盖斯特研报：大模型的本质及其对汽车行业的影响（下篇）

大模型在汽车行业的典型

应用场景

对于汽车产品、技术和服务中的难点问题，应用大模型或可得到突破性解决方案。例如，当前汽车智能化产品体验面临两个突出问题，一是自动驾驶的长尾问题，二是座舱交互系统智能化的程度低。对于前者，大模型赋能核心在自动驾驶算法上；对于后者，大模型可以为用户提供主动式、个性化的交互。下面详细分析大模型的四个典型应用场景以及其带来的影响。

1.大模型彻底改变智能驾驶方案的底层逻辑

大模型智能驾驶方案在本质上是把传统的自动驾驶算法变为“场景-车辆控制”全流程的端到端模型，真正实现感知规划一体化，可以说是彻底改变以往智能驾驶方案的底层逻辑。

传统智能驾驶方案采取预设规则的模块化方案，即感知-决策-规划的流水线流程，众多子模块对应单独的任务和功能，基于预设规则的算法进行判断，即使部分模块引入神经网络，仍存在多个编解码、输入输出环节。该方案模型冗余，各模块均需专门训练、优化和迭代，且模块间环节繁琐。同时对摄像头、雷达、高精地图等传感信号需求高，而且主要针对感知模块的图片信息进行训练。所以在性能方面存在信息损失和级联误差，同时难以有效处理长尾场景问题。但是这种方案可解释强，便于问题回溯，也易于调试。

图8 智能驾驶方案逻辑对比

相比之下，基于大模型算法架构的端到端方案，即感知-决策-规划一体化模型，更接近人的驾驶思维，由感知信息直接生成控制信号。也就是说，传感器采集到的信息直接输入神经网络算法中，经过处理后直接输出命令。这种模型聚焦，研发针对单个大参数量模型进行整体训练，虽然训练要求高，但功能聚焦。另外对传感信号需求较低，可降低硬件成本，支持以视觉感知为主，需要对含有驾驶行为的视频信息进行训练。

从性能上，大模型方案可大大降低级联误差，提升系统性能的上限。同时由于大模型强大的泛化能力，端到端方案可提高罕见场景下感知决策的准确率，有效解决长尾问题。但是这一方案的可解释性差，由于是黑盒模式，当出现错误时难以溯源。

当前已有多家整车企业基于大模型架构推出城市NOA（城市导航辅助驾驶）解决方案，例如特斯拉、小鹏、理想汽车等。今后随着大模型算法及应用场景的持续迭代，将有效促进高阶自动驾驶方案的实现。

2.大模型颠覆了以往的人机交互架构

大模型凭借强大的通用预训练能力，为人机交互带来更加智能、更加灵活的架构方案。如图9所示，传统的汽车座舱人机交互架构是基于人为预设流程进行，不论是AI嵌入模式还是AI助理模式，其输入和输出均须遵循预设的规则，例如早期的智能语音助手只能识别固定的语句。以前AI算法经常被用于某个或多个环节以提升效果和效率，例如用深度学习提高模糊语音识别的准确率，但在本质上还是人告诉AI“怎么做”。

图9 人机交互不同模式对比

而以大模型实现端到端全流程的交互决策架构，人只告诉AI我们所需的结果即可，机器在大模型强大推理与生成能力下可直接自主完成全流程任务。例如面对单模态的指令——“路上怎样充电最方便”，或者多模态需求——“营造一个安静的午休环境”等，大模型可充分理解和判断用户的需求，并做出决策和反馈。大模型应用在人机交互中，彻底改变了人类与计算机之间的交流方式，也改变了开发范式，将推动人机交互应用从指令式智能向交互式智能发展。

3.大模型驱动生成式技术研发模式诞生

大模型在技术研发方面的应用主要在智能化模式变革上。我们以电池材料开发智能化为例具体说明。

电池开发涉及材料研发、电池设计、系统组装、测试验证等内容，复杂且要求高，传统方法存在周期长、成本高、人力投入大等问题。不同类型的大模型可根据电池研发流程特征，实现有针对性的赋能。

图10 大模型在电池开发流程中的

应用

在电池材料研发阶段，通常需要通过大量的实验试错，成本投入大且效率低下，而化学材料模型库可对海量材料数据进行高效地挖掘和分析，筛选出新材料、模拟不同组合，大幅提升材料创新的效率。

在电池设计阶段涉及参数多，结构复杂，难度较大；同时，系统组装阶段的影响因素多，对最终工艺质量及效率要求高。因此可以借助仿真大模型和模拟分析大模型，模拟电池内部的物理化学过程，预测电池性能结果。另外，还可高效筛选和优化工艺参数，并进行模拟评估，来优化电池设计，提升系统的整体性能。

在测试验证阶段，对数据分析、BMS软件系统开发要求高，而数据大模型可对电池工作状态、寿命等进行分析预测；编程大模型可自动生成软件代码，有效提高测试效率。

可以看出，大模型应用在电池开发流程中的核心目的是提质、增效和降本，大模型将推动电池智能开发加速落地。

4.大模型助力用户运营服务生态创新

与传统汽车相比，智能汽车在用户服务上有着很大程度的拓展和升级，现在导入大模型可助力突破数据壁垒，为服务产业链赋能，带动用车服务生态整体创新增长。

在服务资源生态方面，大模型是满足用户用车体验的充分支撑：一是基于大模型开发的智能售后助手是故障预测、维修知识专家，可随时提醒维修商和用户注意车辆状况；二是基于AI语音助手的智能客服，可与用户全天候互动，打造高质量服务体验；三是大模型助力智慧出行服务生态打造，包括智能充/换电补能、汽车共享、路线选择、一体化出行服务平台等。

在应用开发生态方面，即在开发者生态中，大模型是面向用车场景、实现多样性和开放性的重要支撑。一是，大模型降低了软件开发门槛，为开发者提供丰富、低编程能力要求的开发选择，甚至根据需求自动生成可用的代码，从而加速开发者生态发展；二是，大模型基于用户数据驱动的OTA升级决策，可高效分析用户在应用端的使用数据，判断各项功能的优劣势，从而实现数据驱动的OTA精准升级；三是大模型凭借其强大的数据标注和处理能力，能够更好地分析用户偏好，为用户提供符合其使用习惯或兴趣爱好的个性化、差异化服务。

对车企布局大模型应用落地的

策略建议

1.车企布局大模型技术应用的总体原则

盖斯特咨询认为，基础通用大模型的开发难度高、投入巨大，车企在这方面没有足够的基础，投入产出性价比低。所以车企布局大模型的总体原则是：将大模型与自身业务场景、数据有效融合，充分发挥出大模型的价值。

具体来说，车企应具备大模型的思维理念，通过合作有效引入外部通用大模型能力，同时逐步培育自身的AI核心能力与基础能力支撑，建立自身业务数据库，不断训练、迭代专属的业务模型，探索生成式研发创新模式（详见图11）。即车企通过产业分工协作，将大模型的能力不断深入在自身业务的应用场景，最终构建企业生成式研发模式，赋能产品颠覆性创新。

图11 企业大模型应用及创新体系

2.车企在大模型技术生态中的角色定位

在汽车行业大模型生态中，面对众多的发展挑战，各方须以长远视角、用专业化分工模式推动大模型价值实现。其中，大模型开发企业应重点开发汽车垂类场景模型，并与平台开发方深度合作，基于模型原子能力开发服务应用；芯片企业提供大算力SoC芯片，云服务商则提供云端算力资源。随着汽车行业大模型生态的日趋成熟，将构建出行业大模型平台，支撑各类资源设施的共享。

图12 汽车行业大模型产业生态图

车企作为数据提供者，直接面向用户，拥有场景数据，至少应掌握需求定义与功能应用的能力。未来有实力的车企可参与不同细分领域大模型的联合定义与开发，与大模型开发企业形成伴生式合作关系，通过不断积累的数据反哺场景模型迭代升级，共同打造更符合用户与产品差异化定位的垂类场景模型。

3.车企布局大模型应用的分阶段策略

车企布局大模型的目的并非自研大模型的开发能力，而是如何通过自身能力积累，与内外部资源合作，最终将大模型的潜力与新汽车发展充分融合。因此，车企必须瞄准不同时期的落地目标，制定分阶段的大模型布局规划：

首先，近期策略是“能用起来”：车企应以智能化产品为切入点，实现大模型功能的快速上车应用，通过快速提升产品体验，加深用户感知度。

其次，中期策略是“用得更好”：车企不断储备积累相关软件算法能力，在研发、营销、售后、管理等环节引入大模型应用，将大模型的能力由前台不断向中台、后台逐渐渗透，提升大模型应用的广度和深度。

最后，远期策略是“共同发展”：车企深度参与生态建设，与各方充分协作，推动汽车行业大模型的整体发展。随着技术应用持续丰富，商业价值逐渐显现，大模型也将成为推动车企长期持续发展的重要手段。

4.当前车企布局大模型的具体举措

现在正处于大模型渗透入汽车行业的初期阶段，车企应通过与生态中其他主体的合作，快速打通智能化产品与大模型能力之间的连接通道，为大模型上车进行能力布局。

第一，在软件应用层上，当前车企对于模型及平台至少掌握定义能力、选型能力，能够根据自身功能需求与资源支撑，从大模型开发企业选择合适的场景模型。同时在车端软件应用设置相应的接口，与开发方提供的大模型服务接口对接。例如根据电子电气架构和智驾能力需求选择合适的感知、决策或端到端算法方案，并在自身智驾系统中设置合适的接口来引入大模型能力。

未来随着车企自身能力的积累，车企尽量掌握针对大模型的软件适配性开发能力，包括车载OS、应用软件等，以最大化发挥大模型的赋能价值。例如根据大模型算法对OS中间件进行有效调整，提升资源调配管理效率。

第二，高需求算力作为大模型落地的关键支撑，车企需要在云端和车端进行合理的部署规划。如前所述，智能汽车的算力部署原则为云端大算力+车端小算力的组合模式，因此当前车企在云端算力部署可选择互联网科技企业的“公有云+私有云”服务方案，或建立专属的超算中心，实现大规模的数据处理；车端则以现有大算力芯片和计算平台为主。

未来以云端为主要算力部署的趋势不会变，随着模型迭代与数据量的增加，各端算力要求将逐渐增加，尤其是GPU（图形处理器）及异构计算能力，而针对大模型算法进行开发的芯片方案将成车企的重要选择。同时，对车云一体架构的协同效率需求将提升，实时通讯能力也需要提高。另外车端数据训练和处理的标准需进一步贴合云端。

由此可见，大模型应用于汽车将进一步放大企业对算力基础设施的需求，车企在关注AI硬件资源的同时，需要提升配套软件及整体架构的能力支撑。

总结

综上所述，大模型的本质上是AI能力的跃迁，其将驱动社会各行业发生颠覆性变革。但是大模型在不同行业的应用价值有所区别，汽车行业正是当前及未来大模型应用的重要载体。大模型将推动汽车多领域变革，拥有巨大的应用价值与潜力，大模型将成为引领新汽车时代发展的重要驱动力之一。同时大模型在汽车行业应用也面临全方位、多维度的挑战，其中既有大模型自身的局限，也有汽车行业赋予其的独特挑战。但是大模型渗透入汽车行业势不可当。盖斯特咨询预测，汽车行业大模型应用将经历三个发展阶段：产品体验赋能、企业降本增效和社会效益创造。

当前众多企业纷纷布局大模型，均希望利用大模型赋能自身业务，由此引发了新一轮的市场竞争浪潮。盖斯特咨询认为，车企应主动地、尽早地寻求改变，抓准自身立足点，通过能力储备与生态合作，充分发挥大模型的赋能价值。

重点建议总结有三点：一是，车企必须充分认识到大模型上车应用的价值，从产品体验、技术研发创新、经营管理等多维度进行赋能，对其他企业形成综合竞争力的优势；二是，车企的目标不应是自主开发大模型，而是大模型赋能价值的最大化。因此车企布局大模型策略要以产品体验和用户感知提升为龙头或牵引力、以数据为驱动，通过大模型提升软硬件的综合能力，更好满足新汽车时代下的用户需求；三是，车企需要积极参与大模型生态建设，与其他主体充分协同共创，在合作中不断积累和储备软件算法核心能力，持续提升大模型应用广度与深度。