AI一路狂奔，距离ChatGPT诞生不过一年，中国就诞生了64个大模型，累计大模型数量达到130个，超过美国114个。

在通用大模型排位赛如火如荼进行的同时，围绕AI应用的行业垂直模型赛跑也已经陆续拉开帷幕。最近结束的联合国大会上，马斯克提到中国有潜力成为人工智能领域最领先的国家，也应该是看到了中国在大模型的应用层建设的徐徐铺开。

“AI定义汽车”概念，正在被汽车业界关注并重视，这其中，就不乏自主车企佼佼者长城汽车。

在刚刚过去的1024开发者节，长城汽车与科大讯飞达成了备受瞩目的战略合作协议。

长城汽车与科大讯飞强强联手意欲何为？

10月24日，长城汽车股份有限公司与科大讯飞股份有限公司签署了产业大模型及知识大脑战略合作协议。

长城汽车作为中国主要的汽车制造商之一，凭借哈弗、WEY、坦克、欧拉、长城皮卡五大整车品牌在各细分车型领域的市场持续渗透和强势发展，近年来在企业数智化转型推进上不遗余力，围绕数据一元化数智化战略核心，推进端到端流程变革等并取得阶段性的成果。

而科大讯飞的星火大模型，也有较深厚的的技术积累和应用案例。在1024发布会上，科大讯飞迭代推出星火认知大模型V3.0,根据国务院发展研究中心的国研经济研究院的横评报告，星火认知大模型V3.0综合能力超越ChatGPT。

根据本次签署的战略合作协议，长城汽车与科大讯飞将在AI大模型、企业服务、知识中台、数字化应用等方面展开深度合作，助力长城汽车搭建产业首个知识大模型—长城汽车知识大脑。

何为知识大模型？

AI大模型是“大数据+大算力+强算法”结合的产物，也被视为一个凝聚了大数据内在精华的“隐式知识库”。它包含了“预训练”和“大模型”两层含义，即模型在大规模数据集上完成了预训练后无需微调，或仅需要少量数据的微调，就能直接支撑各类应用。基于通用大模型，每个行业和每个企业都可以进一步去打造自己的垂直模型，增加其垂直领域的经验，知识和能力。

那么长城汽车的知识大脑，其实就是基于长城企业知识的AI大模型系统，结合长城汽车海量知识，训练企业级的知识大模型。

长城汽车知识大脑通过盘活企业内文档、数据、图片等各种形式的知识，辅助业务人员决策、研发工程师的设计工作和编程工作，并构建一套从知识生产、治理、学习、应用等完整闭环，实现大模型的自主学习，自我成长；另外长城构建了从数据、算力、算法、应用的一个完整的业务服务体系，结合长城各场景数据，迭代长城垂域大模型，使模型与领域适配的性能不断增强、范围不断增加，并通过建立企业专属知识库，以可信可靠的数据和知识，提高大模型输出的准确率。

不搞大模型的车企不是好车企？

大模型的如火如荼，让行业内颇有“不搞大模型的车企不是好车企”的感觉，但大模型能为汽车行业带来多大的想象空间，依然是目前需要讨论的问题，像图森未来CTO王乃岩就曾呛声“自动驾驶大模型是伪命题”。

目前，车企在大模型上车部分进行的探索，主要通过两种方式：一部分自建大模型，比如卢伟冰透露今年4月份小米正式组建了AI实验室大模型团队；理想汽车自研大模型MindGPT；广汽集团推出了广汽AI大模型平台；吉利汽车也表示首个全栈自研的全场景AI大模型搭载在吉利银河L6上。

另一部分则是走联合路线，比如小鹏联合阿里的大模型建立自动驾驶智算中心，斑马智行接入阿里大模型；福佑卡车与腾讯共同研发数字货运大模型等。

大模型争相“上车”，一方面是对于大模型来说，汽车是一个垂直领域，应用场景相对较小，对参数的量级要求也没有通用型大模型那么大。因此，普遍认为汽车最有可能成为率先实现大模型落地的B端场景。

但更关键的问题是，大模型到底能给汽车能带来什么样的改变和价值？总结来说，主要分为三部分：智舱、智驾和业务优化。

当前主流车企发力点都是交互领域，也就是智舱部分。目前车内主要使用的交互形式是“命令式交互”，就像语音遥控器，用户通过语音给车机发出一道指令，大模型加持下的智舱将具备出行场景对话式交互、逻辑推理、策略规划和知识问答等多项能力，让车内助手在未来有能力像真人一样跟用户交流，可以理解并满足用户在车内场景的深层次需求。

福佑卡车技术合伙人陈冠岭在与钛媒体App沟通时，从商用车的角度分享了交互形式改变的价值，他表示，福佑的大量用户是司机，司机在开车时跟福佑服务的交集主要是在司机的APP，但是APP的点击式操作并不太符合司机的实用性，而大模型本身是自然语言人机交互的，这更符合货车司机开车使用时的需求。

而在智驾部分的改变，最直接的是“工具链”的优化。以数据标注为例，众所周知海量的数据是无人驾驶的基础，行业通常采用大量的数据去训练自动驾驶算法，但人工标注成本高、效率低，而自动标注就是AI大模型赋能智能驾驶最直接的应用，能大幅降低数据标注的成本。旷视科技智驾业务总裁刘伟曾对钛媒体App透露，过去可能有12%的数据是人工标注，但预计接下来就会大幅下降。

在业务优化部分，其实就是让大模型能够尽快进入业务流程，降本增效。比如陈冠岭对钛媒体App介绍说，与腾讯的合作的端到端的OCR智能识别大模型能力就是针对物流证件识别、各类回单识别等场景实现了智能识别与自动处理，可以降低运营成本，提升服务效率。

对于具体的效果，他进一步介绍说，经过前期实践验证，针对多样式回单识别场景，经过少量样本训练，该大模型对图片字段识别准确率超过99%。图片信息综合识别匹配准确率超过95%，召回率比传统模型提高近20%。

智能驾驶 大模型上车还有很长的路要走

除了智能座舱，AI大模型在自动驾驶领域同样有着广泛的应用前景。大模型可以处理海量数据，同时具备多维度分析能力，可以提供更精准、更全面的数据分析和预测能力。保持对大模型的优化升级，就可以提高自动驾驶的准确性和可靠性。

许多专家学者认为，AI大模型在自动驾驶领域的应用将会成为未来智能出行的重要驱动力之一，为自动驾驶技术的发展和普及做出重要贡献。

但是，对于智能驾驶，业内普遍认为，大模型上车还有很长的路要走或者说挑战更大。

某业内人士对猫头鹰车志表示，大模型上车的主要障碍是算力和时间。现在训练一个文本大语言模型，就已经需要上万张的A100卡，如果再把图像信息也加进来，对算力的要求只多不少。传统的图像训练，百万帧级别，或许就能训练出一个小模型，但换作大模型再涉及到多模态的话，背后是要有数千万帧的训练量。业界对于这种多模态的大模型训练，包括文本和视频的对齐，还在探索阶段，还需要很长的时间去不断尝试，最终结果也无法确定。所以无论算力还是时间，背后都代表着需要大量的资金，需要非常有实力的玩家才能去做这件事情。

在业内人士看来，AI大模型的运行需要高规格的硬件配置支持，需要具备高算力、大容量内存以及低时延的特性。但现阶段车载设备的硬件水平虽然有所提升，但还无法达到支撑AI大模型运行的水平。即便目前蔚来、理想等造车新势力使用的英伟达Orin X芯片，已经是目前量产车中算力最高的芯片，但还远远达不到大模型的计算要求。

另外在数据层面，处理起来也存在挑战。现在日益流行的多模态数据，包括自动驾驶中激光雷达、毫米波雷达、超声波雷达等，以及专用的高清摄像头、GPS设备等搜集到的数据、场景数据等，本就使得数据处理、管理和使用变得相当困难，相比之下，大模型的数据量是有过之而无不及。

2021年，特斯拉率先采用了基于TransFormer大模型的BEV+占用网络感知算法，提升了环境建模的效率，成为目前主流车企下一代智能化的主要架构。国内的小鹏+华为+理想等今年也切换到了BEV+Transformer。

业内人士认为，通过这套感知架构确实能够减少对于激光雷达等高成本传感器的依赖，有效降低系统成本，减轻车企及消费者的负担。但仍只是应用于感知端，而受限于算法复杂性+大算力要求，感知决策一体的端到端算法落地尚需时日。

不言而喻，高昂的成本，在某种程度上会阻碍大模型大规模上车。红杉资本还曾做过一笔测算：全球的科技公司每年预计将花费2000亿美金，用于大模型基础设施建设；相比之下，大模型每年最多只能产生750亿美金的收入。

另外，汽车驾驶的前提是安全与严谨，大模型的准确性仍然让不少业内人士担忧。今年8月，马斯克在直播测试特斯拉全自动驾驶系统FSD 12时，就出现了可能致命的误判：将左转车道的绿灯当成了自己车道的绿灯，启动车辆打算穿过路口。好在马斯克立刻介入，刹住了车。在此之后，被问及解决方案时，马斯克的回应是“继续向神经网络投喂大量带有左转交通灯的驾驶视频。”

马斯克的说法其实就是做大模型的训练，这就要求有大量高质量的数据，车企如果想将大模型应用于自动驾驶，数据数量以及质量能否达标也是关键。

当下，大模型虽然可以为自动驾驶和智能座舱带来巨大的潜力，提供个性化的驾驶体验，改善驾驶安全性。但同时，其在算力、算法及数据方面的挑战也成为能否最终实现大规模“上车”的阻碍，所以外界一直也有“大模型上不了车”的说法。

极越CEO夏一平曾向媒体表示：“自动驾驶值得用大模型的方式重写一遍，但是，这个事情可能是未来3~5年之内要做的事情，绝对不是明天就要做的事情。”

以小见大，应用场景相对较小的汽车领域，尚且存在诸多挑战，而应用场景更为广阔的通用型大模型，必将面对更大的挑战。所以外界对于大模型，究竟是挑战大于机遇，还是机遇大于挑战，也是众所纷纭。

文章来源： 猫头鹰车志，甲子光年，钛媒体APP