自最近半年多，大模型浪潮掀起，萬物皆可GPT以來，BAT等企業都在發布自己的大模型產品，百“模”大戰、群“模”亂舞都已見怪不怪。各種規模的發布會你方唱罷我登場，各家企業都在鉚足了勁向外界證明自己的想像空間究竟有多大。進入七月後，通用大模型略微降溫，行業專用大模型開始亮相，如專用於酒店與旅遊的攜程“問道”，專用於教育的網易有道“子曰”，專用於中醫診療的大經中醫“岐黃問道”，凡此種種不一而足。
之所以出現這種變化，一方面是由於不同企業各有業務側重點，因此打造的大模型產品也不可避免的受其影響，這是客觀事實；另一方面是隨著大模型的整體發展，其產業化也開始被越來越多的提及。畢竟如果不能落地部署成觸手可及的產品，再先進的科技都沒有意義。六月中旬時奔馳與微軟合作，成為全球首家將ChatGPT集成到自家車載語音控制系統中的車企，半個月後又有自行車企業宣布搭載ChatGPT，最近吉利也官宣將在九月發布全棧自研的車載大模型。作為旁觀者在感慨科幻之光照進現實的同時，也不免讓人遐想，大模型或許真的就是汽車智能化的下個風口？
一、大模型上車，係好安全帶
6月16日，百年車企梅賽德斯·奔馳和微軟共同宣布，兩家公司正在擴大AI領域的合作，將ChatGPT整合到奔馳車載語音控制系統中。這項合作將通過微軟的Azure OpenAI服務，允許車主在駕車時體驗ChatGPT。測試計劃於16日當天正式開始，在美國共約90萬輛配備MBUX信息娛樂系統的奔馳都可以參加測試。
近幾年科技的發展，表明汽車正愈髮變成一個新型智能終端。大模型出現後，人車、車機關係也不可避免的受到影響。具體說來這種影響主要體現在兩方面：1.對自動駕駛的影響。 2.對智能座艙的影響。下面分開來說。
1.大模型對自動駕駛的影響。大模型可以處理海量數據，同時具備多維度分析能力，可以提供更精準、更全面的數據分析和預測能力。保持對大模型的優化升級，就可以提高自動駕駛的準確性和可靠性。像ChatGPT那種通用大模型，也是當參數量到達一定程度，開始具備足夠的能力後，它才能火遍全世界。而具體到應用層面，大模型對自動駕駛的影響又可以細化為雲端和車端。在雲端，車企可以發揮大模型天生的大參數容量優勢，通過大模型完成絕大多數的數據標註與挖礦工作，節省成本，還能夠借助仿真場景構建賦能。在車端，大模型可以將細分為多個附屬子模型，分管不同子任務，節省車端的推理計算時間，增加行車安全性。此外，雲端到車端的感知決策一體化算法常被認為是自動駕駛算法最後瓶頸，或許在汽車接入大模型之後也可以得到有效解決，自動駕駛的算法升級或許也不再遙不可及。
2.對智能座艙的影響。以前面已經說過的奔馳舉例來說，微軟表示車載ChatGPT能支持更動態的對話，既有一般的語音命令，也支持交互式對話，對話範圍可以涵蓋地點信息、菜譜、甚至是一些更加複雜的問題，讓駕駛員的眼睛更專注於路況。隨後微軟與奔馳還表示將繼續保持合作，探索ChatGPT的插件生態系統，為集成第三方服務探索可能性。未來的司機可能通過車載大模型系統，就可以完成預訂餐廳或電影票等任務，在改善駕駛體驗的同時提高便利性和生產力。
此外，大模型也將對車企的研發方式和商業模式產生新的影響。在研發方式方面，由於AI高效的標註能力有目共睹，過去需要很長時間的數據標註任務現在只需要幾小時即可，研發的時間成本大幅壓縮，而且大模型可以處理多模態的豐富數據，如語音、手勢、視覺等，這可以助力車企深入改善總體研發效能，降本增效。而在商業模式上說，目前的大模型普遍能說會道，集成到車載系統之後，人、車、機之間就可能從“僱傭關係”發展到“陪伴關係”，大模型通過機器學習能力也會逐步了解人的喜好和習慣，進而衍生出全新的商業價值。
二、大模型與汽車是否天作之合？
在奔馳宣布與微軟合作後，國內的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紅旗、長安、吉利、嵐圖、零跑等眾多車企之中。因此可以預料到的，大模型與車企和汽車的結合將會越來越普遍。而從目前參與的車企來看，他們對大模型的發展重點與方向也各有側重。從功能的角度來說可以分為兩種：1.用於智能座艙的的交易所對話領域。 2.用於自動駕駛等智能係統。前者如前面說到的奔馳與微軟的合作，以及接入通義千問的阿里巴巴AliOS智能汽車操作系統；後者如理想汽車自研的MindGPT，擺脫對高清地圖的依賴，讓汽車更接近人類司機的駕駛表現，以及毫末智行的自動駕駛生成式大模型DriveGPT，幫助解決認知決策問題，最終實現雲端到車端的自動駕駛。此外，長城、奇瑞、蔚來、小鵬四家車企，也已經註冊申請了多個與GPT相關的商標，相信很快就會有大模型相關成果問世。
相較ChatGPT那種通用大模型來說，行業或垂類大模型的訓練和使用成本都更低。因此不論是奔馳這種百年老廠還是蔚小理這種國產新勢力，再或者是微軟，BAT這種科技企業，正有越來越多的人認為智能汽車可能是率先實現大模型落地部署的B端場景。不過二者的相互成就之路也並非想像中的一帆風順。
首先一點肉眼可見的是車載硬件條件的限制，導致車載大模型可能難以發揮全部性能。目前全球各家大模型需要的硬件配置普遍很高，包括高性能計算能力、大容量內存和低延遲等特點，但車載設備的硬件天生相對有限，很難提供足夠的算力資源支撐大模型運行。舉個例子，GPT-3.5的參數量高達1750億，支撐它的計算能力高達數万億TOPS，配套芯片的算力至少也要在萬級TOPS以上才能負擔得起大模型的計算任務。但是在車載環境下，芯片的算力往往只有數百TOPS，可以說是連大模型運算要求的門檻都夠不到。照此趨勢發展，升級車載算力基礎設施是大勢所趨，智算中心甚至是未來智能汽車的標配。比如特斯拉建設的獨立雲端智算中心Dojo，總共使用了約1.4萬張英偉達的GPU來訓練大模型。
其次對數據的處理也是不小的難題，特別是現在日益流行的多模態數據。自動駕駛需要的傳感器與數據非常多，包括激光雷達、毫米波雷達、超聲波雷達等，以及專用的高清攝像頭、GPS設備等，而且因為這些零件自帶高敏感屬性導致其故障與損壞率非常高。自動駕駛數據來自不同的坐標系，各自帶有不同的觸發時間戳。此外，自動駕駛還需要大量的場景數據，比如對交通標誌與地面標線的學習與識別、對車流與人流的行為與相關應對模型等。大模型和數據的管理都需要利用智能車聯網，以及配套的專用計算技術平台、雲控技術平台等基建設施，要交叉配合就要以海量數據匯聚為前提，尤其是在汽車這種垂直領域內。這和其他車載系統並不相同，假如基礎性平台各自為戰，必定導致其很難向更深層次發展。這些因素的疊加，讓車載大模型的研發、訓練門檻變得非常高。自動駕駛的技術門檻已經很高了，車載大模型則比它有過之而無不及。
最後，雖然現在的生成式AI在信息獲取方面取得了突破，但在後續的控制、決策、執行等層面，它離真正落地部署在汽車上還有不小的一段距離。雲端到車端的大模型訓練，也需要在車載系統中構建基於大模型的全新算法，這個過程保守的估計需要三到五年，八到十年，甚至更長的時間也不是不可能。
三、光而不耀，靜水流深
汽車和大模型都有濃重的科技屬性，二者結合最大的意義，或許在於彼此間的取長補短，即強化大模型的製造和消費屬性，同時強化汽車的電子和科技屬性。這麼看來，真正決定大模型能否上車的還得看車企本身的科技實力，這甚至關係到他們能否佔領未來科技制高點。
平心而論，汽車與大模型的結合蠻值得期待的。大模型的一大意義在於重新定義了人機交互與相關的服務生態，上車後將加速車載應用服務生態消費的電子化進程，而這將在很大程度上改變汽車，車載系統，大模型等底層產品的定義。對此，華為自動駕駛產品部前部長蘇箐的話堪稱一針見血：“在傳統車廠看來車是基座，車載App或其他系統都是試圖把電腦或AI嵌到這個基座上。我們的看法不一樣，基座是電腦，車是電腦控制的外設。這是本質看法不一樣。”
這是對大模型的意義，換到汽車的角度來說則是降本增效。傳統車企中人的成本始終居高不下，即使是自動駕駛算法依然在很大程度上依賴人工的編寫與測試。集成大模型後就可以用大模型驅動形成新的智能算法，而要構築這樣的算法，車企要做好平台，大模型企業要做好產品。舉個例子，連接汽車與大模型的計算平台，主要建設圍繞芯片、雲端等展開，最大的難點在於降低成本與標準化生產。而有了好的大模型產品才會有足夠多的銷量，有足夠多的銷量才能增加端到端的閉環數據，有了保質保量的數據反過來又能促成優質大模型的建設。以一切的基礎AI大算力芯片舉例來說，一枚英偉達的芯片現在的售價動輒數万或十數万，成本高不說，依賴外供對國內車企也絕非長久之計。
這麼看下來，車企在車載大模型領域要想走得長遠，要么加大對底層芯片的自研力度以節約成本，要么在算法或系統上尋求突破，以盡快找到大模型的最佳落地部署路徑。但不論哪種都注定不會一帆風順，這是條鮮花叢生的道路，同時也遍布著肉眼可見的荊棘。
資訊來源：由0x資訊編譯自8BTC。版權歸作者所有，未經許可，不得轉載