现阶段，已有不少车型通过多种形式完成了大模型的量产上车，最直接的就是小米汽车和鸿蒙智行车型，其AI大模型本身就处于业内领先水准，而且还结合驾驶者各种特定需求实现功能控制，比如“车窗打开一半”“外后视镜角度调节”“打开手机二维码”等，甚至还能完成车主的提问式功能。

除此之外，小鹏的AI天玑系统、蔚来大模型NOMI GPT、理想认知大模型Mind GPT都具备类似的功能，北汽、广汽等传统车企也在发力大模型。当前国产AI大模型开始加速“上车”，人工智能正以更加触手可及的方式走进现实生活。车百智库在研报 《大模型在汽车领域的应用与发展建议》 里研究了大模型给汽车行业带来的新价值以及挑战。

汽车是大模型应用探索的绝佳载体。 电动化和智能化的跨越式发展，使得汽车在机械属性基础上增加了科技属性和消费属性，成为前沿创新技术的最佳集成器。未来评价汽车主要关注的是其技术创新和产品创新的“价值”，是其能否充分承载大模型的技术特性和优势。另外，汽车的全生命周期包括研发、生产、销售、使用等众多环节，涉及大量数据和复杂决策过程，应用场景丰富，这为大模型的应用落地提供了广阔空间，具有显著的示范性与引领性。

大模型将推动汽车成为超级智能体。 大模型以算力为基础、数据为资源、算法为放大器的技术范式具有马太倍增效应，能够产生出智能涌现的特性，可以在自动驾驶、智能座舱等多方面提升汽车的智能化水平，且能快速迭代，带来新的价值增量。例如，特斯拉FSD率先使用端到端技术并实现数据闭环，人工代码由30万行缩减至3000行，从V12.3.1到V12.3.5的四个版本迭代仅用15天。

大模型甚至有可能推动智能驾驶汽车变革为“人工智能汽车”、成为超级智能体，让汽车能够不断从周围环境中积累数据并自主改进和优化自身表现，主动适应各种驾驶环境和交通状况，提高驾驶的舒适性和安全性；也可以帮助汽车理解人类的语言和手势，并通过语音、灯光或屏幕等方式与人类进行高效沟通。

大模型以革命性的方式改写汽车全生命周期的价值创造。大模型将会颠覆汽车行业原有的生产方式，重塑整车设计研发、生产制造、市场营销、售后服务、供应链等各个环节，推动整个制造链条的产业化、数字化升级。

一方面，用户与车企的关系更近了。大模型会成为车企掌握直面用户的流量入口，帮助车企在需求定义、用户运营、产品升级等各个环节，抓取每一个用户的个性化需求，以提供千人千面的产品迭代和服务拓展。如极越汽车依赖大模型打通了用户用车的问题搜集、数据反馈、工程师处理的自动化闭环，极大提升了组织效率。

另一方面，汽车的设计与生产方式也得到了革新。目前小鹏、极越等车企30%以上的软件依赖于大模型自动生成。此外，大模型还为科技公司赋能汽车产业增加了一条清晰可行的路径，进一步促进了人工智能、信息通信等与汽车产业的融合，加速产业格局重塑。

1、国内企业面临训练芯片“卡脖子”问题。 大模型云端训练需要上万片高端GPU训练芯片，尤其是端到端自动驾驶训练数据量已达到PB级，训练芯片需求更大。特斯拉 目前拥有超过10万块的GPU芯片，国内多数车企仅有上千块GPU， 很难发挥海量数据价值并实现较好的训练效果。

大模型在云端提供服务也需要大量算力支撑，以ChatGPT为例，按照每天独立访问量2500万次计算，预计需要3万多片A100芯片。目前，美国对华禁售A100、H100高性能GPU芯片，甚至也限制出售“阉割”版的A800、H800， 且高性能 GPU芯片限制越来越严 。

同时，国产芯片仍存在制程落后、性能不足等问题，部分芯片在大规模训练时故障率较高、工具链不完善，使用体验仍有欠缺，导致我国车企的算力扩展面临很大阻力。

2、国内大模型训练数据量少且质量不高。 数量方面，据Epoch AI估算，全球用于训练通用大模型的数据中，书籍、科研论文等高质量语言数据集可能会在2024 年前耗尽，大模型训练或将面临无数据可用的窘境。中文语料数据仅占约1.3%，Common Crawl、BooksCorpus、WiKi pedia、ROOT等主流数据集都以英文为主，即使是最流行的Common Crawl数据集，中文数据也只占4.8%。另外，大模型理解和掌握客观世界规律，需要学习大量来自知识和价值观层的数据，此类中文语料短缺严重，甚至无法通过机器翻译进行弥补。聚焦自动驾驶领域，特斯拉拥有上千万个有效视频片段数据，且其在全球有超过700万辆智能汽车在通过影子模式持续采集数据，平均每辆车一天就能搜集到一个典型的极端工况样本。与之相比，国内车企场景数据普遍在百万量级，且出于数据合规的考虑，车企之间数据的共享流通仍有阻塞，导致国内车企的高价值场景数据较特斯拉相差超过一个数量级。

质量方面，高质量数据集，需要企业在数据治理方面投入巨大的资金和精力，包括顶层设计、标注规范、标注质量把控以及发布后更新升级等各个方面，但国内企业在数据挖掘和数据治理领域的积累和沉淀不足。汽车行业属于传统制造业，数据的沉淀更是差强人意。这使得大模型在汽车行业落地应用过程中，存在明显的训练数据分布不均衡及完备性较差等问题。例如，国内车企的绝大部分数据分布在几个密集的场景里，“头部效应”非常明显，真正需要的极端工况数据却非常少。且国内车企车型多而单一车型存量少，不同车型的传感器功能不一样，采集的数据各有差异。与特斯拉车型相对集中且传感器方案比较统一相比，国内车企数据的复用性很差。

数据问题不解决，大模型可能会形成“偏科”，导致产生严重的“幻觉”问题，由于汽车行业本身对安全性和可靠性的要求极高，这也会大大限制大模型的应用落地。

3、落地商业模式不清晰。 一方面，大模型处于发展初期，主要以Token使用量收费。从TO B模式来看，车企每年的预算、成本、营收是固定的，以Token使用量来收费的模式动态性太大，车企难以接受。另一方面，“软件+服务”的模式，在国内很难得到认可。在汽车行业“内卷”越来越严重的当下，纯license模式也难以持续，企业付费意愿不高。此外，大模型商业化的价值，还是以提升车企产品销量的传统方式为主，车企、大模型企业双方还未找到可以合作共赢的路径。

4、缺乏良性合作生态支撑。 一是贯穿实时信息以及垂类信息的数据生态还未形成，导致大模型对实时动态和垂直领域的理解能力比较差。例如，GPT-3.5训练数据集截止到2021年，无法理解和处理2022年的信息。

二是大模型上车会对整车软件架构、硬件能力、交互策略产生很大影响。目前国内大模型产品非常多且迭代速度非常快，如何在保证产品竞争力的前提下与大模型企业合作，车企仍存疑惑。

三是 大模型 开源生态与国外相比，无论是开发者数量还是技术创新环境仍存在差距， 这 势必会影响国内AI技术的迭代速度与创新能力。在全球化竞争日益激烈的背景下， 可能使中国AI企业在国际市场上处于不利地位。

5、缺乏大模型能力评价标准。 行业和消费者对大模型上车的期望都很高，但对其表现的诉求“千人千面”。有些人希望大模型无所不能，对所有的问题都能答复。有些人希望简洁，只要按照指令操作即可。如何评价大模型在具体场景下的能力，仍然没有明确、统一的标准。例如，当前大模型在语音交互的语言理解、逻辑推理、信息归纳等能力方面，已经有很多评价指标，但是在上车评价方面，仍面临识别准确率的评判局限、响应速度评价单一、用户体验受主观性和复杂性拘束、缺乏多场景综合评估等挑战。

执笔人：张永伟、贾浩

改写：周颖