大模型上车，可能比你想象的更重要

see122

此前，多名专家表示，生成式AI是下一轮经济发展、企业竞争的新生产力。从全球范围看，未来10-20年甚至更长时间，AI是国内外共振的科技产业趋势之一。而大模型就是AI掀起科技变革的最核心工具之一。

特别是在当前的汽车行业，大模型正以前所未有的速度加快融入，成为推动产业升级的重要引擎。

有一线高管指出，从自动驾驶、智能座舱、汽车营销与销售再到企业数字化，大模型的深度应用不仅提升了智能驾驶的便捷性与智能性，更重新定义了人与车的关系，开启了汽车智能化的新时代。

但某种程度上，很多车企还没真正认识到大模型上车的重要价值，因此行动迟缓。

为此，中国电动汽车百人会发布调研报告《大模型在汽车领域的应用与发展建议》。报告指出，大模型对汽车智能化发展的价值正在凸显，汽车行业的根本是制造业，大模型创新发展的速度远远超出了汽车产业，两个产业融合会对汽车产业产生深刻甚至颠覆性的影响。汽车行业需要从战略上刷新认知，顺应技术发展趋势，加快拥抱和接纳大模型的速度，充分利用大模型加快汽车产业智能化发展的步伐。

大模型对汽车智能化发展的价值正在凸显

汽车是大模型应用探索的绝佳载体。电动化和智能化的跨越式发展，使得汽车在机械属性基础上增加了科技属性和消费属性，成为前沿创新技术的最佳集成器。未来评价汽车主要关注的是其技术创新和产品创新的“价值”，是其能否充分承载大模型的技术特性和优势。另外，汽车的全生命周期包括研发、生产、销售、使用等众多环节，涉及大量数据和复杂决策过程，应用场景丰富，这为大模型的应用落地提供了广阔空间，具有显著的示范性与引领性。

大模型将推动汽车成为超级智能体。大模型以算力为基础、数据为资源、算法为放大器的技术范式具有马太倍增效应，已经产生出智能涌现的特性，可以在自动驾驶、智能座舱等多方面提升汽车的智能化水平，且能快速迭代，带来新的价值增量。例如，特斯拉FSD V12率先使用端到端技术并实现数据闭环，人工代码由30万行缩减至3000行，从V12.3.1到V12.3.5的四个版本迭代仅用15天。

大模型甚至有可能推动智能驾驶汽车变革为“人工智能汽车”、成为超级智能体，让汽车能够不断从周围环境中积累数据并自主改进和优化自身表现，主动适应各种驾驶环境和交通状况，提高驾驶的舒适性和安全性；也可以帮助汽车理解人类的语言和手势，并通过语音、灯光或屏幕等方式与人类进行高效沟通。

大模型以革命性的方式改写汽车全生命周期的价值创造。大模型将会颠覆汽车行业原有的生产方式，重塑整车设计研发、生产制造、市场营销、售后服务、供应链等各个环节，推动整个制造链条的产业化、数字化升级。

一方面，用户与车企的关系更近了。大模型会成为车企掌握直面用户的流量入口，帮助车企在需求定义、用户运营、产品升级等各个环节，抓取每一个用户的个性化需求，以提供千人千面的产品迭代和服务拓展。如极越汽车依赖大模型打通了用户用车的问题搜集、数据反馈、工程师处理的自动化闭环，极大提升了组织效率。

另一方面，汽车的设计与生产方式也得到了革新。目前小鹏、极越等车企30%以上的软件依赖于大模型自动生成。此外，大模型还为科技公司赋能汽车产业增加了一条清晰可行的路径，进一步促进了人工智能、信息通信等与汽车产业的融合，加速产业格局重塑。

大模型已开始在汽车全生命周期落地应用

大模型能够重构自动驾驶技术架构并产生常识性思维，提升自动驾驶的智能性与安全性。基于机器视觉的自动驾驶更多关注的是感知精度、长尾问题等，但实际总会出现未知的场景，让汽车的智能化停留在辅助驾驶阶段。借助Transformer神经网络，自动驾驶分模块的小模型可以集合成一个全栈神经网络的大模型，减少从传感器到执行器的信息损失。神经网络参数达到百亿时，训练精度就会非常高，并能够通过学习海量数据无限逼近人类驾驶行为，解决智能驾驶的智能性、安全性不足等问题。

未来，大模型基于涌现效应形成常识思维，能够让汽车成为真正的智能体。模型通过对海量数据的学习，对世界形成全面的常识性理解，并超出绝大多数人的片面认知。车辆行驶时模型判断出错的概率比普通人低得多，选择安全方案的几率更高。例如，能够区分出“可以撞”的塑料袋和“不能撞”的石头。

多模态、个性化交互提升座舱智能化体验。人机交互方面，大模型将传统的基于内容匹配规则的交互方式，转变为自然语言交互模式，提升了交互的自由度、真实性。使车机智能助手对驾驶员的交互意图理解更加准确，驾驶体验更自然、更人性化，甚至能够实现电影《钢铁侠》中贾维斯的效果。

车机应用方面，随着车机屏幕越来越大，人工设计车机壁纸成本较高，利用大模型可以快速生成质量比较好、千人千面的壁纸，使车机壁纸常用常新。也可以利用大模型依据音乐的意境自动生成MV，给驾驶员创造全新的视听体验。

此外，大模型还可以打通第三方信源，与导航地图、手机互动，提升本地化生活服务体验。

重构自动驾驶数据工具链、生成数据资产。一方面，大模型能够提升海量数据的自动化标注效能。以视频标注为例，先用海量未标注的数据预训练一个大模型，然后用少量已经人工标注好的数据对模型进行微调，使得模型具备检测能力，实现自动标注过程。这样就避免了人工处理效率低、数据一致性差等问题，后续也可以通过“自动标注+少量人工查缺补漏”的方式，提升数据利用的有效性。大模型还可以将视频高效地提取出来，形成文本并完成多模态的检索。项目管理人员直接采用文本对话方式，就能把想要的所有视频检索出来，实现异构数据的精准、快速定位。

另一方面，大模型能够合成数据并生成场景。在真实场景数据基础上，通过改变视角、光照、材料纹理、材质等方法生成各种高真实感数据。不仅可以将已有的轿车数据复用到新的SUV车型上，通过视角变化模拟变道、绕行、调头等各种车辆驾驶行为，加速产品快速迭代；还可以基于已有路采数据，模拟交通参与物、车道、天气、路面的变化，生成新的场景数据，解决数据获取难、训练数据和仿真数据不足等问题。

为保证数据的可控性，可将3D结构、环境、运动、物理规律等约束条件加入到仿真引擎里，再对合成数据进行仿真校正，降低因大模型“幻觉”问题导致的数据可靠性不足问题。

把控消费者需求，实现精准营销。基于大语言模型的语义理解和文本生成能力，可统计、分析社交网站、APP、企业侧智能终端等多维度数据，从底层优化营销策略，这也是最为成熟的应用场景。目前智谱华章、华为云等企业的大模型，已经在多家车企中应用。

销售话术层面，可自动提取客户标签，并针对性开展话术辅助，以提升销售管理精细度、线索转化率、社区活跃度等。例如，智谱华章的ChatGLM大模型可结合智能工牌，实时检测、分析销售人员是否存在不当言论或误解客户需求，也可以作为销售话术的辅助与陪练，帮助销售人员提升转化率。

用户画像方面，可以分析用户浏览记录、购买历史、社交媒体活动等数据，来提取客户的特征标签，如年龄、性别、兴趣、购买偏好等，以准确地了解客户需求和期望。在此基础上，也可为用户个性化推荐汽车产品或服务。将上述数据进行统计并输入基于数学规则的预测模型，还能帮助开展营销洞察、销量预测、库存优化等，反辅企业制定车型开发计划、生产排期等经营策略。

舆情分析方面，可以帮助企业分析社交媒体、论坛等渠道上的用户评论和反馈，及时了解用户对汽车产品、服务、品牌等的态度，发现并解决产品潜在质量问题、设计缺陷等，提升品牌形象和声誉。

智能客服方面，在对车企知识库数据进行定向训练后：能快速分析客户提问并生成回答，处理效率远超依靠纯规则所能达到的效果；能提高对用户问题理解的准确度和“提问-反馈”的匹配程度，即使用户反馈的问题不完整，系统也能够快速生成相似问法，解决问答库覆盖不全面、语义建模不准确等问题；基于多模态交互技术，还能进一步提升智能客服系统对用户上传的语音、影像、表格等内容的识别和理解能力，更精准捕捉关键信息，快速理解用户使用痛点。

沉淀汽车维修知识，提升维修效率和客户满意度。电动智能汽车售后维修需要专业的电气、电路知识，传统的4S店和维修商无法胜任，很多维修工作需要车企介入。借助大模型学习汽车结构、故障库等知识，可为车主提供维修保障提醒、维修方案管理、在线排故、智能推荐、故障处理推送、救援保障等服务；也可为一线维修人员提供知识推荐、知识检索等辅助工具，降低车企介入率及专家的培养时间。例如，华为NLP大模型能帮助车企降低维修介入率30%以上，并缩短售后专家培养周期。

提高质控和质检效率。企业积累的生产制造、零部件检测等相关数据，可用于训练零部件检验算法模型，实现整车测试与零部件检测的自动化、智能化。

后续还可以结合整车测试与零部件检测数据，对大模型进行优化，提高检测效率。再结合质检人员对检测结果的评价，基于人类的反馈不断强化学习技术，对算法模型进行持续调优，来提升整车测试效率与零部件不良品检出率。


来源：36kr