近年来，人工智能领域蓬勃发展，已经逐渐渗透到我们生活的方方面面，特别是在2020年ChatGPT（GPT-3）面世以来，各类优秀的大语言模型如雨后春笋般地出现在公众视野，并以一种势如破竹之势影响了各行各业的业态。
大语言模型（Large Language Model, LLM）是指通过深度学习的人工智能技术训练的大规模自然语言处理模型。它们通过在大量文本数据上进行训练，学习语言的结构和语义，从而能够执行多种自然语言处理任务，如文本生成、翻译、问答、摘要和对话等。常见的知名大语言模型有ChatGPT-4（OpenAI）、文言一心（百度）、通义千问（阿里巴巴）等。
大语言模型“上车”加速
汽车产业也在不断探索人工智能，以人工智能为主导的智能化竞争力已成为汽车产业和企业新的发展高地和战略支点。特别是大语言模型，在提高汽车研发效率和提升用户体验方面取得显著效果。
目前大语言模型的主要应用场景有：
1. 集成到车载语音助手，为用户提供更加智能的人机交互体验，如更加精确的车辆使用、故障排查相关建议；
2. 软件代码的自动编写，提升软件开发效率；
3. 自动生成各类测试用例，覆盖更全面的测试条件和测试场景，提升测试效率；
4. 构建企业专用的内部知识库，便于员工查询办公和技术信息，提升企业生产力；
5. 帮助自动驾驶系统理解更加复杂的交通场景和自然语言指令。
人工智能+燃料电池系统软件开发
人工智能已经在诸多专业领域展现了令人惊叹的潜力。在燃料电池领域，无论是基于用户的自然语言指令，生成越来越长的高连贯和高逻辑文本，还是以此为基础，生成图片、视频等多模态内容，人工智能正在推动燃料电池技术研发按下“加速键”。
作为燃料电池系统“最强大脑”，控制器的强大和功能丰富来源于软件技术的优化和管理，对提升燃料电池经济性、耐久性、动力性及可靠性起到至关重要的作用。本文基于大语言模型，展示了人工智能在燃料电池软件开发领域的应用实践，并进一步促进相关技术的探索和发展。
01 软件测试
快速精准生成测试用例
自动化测试需要软件测试人员投入大量精力编写和维护测试用例，捷氢科技团队研究利用智能体解决复杂的测试用例设计问题。
借助大语言模型强大而高效的文本阅读理解能力，结合燃料电池系统特性，创建适用于燃料电池系统软件测试的智能体（Agent）[1]。智能体通过分析软件需求语言，自动生成和评估测试用例，极大地减少人工干预，并避免人工错误和疏漏，提高生成测试用例效率，确保输出的准确性和高覆盖率。
在软件测试过程中，将测试用例导入自动化测试软件，实现软件测试快速执行和报告生成。实践证明，应用大语言模型后，捷氢科技燃料电池系统软件测试效率提升40%以上，并高效扩充2600多条测试用例，全面提升了燃料电池系统在不同场景下的软件测试能力。
02 软件开发
新思路下的开发模式
理解用户需求，设计出满足需求的软件架构和功能，是软件开发中最核心、最具挑战性的部分。捷氢科技燃料电池系统控制软件采用基于模型设计的软件开发方法，通过引入大语言模型，助力MATLAB/Simulink平台加速软件模型开发。
通常有两种方式实现软件模型自动生成：
模型+代码
由大语言模型生成MATLAB算法脚本，经软件工程师调试确认后，在Simulink中使用模块调用该脚本运行使用，缩短开发时间。
全模型
由大语言模型生成包含创建Simulink模型命令的MATLAB脚本，经软件工程师调试确认后，在MATLAB中运行该脚本，即可自动创建Simulink算法模型，经简单调试便可运行使用。该开发过程实现模型统一，便于后期维护。
在新思路的开发模式下，燃料电池系统控制软件的开发速度明显提升，扩充了软件模块库资源，为燃料电池系统控制产品的功能迭代提供了有力支撑，并适用于捷氢科技全系列燃料电池系统产品。
03 算法工厂
全生命周期软件开发数据中心
算法工厂是捷氢科技面向燃料电池系统全生命周期打造的软件开发数据中心，实现了软件开发闭环，核心是助力“软件算法+燃料电池系统+整车动力系统”的协同作用发挥出最优效益。大语言模型的应用，助力算法工厂快速搭建、快速扩容、高效灵活处理数据、训练加速等，并形成数据闭环。
算法工厂搭建阶段
算法工厂主要由测试平台、车辆平台、开发平台三大部分组成，燃料电池系统功率从25~260kW，涵盖乘用车和商用车多款车型，覆盖网约车、公交团客、物流环卫、工程机械等多种应用场景。
同时，采用大语言模型，算法工厂具有高效灵活性，能够更好地协调和管理软件开发资源，提高效率和质量。
算法工厂运行阶段
系统性能优化：算法工厂可实现高效灵活处理、筛选和分析大量燃料电池系统测试数据和整车运行数据，提供准确深入的分析报告。针对存在问题的数据，如系统故障诊断功能等，算法工厂进行软件更新及实施效果跟踪，从而提高燃料电池系统效率和寿命等关键指标，保障系统可靠性和稳定性，满足不同场景需求。
先进算法应用：算法工厂针对处理后的数据进行训练，将训练得到的控制模型转换成C代码运行到燃料电池系统控制器中，用于模型预测控制[2]或作为传统控制算法的补偿。例如，使用训练模型对燃料电池系统运行时的各传感器参数进行预测，从而在机理模型基础上叠加数据驱动的预测，实现更加精确有效的系统控制。
从系统开发到整车运营，算法工厂通过持续采集数据，结合上述算法优化方法，不断优化算法模型，从而推动算法迭代进步，形成高价值数据闭环，以达到系统性能（效率、寿命等）的最佳优化和快速响应，保证整车在不同场景中运行可靠，优化全生命周期经济性。
随着燃料电池汽车规模化快速发展，软件自主研发与创新在提升系统性能和成本有效降低等方面愈发重要。大语言模型等人工智能技术的出现，为软件开发领域带来更多便利和效益，上述应用实践是捷氢科技在深化产品质量方面的一次创新性探索，为经济高效的整车集成一体化解决方案奠定基础，为不同场景客户带来优质产品体验，实现可持续发展。
[1] 智能体（Agent）：指能够感知环境并采取行动以实现特定目标的实体。它可以是软件程序、机器人或任何能够自主决策和学习的系统。在大语言模型领域，智能体指的是利用语言模型执行特定任务的系统或程序。
[2] 模型预测控制（Model Predictive Control, MPC）：利用动态模型来预测未来一段时间内系统的行为，从而达到提升系统性能的一种先进控制策略。
“氢视野”专题往期回顾
