等，以最大化發(fā)揮大模型的賦能價(jià)值。例如根據(jù)大模型算法對(duì)OS中間件進(jìn)行有效調(diào)整，提升資源調(diào)配管理效率。
第二，高需求算力作為大模型落地的關(guān)鍵支撐，車企需要在云端和車端進(jìn)行合理的部署規(guī)劃。如前所述，智能汽車的算力部署原則為云端大算力+車端小算力的組合模式，因此當(dāng)前車企在云端算力部署可選擇互聯(lián)網(wǎng)科技企業(yè)的“公有云+私有云”服務(wù)方案，或建立專屬的超算中心，實(shí)現(xiàn)大規(guī)模的數(shù)據(jù)處理；車端則以現(xiàn)有大算力芯片和計(jì)算平臺(tái)為主。
未來(lái)以云端為主要算力部署的趨勢(shì)不會(huì)變，隨著模型迭代與數(shù)據(jù)量的增加，各端算力要求將逐漸增加，尤其是GPU（圖形處理器）及異構(gòu)計(jì)算能力，而針對(duì)大模型算法進(jìn)行開發(fā)的芯片方案將成車企的重要選擇。同時(shí)，對(duì)車云一體架構(gòu)的協(xié)同效率需求將提升，實(shí)時(shí)通訊能力也需要提高。另外車端數(shù)據(jù)訓(xùn)練和處理的標(biāo)準(zhǔn)需進(jìn)一步貼合云端。
由此可見(jiàn)，大模型應(yīng)用于汽車將進(jìn)一步放大企業(yè)對(duì)算力基礎(chǔ)設(shè)施的需求，車企在關(guān)注AI硬件資源的同時(shí)，需要提升配套軟件及整體架構(gòu)的能力支撐。
六、總結(jié)
綜上所述，大模型的本質(zhì)上是AI能力的躍遷，其將驅(qū)動(dòng)社會(huì)各行業(yè)發(fā)生顛覆性變革。但是大模型在不同行業(yè)的應(yīng)用價(jià)值有所區(qū)別，汽車行業(yè)正是當(dāng)前及未來(lái)大模型應(yīng)用的重要載體。大模型將推動(dòng)汽車多領(lǐng)域變革，擁有巨大的應(yīng)用價(jià)值與潛力，大模型將成為引領(lǐng)新汽車時(shí)代發(fā)展的重要驅(qū)動(dòng)力之一。同時(shí)大模型在汽車行業(yè)應(yīng)用也面臨全方位、多維度的挑戰(zhàn)，其中既有大模型自身的局限，也有汽車行業(yè)賦予其的獨(dú)特挑戰(zhàn)。但是大模型滲透入汽車行業(yè)勢(shì)不可當(dāng)。蓋斯特咨詢預(yù)測(cè)，汽車行業(yè)大模型應(yīng)用將經(jīng)歷三個(gè)發(fā)展階段：產(chǎn)品體驗(yàn)賦能、企業(yè)降本增效和社會(huì)效益創(chuàng)造。
當(dāng)前眾多企業(yè)紛紛布局大模型，均希望利用大模型賦能自身業(yè)務(wù)，由此引發(fā)了新一輪的市場(chǎng)競(jìng)爭(zhēng)浪潮。蓋斯特咨詢認(rèn)為，車企應(yīng)主動(dòng)地、盡早地尋求改變，抓準(zhǔn)自身立足點(diǎn)，通過(guò)能力儲(chǔ)備與生態(tài)合作，充分發(fā)揮大模型的賦能價(jià)值。
重點(diǎn)建議總結(jié)有三點(diǎn)：一是，車企必須充分認(rèn)識(shí)到大模型上車應(yīng)用的價(jià)值，從產(chǎn)品體驗(yàn)、技術(shù)研發(fā)創(chuàng)新、經(jīng)營(yíng)管理等多維度進(jìn)行賦能，對(duì)其他企業(yè)形成綜合競(jìng)爭(zhēng)力的優(yōu)勢(shì)；二是，車企的目標(biāo)不應(yīng)是自主開發(fā)大模型，而是大模型賦能價(jià)值的最大化。因此車企布局大模型策略要以產(chǎn)品體驗(yàn)和用戶感知提升為龍頭或牽引力、以數(shù)據(jù)為驅(qū)動(dòng)，通過(guò)大模型提升軟硬件的綜合能力，更好滿足新汽車時(shí)代下的用戶需求；三是，車企需要積極參與大模型生態(tài)建設(shè)，與其他主體充分協(xié)同共創(chuàng)，在合作中不斷積累和儲(chǔ)備軟件算法核心能力，持續(xù)提升大模型應(yīng)用廣度與深度。
