四、大模型在汽車行業(yè)的典型應用場景
對于汽車產(chǎn)品、技術和服務中的難點問題，應用大模型或可得到突破性解決方案。例如，當前汽車智能化產(chǎn)品體驗面臨兩個突出問題，一是自動駕駛的長尾問題，二是座艙交互系統(tǒng)智能化的程度低。對于前者，大模型賦能核心在自動駕駛算法上；對于后者，大模型可以為用戶提供主動式、個性化的交互。下面詳細分析大模型的四個典型應用場景以及其帶來的影響。
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)的自動駕駛算法變?yōu)椤皥鼍?車輛控制”全流程的端到端模型，真正實現(xiàn)感知規(guī)劃一體化，可以說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設規(guī)則的模塊化方案，即感知-決策-規(guī)劃的流水線流程，眾多子模塊對應單獨的任務和功能，基于預設規(guī)則的算法進行判斷，即使部分模塊引入神經(jīng)網(wǎng)絡，仍存在多個編解碼、輸入輸出環(huán)節(jié)。該方案模型冗余，各模塊均需專門訓練、優(yōu)化和迭代，且模塊間環(huán)節(jié)繁瑣。同時對攝像頭、雷達、高精地圖等傳感信號需求高，而且主要針對感知模塊的圖片信息進行訓練。所以在性能方面存在信息損失和級聯(lián)誤差，同時難以有效處理長尾場景問題。但是這種方案可解釋強，便于問題回溯，也易于調(diào)試。
圖8 智能駕駛方案邏輯對比
相比之下，基于大模型算法架構的端到端方案，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。也就是說，傳感器采集到的信息直接輸入神經(jīng)網(wǎng)絡算法中，經(jīng)過處理后直接輸出命令。這種模型聚焦，研發(fā)針對單個大參數(shù)量模型進行整體訓練，雖然訓練要求高，但功能聚焦。另外對傳感信號需求較低，可降低硬件成本，支持以視覺感知為主，需要對含有駕駛行為的視頻信息進行訓練。
從性能上，大模型方案可大大降低級聯(lián)誤差，提升系統(tǒng)性能的上限。同時由于大模型強大的泛化能力，端到端方案可提高罕見場景下感知決策的準確率，有效解決長尾問題。但是這一方案的可解釋性差，由于是黑盒模式，當出現(xiàn)錯誤時難以溯源。
當前已有多家整車企業(yè)基于大模型架構推出城市NOA（城市導航輔助駕駛）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用場景的持續(xù)迭代，將有效促進高階自動駕駛方案的實現(xiàn)。
2.大模型顛覆了以往的人機交互架構
大模型憑借強大的通用預訓練能力，為人機交互帶來更加智能、更加靈活的架構方案。如圖9所示，傳統(tǒng)的汽車座艙人機交互架構是基于人為預設流程進行，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設的規(guī)則，例如早期的智能語音助手只能識別固定的語句。以前AI算法經(jīng)常被用于某個或多個環(huán)節(jié)以提升效果和效率，例如用深度學習提高模糊語音識別的準確率，但在本質(zhì)上還是人告訴AI“怎么做”。
圖9 人機交互不同模式對比
而以大模型實現(xiàn)端到端全流程的交互決策架構，人只告訴AI我們所需的結果即可，機器在大模型強大推理與生成能力下可直接自主完成全流程任務。例如面對單模態(tài)的指令——“路上怎樣充電最方便”，或者多模態(tài)需求——“營造一個安靜的午休環(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。大模型應用在人機交互中，徹底改變了人類與計算機之間的交流方式，也改變了開發(fā)范式，將推動人機交互應用從指令式智能向交互式智能發(fā)展。
3.大模型驅動生成式技術研發(fā)模式誕生
大模型在技術研發(fā)方面的應用主要在智能化模式變革上。我們以電池材料開發(fā)智能化為例具體說明。
電池開發(fā)涉及材料研發(fā)、電池設計、系統(tǒng)組裝、測試驗證等內(nèi)容，復雜且要求高，傳統(tǒng)方法存在周期長、成本高、人力投入大等問題。不同類型的大模型可根據(jù)電池研發(fā)流程特征，實現(xiàn)有針對性的賦能。
圖10 大模型在電池開發(fā)流程中的應用
在電池材料研發(fā)階段，通常需要通過大量的實驗試錯，成本投入大且效率低下，而化學材料模型庫可對海量材料數(shù)據(jù)進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。
在電池設計階段涉及參數(shù)多，結構復雜，難度較大；同時，系統(tǒng)組裝階段的影響因素多，對最終工藝質(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)部的物理化學過程，預測電池性能結果。另外，還可高效篩選和優(yōu)化工藝參數(shù)，并進行模擬評估，來優(yōu)化電池設計，提升系統(tǒng)的整體性能。
在測試驗證階段，對數(shù)據(jù)分析、BMS軟件系統(tǒng)開發(fā)要求高，而數(shù)據(jù)大模型可對電池工作狀態(tài)、壽命等進行分析預測；編程大模型可自動生成軟件代碼，有效提高測試效率。
可以看出，大模型應用在電池開發(fā)流程中的核心目的是提質(zhì)、增效和降本，大模型將推動電池智能開發(fā)加速落地。
4.大模型助力用戶運營服務生態(tài)創(chuàng)新
與傳統(tǒng)汽車相比，智能汽車在用戶服務上有著很大程度的拓展和升級，現(xiàn)在導入大模型可助力突破數(shù)據(jù)壁壘，為服務產(chǎn)業(yè)鏈賦能，帶動用車服務生態(tài)整體創(chuàng)新增長。
在服務資源生態(tài)方面，大模型是滿足用戶用車體驗的充分支撐：一是基于大模型開發(fā)的智能售后助手是故障預測、維修知識專家，可隨時提醒維修商和用戶注意車輛狀況；二是基于AI語音助手的智能客服，可與用戶全天候互動，打造高質(zhì)量服務體驗；三是大模型助力智慧出行服務生態(tài)打造，包括智能充/換電補能、汽車共享、路線選擇、一體化出行服務平臺等。
在應用開發(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景、實現(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)驅動的OTA升級決策，可高效分析用戶在應用端的使用數(shù)據(jù)，判斷各項功能的優(yōu)劣勢，從而實現(xiàn)數(shù)據(jù)驅動的OTA精準升級；三是大模型憑借其強大的數(shù)據(jù)標注和處理能力，能夠更好地分析用戶偏好，為用戶提供符合其使用習慣或興趣愛好的個性化、差異化服務。
五、對車企布局大模型應用落地的策略建議
1.車企布局大模型技術應用的總體原則
蓋斯特咨詢認為，基礎通用大模型的開發(fā)難度高、投入巨大，車企在這方面沒有足夠的基礎，投入產(chǎn)出性價比低。所以車企布局大模型的總體原則是：將大模型與自身業(yè)務場景、數(shù)據(jù)有效融合，充分發(fā)揮出大模型的價值。
具體來說，車企應具備大模型的思維理念，通過合作有效引入外部通用大模型能力，同時逐步培育自身的AI核心能力與基礎能力支撐，建立自身業(yè)務數(shù)據(jù)庫，不斷訓練、迭代專屬的業(yè)務模型，探索生成式研發(fā)創(chuàng)新模式（詳見圖11）。即車企通過產(chǎn)業(yè)分工協(xié)作，將大模型的能力不斷深入在自身業(yè)務的應用場景，最終構建企業(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)大模型應用及創(chuàng)新體系
2.車企在大模型技術生態(tài)中的角色定位
在汽車行業(yè)大模型生態(tài)中，面對眾多的發(fā)展挑戰(zhàn)，各方須以長遠視角、用專業(yè)化分工模式推動大模型價值實現(xiàn)。其中，大模型開發(fā)企業(yè)應重點開發(fā)汽車垂類場景模型，并與平臺開發(fā)方深度合作，基于模型原子能力開發(fā)服務應用；芯片企業(yè)提供大算力SoC芯片，云服務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，將構建出行業(yè)大模型平臺，支撐各類資源設施的共享。
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，擁有場景數(shù)據(jù)，至少應掌握需求定義與功能應用的能力。未來有實力的車企可參與不同細分領域大模型的聯(lián)合定義與開發(fā)，與大模型開發(fā)企業(yè)形成伴生式合作關系，通過不斷積累的數(shù)據(jù)反哺場景模型迭代升級，共同打造更符合用戶與產(chǎn)品差異化定位的垂類場景模型。
3.車企布局大模型應用的分階段策略
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，車企必須瞄準不同時期的落地目標，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”：車企應以智能化產(chǎn)品為切入點，實現(xiàn)大模型功能的快速上車應用，通過快速提升產(chǎn)品體驗，加深用戶感知度。
其次，中期策略是“用得更好”：車企不斷儲備積累相關軟件算法能力，在研發(fā)、營銷、售后、管理等環(huán)節(jié)引入大模型應用，將大模型的能力由前臺不斷向中臺、后臺逐漸滲透，提升大模型應用的廣度和深度。
最后，遠期策略是“共同發(fā)展”：車企深度參與生態(tài)建設，與各方充分協(xié)作，推動汽車行業(yè)大模型的整體發(fā)展。隨著技術應用持續(xù)豐富，商業(yè)價值逐漸顯現(xiàn)，大模型也將成為推動車企長期持續(xù)發(fā)展的重要手段。
4.當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，車企應通過與生態(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，為大模型上車進行能力布局。
第一，在軟件應用層上，當前車企對于模型及平臺至少掌握定義能力、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)選擇合適的場景模型。同時在車端軟件應用設置相應的接口，與開發(fā)方提供的大模型服務接口對接。例如根據(jù)電子電氣架構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)中設置合適的接口來引入大模型能力。
未來隨著車企自身能力的積累，車企盡量掌握針對大模型的軟件適配性開發(fā)能力，包括車載OS、應用軟件等，以最大化發(fā)揮大模型的賦能價值。例如根據(jù)大模型算法對OS中間件進行有效調(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鍵支撐，車企需要在云端和車端進行合理的部署規(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”服務方案，或建立專屬的超算中心，實現(xiàn)大規(guī)模的數(shù)據(jù)處理；車端則以現(xiàn)有大算力芯片和計算平臺為主。
未來以云端為主要算力部署的趨勢不會變，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）及異構計算能力，而針對大模型算法進行開發(fā)的芯片方案將成車企的重要選擇。同時，對車云一體架構的協(xié)同效率需求將提升，實時通訊能力也需要提高。另外車端數(shù)據(jù)訓練和處理的標準需進一步貼合云端。
由此可見，大模型應用于汽車將進一步放大企業(yè)對算力基礎設施的需求，車企在關注AI硬件資源的同時，需要提升配套軟件及整體架構的能力支撐。
六、總結
綜上所述，大模型的本質(zhì)上是AI能力的躍遷，其將驅動社會各行業(yè)發(fā)生顛覆性變革。但是大模型在不同行業(yè)的應用價值有所區(qū)別，汽車行業(yè)正是當前及未來大模型應用的重要載體。大模型將推動汽車多領域變革，擁有巨大的應用價值與潛力，大模型將成為引領新汽車時代發(fā)展的重要驅動力之一。同時大模型在汽車行業(yè)應用也面臨全方位、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)賦予其的獨特挑戰(zhàn)。但是大模型滲透入汽車行業(yè)勢不可當。蓋斯特咨詢預測，汽車行業(yè)大模型應用將經(jīng)歷三個發(fā)展階段：產(chǎn)品體驗賦能、企業(yè)降本增效和社會效益創(chuàng)造。
當前眾多企業(yè)紛紛布局大模型，均希望利用大模型賦能自身業(yè)務，由此引發(fā)了新一輪的市場競爭浪潮。蓋斯特咨詢認為，車企應主動地、盡早地尋求改變，抓準自身立足點，通過能力儲備與生態(tài)合作，充分發(fā)揮大模型的賦能價值。
重點建議總結有三點：一是，車企必須充分認識到大模型上車應用的價值，從產(chǎn)品體驗、技術研發(fā)創(chuàng)新、經(jīng)營管理等多維度進行賦能，對其他企業(yè)形成綜合競爭力的優(yōu)勢；二是，車企的目標不應是自主開發(fā)大模型，而是大模型賦能價值的最大化。因此車企布局大模型策略要以產(chǎn)品體驗和用戶感知提升為龍頭或牽引力、以數(shù)據(jù)為驅動，通過大模型提升軟硬件的綜合能力，更好滿足新汽車時代下的用戶需求；三是，車企需要積極參與大模型生態(tài)建設，與其他主體充分協(xié)同共創(chuàng)，在合作中不斷積累和儲備軟件算法核心能力，持續(xù)提升大模型應用廣度與深度。
