走红后，大模特的热度不减，逐渐形成“千模大战”的局面。 前两个月，百度、阿里、腾讯加入； 5月，网易有道首次发布基于“子阅”模式开发的AI口语老师剧透视频，介绍其基于教育场景的产品； 还有科大讯飞，发布了大型认知模型“讯飞星火”……总之，大大小小的各种发布会，都在向外界证明着他们有多大的想象空间。
随着大型模型开发的如火如荼，其产业化也被越来越多地提及，此前炒作的“AI+”再次站在了风口浪尖。 在此背景下，AI大模型在汽车领域的应用也开始飙升。
目前，虽然用大车型重构各行各业已成为行业共识，但“上车”的速度比预想的要快得多。 汽车作为家庭、办公之外的“第三空间”，正在成为新型智能终端。 到来之后，车与机的关系也受到了比较大的影响。
一是对自动驾驶的影响。 业内人士分析，大模型具备海量数据处理能力和多维度分析能力，可以提供更加精准、全面的数据分析和预测能力，不断优化模型，提高智能驾驶的准确性和可靠性。 尤其是随着 的出现，人们发现当模型的参数量达到一定程度时，所呈现的效果并不是“性能更好”，而是“出奇的好”。
具体到应用层面，大模型对自动驾驶的影响是：在云端，车企可以利用模型参数大容量的优势，通过大模型完成大部分数据标注和数据挖掘工作，节省数据标注成本，并能够借助模拟场景来构建授权。 在车辆侧，可以将负责不同子任务的小模型组合成一个大模型，节省车辆侧的推理计算时间，提高车辆安全性。 最重要的是，被认为是自动驾驶算法终点的端到端感知与决策融合算法的瓶颈，在汽车接入大模型、升级后可能会得到有效解决。自动驾驶算法的成熟指日可待。
二是对汽车智能座舱的影响。 车载语音助手可以处理完整的对话，比如提问，并且可以保持对上下文的理解，形成比较好的语音交互体验。 例如，微软和奔驰探索的插件生态系统为第三方服务集成提供了可能性。 未来，驾驶员有望通过车载系统完成预订餐厅、电影票等任务，进一步提高便利性和生产力，极大丰富智能汽车与人的交互体验。
此外，在改变智能驾驶和智能座舱交互能力的情况下，也将对汽车的研发方式和商业模式产生新的影响。 在研发方式上，由于机器的高效标注能力，需要一年的数据标注任务只需几个小时，研发周期大大缩短。 而且，多模态（视觉、语音、手势等）的丰富数据可以进一步提高整体研发效率，降低研发成本。 就商业模式而言，车载AI语音交互具备情商后，将从“雇佣关系”演变为“陪伴关系”。 它将更好地了解人们的喜好和习惯，从而带来新的商业价值。
或许正是出于这样的意识，现在越来越多的车企选择接入AI大车型。 除了国外奔驰宣布，国内理想汽车也发布了大型自主研发车型。 未来，“梦想被窒息”的法拉利也在新车中融入了大型车型。 不难预见，未来智能汽车将普及大型车型，这将是大概率事件。 从整个参赛车企来看，他们发展大型车型的方向和重点并不相同。
从功能上看，可分为以下两类：一类用于人工智能通信对话领域，大部分用于智能座舱。 例如，百度文心一言，东风日产、红旗、长城等近十家车企已宣布接入； “会诊”、“如影”与驾驶舱的结合； 阿里巴巴还宣布，AliOS智能汽车操作系统已接入统一钱文大车型进行测试。
另一类是专注于智能驾驶的大规模模型应用。 例如，陌陌智行发布了自动驾驶的生成式大型模型，帮助解决认知决策问题，最终实现端到端的自动驾驶。 理想汽车自主研发大型模型，摆脱对高清地图的依赖，让汽车更接近人类驾驶员的驾驶性能。 蔚来、小鹏、长城、奇瑞也注册并申请了多个与GPT相关的商标。
从参与者来看，可以分为两类：一类是车企自己做，比如理想汽车、百度，将自己的大型车型应用到自己的汽车产品上；另一类是车企自己做，比如理想汽车、百度，将自己的大型车型应用到自己的汽车产品中； 另一种是外部厂商为汽车提供大型车型。 华为盘古大模、百度文心一言等企业，被其他车企采用。
与通用大规模模型相比，垂直领域的大规模模型训练和使用成本更低，可能成为更容易实现商业化的领域。 业内人士分析，汽车有明确的交互需求，与通用大型车型相比，垂直领域的应用场景相对较小，对参数的量级要求也不如通用AI那么大。 因此，无论是传统车厂还是新势力，还是大型科技厂商，普遍认为智能汽车最有可能成为第一个实现大型车型落地的B端场景。
从目前来看，尽管首次“上车”已经拉开了智能汽车领域大型车型竞争的序幕。 但现阶段距离大模型的真正规模化还有很长的路要走。
首先，多模态数据的采集、处理和训练本身就是车企构建大规模模型的难题。 自动驾驶所需的传感器数据包括激光雷达、毫米波雷达、超声波雷达，以及高清摄像头、GPS等，这些数据来自不同的坐标系，触发时间戳不同，硬件损坏等问题必须解决予以考虑； 同时需要大量的场景数据，如交通标志线、交通流量、行为模型等，这使得大型汽车模型的开发和训练门槛非常高。
业内人士认为，车型数据移动化管理需要用到智能网联汽车、计算技术平台、云控制技术平台等多个平台，只有能够做到海量数据聚合，尤其是在垂直领域，这与其他领域不同。车内系统。 这是不一样的。 如果基础平台能力不能开放，就很难向更深层次发展。 此外，生成式AI虽然在信息获取方面取得了突破，但在决策和执行控制方面距离在汽车上落地还很远。
另外，端到端的AI大模型训练需要基于智能汽车中的AI大模型构建新的算法，这也需要一个过程。 业内人士认为，这至少需要3-5年甚至更长的时间才能完成。 一个过程。
其次，受限于车载设备的硬件条件，车内大型车型所需的硬件配置可能会受到限制，难以有效发挥良好的作用。 具体来说，大型模型需要高标准的硬件配置，包括高性能计算能力、大容量内存、低延迟等。 然而，车载设备的硬件条件相对有限，无法提供足够的计算资源来支持大型模型。 例如，自然语言处理领域的GPT-3模型需要数万亿TOPS的算力。 这就要求芯片的计算能力至少要在以上，才能够处理大型模型的计算任务。 但在车载部署场景中，芯片的算力往往只有几百TOPS，远远不能满足大型模型的要求。
在此背景下，升级汽车算力基础设施已成为必然趋势。 目前来看，智能计算中心或将成为未来智能汽车的“标配”。 例如，特斯拉发布了独立云计算中心Dojo，总共使用了14000块 GPU来训练AI模型。 在国内，小鹏汽车与阿里云联合打造了智能计算中心“福耀”，专门用于自动驾驶模型训练，计算能力可达； 雪湖。 “绿洲”，每秒浮点运算可达6.7万亿次。不过，这些建设还处于探索应用阶段，大规模模型大规模应用的时机尚未完全成熟。
目前，AI模式对汽车最本质的改变可能是它将进一步驱动汽车，从制造的属性转向科技+消费电子的属性。 在此背景下，车厂本身的底层技术能力将成为未来成功的关键。
一方面，AI大模型将重新定义“人机交互”和“服务生态”，加速汽车应用服务生态电子化消费，从而改变底层产品定义。 目前的车载语音系统底层是不成熟的任务型对话系统，无法真正实现个性化、情感化、自由化的交互能力。 然而，大型模型可以利用深度学习+语音生成来迎来开放场景+自然交互。 全新的人机交互体验。 同时，在研发设计方面，随着大型车型的操作系统化，传统APP上载、触控功能、HMI交付的必要性和重要性值得思考，这意味着汽车“产品”的重新定义。
正如前华为自动驾驶产品部总监苏青所说：“传统汽车厂商认为我的底座首先是汽车。现在有一些单点的计算机。然后我以汽车为底座，尝试嵌入计算机。这是传统的汽车厂的看法。我们的看法不同。基础是计算机，汽车是计算机控制的外围设备。大型计算机完成工作，汽车附属于届时，汽车的计算中心、智能化、消费电子属性将变得更加明显，其产品定义将遵循消费电子底层逻辑（如APP、生态服务等）迭代演进。
另一方面，AI大模型将改变汽车现有的算法。 考虑到大模型应用所需的硬件成本和外部环境，未来国内企业大模型的技术实力将更多地依赖于AI操作系统等底层技术。 具体来说，汽车原有的自动驾驶算法更多依赖于人工，但接入大模型后，需要依靠大模型来驱动形成新的智能算法。 打造这样的算法，除了做出好的产品之外，还需要平台化。
比如围绕芯片、云等的计算平台需要低成本、标准配置； 有了好的产品，才有足够的销量，有了足够的销量，才能增加“端到端”的闭环数据（从云端到车端）； 作为大算力的AI芯片的基础支撑生活网消息，也需要重新考虑车企自身的情况。 谁会跑到前面。
以的训练芯片为例。 一颗芯片被炒了10万元。 关键是这种高成本的芯片训练方案对于车企来说并不是最佳方案。 而且，受外部制裁影响，这种“外部供应依赖”随时可能被掐断，非常脆弱。 因此，从长远来看，车企想要在这一领域走到行业前列，就必须加大底层芯片自研力度，降低采购成本，比如百度自研的AI芯片，或者改进人工智能算法和操作系统。 寻求突破，寻找最佳的应用路径。
本网站转载其他媒体之作品，意在为公众提供免费服务。如权利所有人拒绝在本网站发布其作品，可与本网站联系，本网站将视情况予以撤除。
Copyright © 2017-2018