ChatGPT走紅后，大模型的熱度持續不減，并日漸形成了“千模大戰”的局面。前兩個月，百度、阿里、騰訊加入;進入5月份，先有網易有道，發布了基于“子曰”大模型開發的AI口語老師劇透視頻，介紹其基于教育場景的類ChatGPT產品;后有科大訊飛，發布認知大模型“訊飛星火”……總之，各種大大小小的發布會，都在向外界證明自己到底有多大的想象空間。

　　在大模型進展如火如荼之下，其產業化也被越來越多地提及，從前炒作的“AI+”也再次站上風口。在此背景下，關于AI大模型在汽車領域的應用，也開始熱度飆升。

　　智能汽車的“ChatGPT時刻”來了

　　目前來看，大模型重構各行各業雖然已經成為業界共識，但ChatGPT“上車”遠比預想中的來得更快。作為繼家庭和辦公場所之外的“第三空間”，汽車正在變成一個新型智能終端。ChatGPT到來了之后，車機關系也受到了更多的影響。

　　一是ChatGPT對汽車自動駕駛的影響。業內人士分析表示，大模型具備對海量數據的處理能力以及多維度分析能力，可以提供更精準、更全面的數據分析和預測能力，持續優化模型，提高智能駕駛的準確性和可靠性。尤其是隨著ChatGPT的出現，人們發現當模型的參數量，達到了一定程度之后，呈現出的效果不是“性能變好”，而是“出奇的好”。

　　具體到應用層面，大模型對自動駕駛的影響是：在云端，車企可以發揮模型參數量的大容量優勢，通過大模型完成絕大多數的數據標注和數據挖掘工作，節省數據標注成本，還能夠借助仿真場景構建賦能。在車端，它可以將分管不同子任務的小模型合并為一個大模型，節省車端推理計算時間，增加汽車安全性。最重要的是，被認為是自動駕駛算法終局的端到端感知決策一體化算法瓶頸，或許在汽車接入大模型之后可以得到有效解決，自動駕駛算法升級指日可待。

　　二是對汽車智能座艙的影響。車載ChatGPT語音助手，可以處理完整的對話，比如追問，并能保持對前后文的理解，形成較為良好的語音交互體驗。比如，微軟與梅賽德斯—奔馳探索ChatGPT的插件生態系統，為第三方服務集成開辟可能性。駕駛員未來有望通過車載系統完成預訂餐廳、預訂電影票等任務，進一步提升便利性和生產力，極大地豐富智能汽車與人之間的交互體驗。

　　另外，在改變智能駕駛和智能座艙交互能力的情況下，其也對汽車的研發方式和商業模式產生全新的影響。研發方式方面，由于機器的高效標注能力，使得需要一年時間的數據標注任務，現在只需要短短數小時，研發周期大幅縮短，而且多模態(視覺、語音、手勢等)的豐富數據，更可以進一步提升總體的研發效能，降低研發成本。就商業模式而言，車載AI語音交互在它具備情感智能之后，它就會從“雇傭關系”演變成“陪伴關系”，對人的喜好和習慣會更加了解，這將會衍生出全新的商業價值。

　　產業探索流派紛呈

　　或許正是意識到了這一點，現在正有越來越多的車企選擇接入AI大模型。除了國外的奔馳宣布ChatGPT之外，國內理想汽車也發布了自研大模型MindGPT，百度的文心一言也被接入到了長安、吉利、嵐圖、紅旗、零跑等眾多車企之中，就連“讓夢想窒息”的法拉利未來，也在新車中納入了大模型，不難預見未來大模型在智能汽車中普及，將會是大概率事件。從整個參與的車企來看，其發展大模型的方向和側重點并不相同。

　　從功能上來看其主要可以分為以下兩類：一類是用于人工智能交流對話領域，多數應用在智能座艙上。比如，百度的文心一言，目前已經有東風日產、紅旗、長城等近十家車企宣布接入;上海車展期間，商湯科技亮相了日日新Sensenova大模型，展示了其中文語言模型“商量SenseChat”以及“如影SenseAvatar”等與座艙的結合;此前阿里巴巴也宣布AliOS智能汽車操作系統，已接入通義千問大模型進行測試等。

　　另一類是聚焦智能駕駛的大模型應用。比如毫末智行發布了自動駕駛生成式大模型DriveGPT，幫助解決認知決策問題，最終實現端到端的自動駕駛。理想汽車自研大模型MindGPT，擺脫對高清地圖的依賴，讓汽車做到更接近人類司機的駕駛表現。蔚來、小鵬、長城、奇瑞四家車企，也已經注冊申請了多個與GPT相關的商標。

　　從參與主體來看，也主要可以分為兩類：一是車企親自下場做的，如理想汽車、百度將自家大模型應用于自家汽車產品等;另一類是外部廠商提供大模型給車企，比如華為盤古大模型、百度文心一言等用于給其他車企使用。

　　相較通用大模型來說，垂直領域的大模型訓練和使用成本更低，或許會成為更容易實現商業化落地的領域。業內人士分析稱，汽車有著明確的交互需求，且相較于通用大模型，垂直領域的應用場景相對較小，對參數的量級要求也沒有通用型AI那么大。因此，無論是傳統車廠還是新勢力，抑或是大模型科技廠商，普遍認為智能汽車最有可能成為率先實現大模型落地的B端場景。

　　大模型規模上車時機尚未成熟

　　目前來看，盡管ChatGPT的首發“上車”，已經拉開了智能汽車領域大模型較量的序幕。但現階段距離大模型的真正規模上車，也還有一段距離。

　　首先，車企做大模型，多模態數據的收集、處理、訓練本身是一個難題。自動駕駛所需傳感器數據包括激光雷達、毫米波雷達、超聲波雷達，以及高清攝像頭、GPS等。這些數據來自不同的坐標系，帶有不同的觸發時間戳，且要考慮到硬件損壞等問題;同時，需要大量的場景數據，比如交通標志線、交通流、行為模型等。這讓汽車大模型的研發、訓練門檻變得很高。

　　業內人士認為，模型數據調動管理需要利用智能網聯汽車以及計算技術平臺、云控技術平臺等諸多平臺，只有做到海量數據匯聚才可以做交叉，尤其是垂直領域，這和車內的其他系統并不相同，假如基礎的平臺能力不能打通，其很難向更深層次發展。另外，盡管生成式AI在信息獲取上獲得了突破，但在決策、執行控制層面，其離真正在汽車上落地還有較大的距離。

　　另外，端到端的AI大模型訓練，需要在智能汽車中構建全新的基于AI大模型的全新算法，這也需要一個過程，業內人士認為至少需要3—5年甚至更長的時間，來完成這一過程。

　　其次，受限于車載設備的硬件條件，汽車內大模型所需要的硬件配置可能會受到限制，難以有效發揮好作用。具體來說，大模型需要高規格的硬件配置，包括高性能計算能力、大容量內存和低時延等特點，但車載設備的硬件條件相對有限，無法提供足夠的算力資源支撐大模型運行。比如，在自然語言處理領域的GPT-3模型，就需要數萬億TOPS的計算能力。這要求芯片的算力至少要在萬級TOPS以上，才能夠勝任大模型的計算任務。但是在車載部署場景下，芯片的算力往往只有數百TOPS，遠遠達不到大型模型的要求。

　　在此背景下，升級汽車內的算力基礎設施已成必然趨勢，目前來看智算中心或許會成為未來智能汽車的“標配”。比如，特斯拉發布了獨立的云端智算中心——Dojo，總計使用了1.4萬個英偉達的GPU來訓練AI模型。在國內，小鵬汽車與阿里云合建了智算中心“扶搖”，專門用于自動駕駛模型訓練，算力可達到600PFLOPS;毫末智行與火山引擎聯合打造了國內自動駕駛行業最大的智算中心“雪湖.綠洲”，每秒浮點運算可達到67億億次。不過，目前這些建設還處于探索應用階段，大模型應用大規模上車的時機，還沒有完全成熟。

　　底層技術才是未來角逐焦點

　　目前來看，AI大模型對汽車最本質的改變，可能在于它將進一步驅動汽車，從制造屬性向科技+消費電子屬性轉變。在這種背景下，車廠本身的底層科技能力，將會成為未來的決勝關鍵。

　　一方面，AI大模型會重新定義“人機交互”和“服務生態”，加速汽車應用服務生態消費電子化，這將改變底層的產品定義。當前車載語音系統底層是未完全成熟的任務型對話系統，尚無法真正實現個性化、情感化、自由化的交互能力，而大模型可以通過深度學習+語音生成，迎來開放場景+自然交互的全新人機交互體驗。同時，在研發設計上，隨著大模型的OS化，傳統的APP上車、點觸功能、HMI交付的必要性和重要性值得思考，這意味著汽車“產品”的重新定義。

　　正如前華為自動駕駛產品部部長蘇箐所言：“傳統車廠看法首先我的基座是車，現在有些計算機的單點，那么我是把車作為一個基礎，試圖把計算機嵌進去，這是傳統車廠的看法。我們的看法不一樣，基礎是計算機，車是計算機控制的外設，一個大計算機了事，把車掛上去。這是本質看法不一樣。”事實上，在大模型上車之后，汽車的計算中心、智能化、消費電子屬性將變得更加明顯，其產品定義將遵循消費電子的底層邏輯迭代演變(如APP化、生態服務等)。

　　另一方面，AI大模型將會改變汽車的現有算法，考慮到大模型應用所需要的硬件成本以及外部環境來看，未來國內企業大模型的技術實力，將更加取決于包括AI操作系統等在內的底層技術。具體來說，原來汽車的自動駕駛算法較為依賴人工，而接入大模型之后，就需要依靠大模型驅動形成新的智能算法，而要構筑這樣的算法，除了要做好產品，還要做好平臺。

　　比如，圍繞芯片、云端等在內的計算平臺，需要做到低成本、可標配;有了好的產品，才能夠有足夠多的銷量，有足夠多的銷量，才能增加“端到端”(云端到車端)的閉環數據;作為基礎支撐的AI大算力芯片，也需要重新考慮車企自身的情況來做，回到底層來說就是誰的訓練成本低，誰的轉化速度快，誰就將跑到最前面。

　　拿英偉達的訓練芯片來說，一枚芯片被炒到了10萬塊錢，關鍵是這種高成本芯片訓練方案，對于車企并非最優解決辦法。而且受外部制裁影響，這種“外供依賴”隨時有可能被掐掉，脆弱性很大。因而從長遠來看，車企想要在這一領域走到行業前列去，要么加大對底層芯片的自研力度以減少采購成本，如百度自研AI芯片，要么在AI算法、操作系統上去尋求破局，以找到最佳的應用路徑。