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，吸引了眾多國家與企業(yè)的強烈關注，大家普遍認為大模型將驅動各行各業(yè)發(fā)生顛覆性影響。在汽車行業(yè)中大模型的應用也引發(fā)了熱烈討論，眾說紛紜。蓋斯特咨詢研究團隊對大模型做了系統(tǒng)研究，本研報在解析大模型本質的基礎上，研究其社會價值與影響，深入分析了大模型在汽車行業(yè)的應用潛力與落地挑戰(zhàn)，并為車企提供布局策略建議。
一、對大模型的本質解析
1.大模型的概念與本質
大模型是一種大規(guī)模預訓練AI模型。AI模型從2000年發(fā)展至今，歷經(jīng)了機器學習、深度學習到預訓練模型的三個發(fā)展階段。當AI模型訓練的數(shù)據(jù)量、算法參數(shù)量、算力三者持續(xù)提升并達到臨界量級（如圖1所示），AI模型的生產(chǎn)力由量變到質變，展現(xiàn)出智能推理和內容生成的能力，由此誕生了大模型。
目前大模型尚無統(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)量高達千億甚至萬億級），經(jīng)過海量數(shù)據(jù)集的通用化訓練，涌現(xiàn)出在多任務下自學習、自推理、自生成能力的大規(guī)模預訓練AI模型。
圖1 AI核心要素的發(fā)展歷程
大模型與傳統(tǒng)AI模型已有了本質的區(qū)別。傳統(tǒng)AI模型不僅需要人工訓練AI怎樣做，還需要人對訓練樣本進行海量的標注，這樣AI模型才能完成特定類型的任務。而AI大模型具有很強的自學習能力，在無規(guī)則預設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；同時具有強泛化性，通常在無標注情況下，大模型可以高效學習訓練集中的通用規(guī)律和復雜特征，能夠更好應對自然語言任務；具有高通用性，通過自監(jiān)督學習和巧妙訓練原生自然語言，從完成單任務拓展至多任務。
也就是說，與傳統(tǒng)AI模型相比，大模型具有強自學習性、強泛化性、高通用性三大核心特征，具備了智能理解、推理、生成的能力，從而推動人工智能從基于規(guī)則的“計算智能階段”加速向“認知智能階段”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)化落地進程。
2.大模型的關鍵要素
大模型的關鍵要素包括數(shù)據(jù)、算法、算力與平臺，具體來看：
第一，數(shù)據(jù)是大模型訓練、迭代和優(yōu)化的關鍵。數(shù)據(jù)主要來源于各類數(shù)據(jù)集、用戶數(shù)據(jù)等，其中人類自然語言信息是大模型的專屬數(shù)據(jù)特征。高質量數(shù)據(jù)是稀缺資源，更是在大模型競爭格局中獲勝的核心要素。
第二，算法是大模型的核心技術，決定大模型的能力范疇。算法包括基礎通用化模型算法與專業(yè)微調模型算法。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現(xiàn)的基礎。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超一般AI模型，所以大模型需要AI芯片（如高性能GPU）、云計算、服務器等企業(yè)提供算力支撐。
第四，平臺是連接大模型和應用端的紐帶，也成為新的關鍵要素。通過平臺可將大模型能力有效釋放于應用端，同時借助平臺來吸納數(shù)據(jù)，又能反哺大模型迭代和優(yōu)化。平臺包括服務平臺、開發(fā)平臺、應用生態(tài)平臺和信息平臺等。
綜上所述，算力是大模型的基礎支撐，算法和數(shù)據(jù)共同驅動大模型持續(xù)提升，平臺的部署則是釋放大模型能力的有效途徑。
3.大模型應用所需的能力支撐
大模型落地應用的支撐能力主要來源于技術、資源、安全三個層面。
首先在技術層面，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)訓練的模型就是大模型，大模型的關鍵在于其能否涌現(xiàn)出強大的推理和生成能力；二是多模態(tài)處理性能要求高，隨著應用場景越來越豐富，自然語言、語音、圖像、視頻等多類數(shù)據(jù)交織，大模型機器學習處理難度高；三是現(xiàn)有大模型輸出的內容極度不穩(wěn)定，而且在出現(xiàn)錯誤后難以有效溯源，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，一是大模型對優(yōu)質且海量的數(shù)據(jù)需求高，目前缺少供訓練的中文共性基礎庫，同時各行業(yè)內均存在數(shù)據(jù)壁壘，導致數(shù)據(jù)獲取難度大；二是算力和內存需求大，以GPT聊天機器人模型為例，僅其訓練的算力門檻便需一萬張高性能GPU芯片,成本約10億元，同時至少需350GB內存來訓練1750億參數(shù)；三是大模型對電力等能源消耗極大，且成本高。例如，GPT訓練的年綜合電力成本高達數(shù)十億元人民幣。
最后在安全治理層面，當前社會對于大模型落地應用的主要擔憂在數(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容能力被濫用，很可能違反社會價值觀，甚至突破法律底線。同時大模型對社會就業(yè)、產(chǎn)業(yè)發(fā)展、道德倫理的沖擊也會引發(fā)一系列的問題。
由此可見，大模型發(fā)展面臨的是全方位、多維度的問題，所以需要從技術支撐、基礎設施、社會治理制度等多方面不斷完善，來共同推動大模型的落地應用。
4.大模型的演進階段
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)化四個演進階段，具體如圖2所示。當前大模型發(fā)展正從通用化向行業(yè)化階段轉變，即通用基礎大模型成熟期向垂直應用領域大模型成熟期的發(fā)展進程中。這個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。合理有效地發(fā)揮大模型的能力是目前面臨的關鍵問題。
當前通用大模型領域呈現(xiàn)出百花齊放、激烈競爭的場面。蓋斯特咨詢判斷，將來僅有少數(shù)寡頭企業(yè)可完全跑通大模型的演進路徑。隨著大模型行業(yè)競爭從比參數(shù)過渡到比落地應用，將出現(xiàn)越來越多的垂直領域大模型。這類行業(yè)大模型擅長特定的專業(yè)領域及核心的交互場景。相對來說，輕量化的行業(yè)模型及場景模型得益于更聚焦的數(shù)據(jù)訓練與更少的參數(shù)設置，不僅降低部署成本，同時用戶對此的感知程度也將日益加深，因此垂直應用領域大模型將迎來蓬勃發(fā)展時期。未來隨著大模型產(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現(xiàn)更大的產(chǎn)業(yè)價值。
圖2 大模型演進趨勢
二、大模型的社會價值與應用潛力
1.大模型的社會價值
大模型的出現(xiàn)意味著人工只需指導AI，甚至用AI控制AI來完成任務，極大降低了人在人工智能任務中的參與程度需求，大模型將革命性地解放生產(chǎn)力；進而大模型將變革生產(chǎn)關系，引發(fā)社會全方位的資源調整，甚至資源再分配。因此大模型將驅動各行業(yè)發(fā)生顛覆性變革，并將變革社會方式。
具體而言，大模型將從開發(fā)生產(chǎn)、產(chǎn)品服務、企業(yè)經(jīng)營、人才需求等方面驅動各行業(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)化自動化標注等能力可以解放低效生產(chǎn)力，提升開發(fā)生產(chǎn)的自動化程度，降低勞動力成本，實現(xiàn)大幅度的降本增效；
第二，創(chuàng)新產(chǎn)品服務形態(tài)。大模型強大的算法優(yōu)化、數(shù)據(jù)挖掘、多模交互、內容生成、用戶情感識別等特點，可實現(xiàn)創(chuàng)意激發(fā)與體驗優(yōu)化，同時讓人機交互更加智能；
第三，優(yōu)化企業(yè)經(jīng)營決策。大模型可提供數(shù)據(jù)分析、智能制造、智能銷售與服務、成本與決策優(yōu)化等服務，助力企業(yè)做出全面、精準、靈活的判斷，使決策更科學、服務更精準；
第四，引發(fā)社會人才需求變化。大模型顯著降低對低效、低創(chuàng)造性人才的需求，對創(chuàng)造性的高價值人才需求將顯著增加，未來可靈活運用AI技能的人才將具備明顯優(yōu)勢。
未來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)、更高價值的用戶體驗，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)應用的范式
大模型產(chǎn)業(yè)應用是以“通用預訓練+專業(yè)精調”的組合模式。如圖3所示，首先通用基礎大模型對海量的多模態(tài)知識開展預訓練，然后針對行業(yè)及業(yè)務場景進行適配化精調開發(fā)，形成垂直類場景模型，提供原子化服務。而平臺作為大模型能力與產(chǎn)品應用之間的連接和溝通工具，將場景模型層的原子能力與上層應用打通，為用戶輸出大模型服務。以Chat GPT為例，大語言模型作為基礎支撐，通過對自然語言的預訓練，結合人類對話場景進行微調，實現(xiàn)對話問答的原子能力，再通過服務平臺接口將對話功能引入到網(wǎng)頁、APP、汽車座艙等應用中，供用戶使用。
圖3 大模型產(chǎn)業(yè)應用范式
在此應用范式下，新的軟件應用不再需要從最底層開始重復開發(fā)，而是基于已有的基礎模型與場景模型便可實現(xiàn)高效的應用開發(fā)。因此大模型將重構各行業(yè)的軟件體系，不僅有效降低AI模型及軟件應用的開發(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)營管理模式，并拓展豐富其產(chǎn)業(yè)應用邊界與賦能形態(tài)。蓋斯特咨詢認為，未來各行業(yè)的所有軟件都可以用大模型重寫一遍，實現(xiàn)軟件價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)的應用前景預測
對于具體行業(yè)而言，其聯(lián)網(wǎng)程度、數(shù)字化基礎、行業(yè)內容特點等決定大模型的應用前景與價值。蓋斯特咨詢按照“影響程度”與“滲透速度”兩個維度，將大模型變革行業(yè)的前景分為四類（詳見圖4）：
一是突破顛覆型：大模型可滲透到行業(yè)核心內容，能夠快速創(chuàng)造價值的行業(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)核心內容的邏輯較難，例如汽車、營銷、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，人工智能的潛在價值兌現(xiàn)較慢，例如教育、藝術業(yè)等。
圖4 大模型對各行業(yè)變革前景分析（注：圓圈大小代表潛在價值大?。?/span>
結合各行業(yè)的特點，目前大模型的典型應用案例已有不少。例如，最為廣泛的自然語言（NLP）大模型已被用于服務業(yè)中的智能客服、互聯(lián)網(wǎng)的搜索推薦、影視業(yè)的實時字幕、教育業(yè)的語義理解等；計算機視覺（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）應用，如汽車中的智能交互、營銷圖文物料、服務業(yè)中的內容生產(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)應用前景分析
1.大模型在汽車行業(yè)應用潛力
當前汽車行業(yè)已進入數(shù)字化與智能化發(fā)展階段，AI軟件逐漸成為新汽車時代的重要支撐技術。汽車產(chǎn)業(yè)具有主體多、涉及領域多、流程復雜的特點，正是大模型當前及未來應用的重要領域之一。
對于大模型在汽車行業(yè)的應用場景和應用價值，我們可從“用戶感知程度”和“AI軟件影響潛力”兩個維度來判斷分析。如圖5所示，應用場景可分為產(chǎn)品與技術、用戶服務運營、企業(yè)經(jīng)營管理三大方面的6個細分領域。其中，產(chǎn)品及技術方面包括智能化體驗、技術研發(fā)創(chuàng)新、產(chǎn)品設計，大模型的應用價值將率先體現(xiàn)在智能化產(chǎn)品提升與技術研發(fā)創(chuàng)新上，這是行業(yè)當前重點關注領域；服務運營是用戶感知程度較強的領域，其中營銷、售后、城市出行等場景均可利用大模型進行賦能；在企業(yè)經(jīng)營管理方面，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，通過彌合數(shù)據(jù)流斷點、提升自動化程度、優(yōu)化組織機制等實現(xiàn)企業(yè)經(jīng)營的降本增效。
圖5 大模型在不同汽車領域的應用場景分析
由上可知，大模型可賦能汽車行業(yè)多個領域，其能力不僅契合汽車各關鍵領域的發(fā)展需求，還可助力解決當前面臨的諸多問題，具有強大的應用潛力。如果汽車企業(yè)有效利用了大模型賦能自身各個環(huán)節(jié)，以突破創(chuàng)新和提質增效，將在市場競爭中對其他同類企業(yè)形成降維打擊之勢。
2.大模型在汽車領域應用的挑戰(zhàn)
盡管大模型在汽車行業(yè)應用的潛力巨大，但是由于汽車產(chǎn)業(yè)非常復雜，同樣面臨著巨大的挑戰(zhàn)。一方面汽車行業(yè)的復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)的獨特性又給大模型帶來了新的應用挑戰(zhàn)。
具體來看，大模型在汽車領域應用的挑戰(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)應用的主要挑戰(zhàn)領域
第一，在算法層面，由于汽車場景多且復雜，包括靜態(tài)和動態(tài)、用戶和機器、車內和車外、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)模型處理無法完成，因此對大模型同時處理不同模態(tài)數(shù)據(jù)的算法能力提出挑戰(zhàn)；同時汽車關乎人類生命安全，車規(guī)級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)有大模型生成的內容極度不穩(wěn)定，若出現(xiàn)錯誤又難以有效溯源，無法滿足車輛需求。蓋斯特咨詢認為，相比于通用基礎大模型而言，汽車AI模型開發(fā)應聚焦在細分用車場景和數(shù)據(jù)輕量化，打造更符合汽車場景的的汽車AI中模型或小模型，或許能夠有效地應對上述問題。
第二，在數(shù)據(jù)層面，面臨著數(shù)據(jù)來源少、質量差和數(shù)據(jù)安全等問題。首先汽車行業(yè)缺少大體量、高質量的數(shù)據(jù)，一方面不同企業(yè)的數(shù)據(jù)具有天然隔閡，另一方面沒有統(tǒng)一的標準，數(shù)據(jù)難以流通和使用，因此需要構建汽車行業(yè)專屬的數(shù)據(jù)開放平臺，促進數(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練需求，未來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)需要關注的重要問題。傳感器數(shù)據(jù)、地圖等信息涉及國家機密，國家對其管控嚴格；用戶數(shù)據(jù)涉及隱私安全，此類數(shù)據(jù)確權、開放共享的合法性存在爭議，國家及行業(yè)需要進一步明確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。若大模型應用到汽車上又有了新的挑戰(zhàn)。例如，GPT僅推理就需近3萬個GPU支持，日耗電量達50萬度。目前車端系統(tǒng)級芯片最高能提供2000 TOPS的算力，與大模型所需的萬級TOPS的算力需求相差甚遠，另外車端的電池也難以支撐大模型的運行能耗，因此大模型的算力應更多地部署到云端和邊緣端，即讓云端和邊緣端承擔大規(guī)模計算任務，同時芯片架構開發(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延（車端是10毫秒級），所以網(wǎng)絡通訊能力也需要進一步提升。
由上可見，汽車行業(yè)應用大模型所面臨的問題是全方位、多維度的，需要跨主體、跨專業(yè)、跨領域的分工合作，以推動其持續(xù)應用與發(fā)展。需要注意的是，大模型在汽車行業(yè)有無應用潛力，與能否取得商業(yè)成功是兩回事。目前國內發(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)價值回報尚未真正體現(xiàn)出來。汽車企業(yè)也在積極參與大模型的發(fā)展。蓋斯特認為，如果車企一味地“卷”底層基礎模型則會造成巨大的資源浪費。企業(yè)只有以需求為驅動，打造適合汽車不同領域的垂類大模型，并利用大模型促進汽車產(chǎn)品及服務一體化發(fā)展才是長遠之計。
3.大模型在汽車應用階段劃分
蓋斯特咨詢預測，大模型在汽車行業(yè)的應用將呈現(xiàn)出循序漸進的節(jié)奏，前期快速上車、積累場景與數(shù)據(jù)，之后隨著技術持續(xù)演進，中后期將不斷拓展應用范圍，并放大大模型的價值。
如圖7所示，根據(jù)大模型賦能汽車各應用場景的滲透時間與應用難度，可將大模型應用劃分為三個階段：
第一階段產(chǎn)品體驗賦能，大模型在智能化產(chǎn)品應用上快速落地，提升汽車產(chǎn)品的用戶體驗；第二階段企業(yè)降本增效，隨著核心技術積累，大模型賦能企業(yè)經(jīng)營全方面降本增效；第三階段社會效益創(chuàng)造，由于突破了技術迭代與應用落地的瓶頸，大模型覆蓋汽車行業(yè)的深度與廣度顯著提升，進而推動社會移動出行的發(fā)展。
圖7 大模型在汽車行業(yè)應用的不同階段
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、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中間件進行有效調整，提升資源調配管理效率。
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。
