ChatGPT走红后，大模型的热度持续不减，并日渐形成了“千模大战”的局面。前两个月，百度、阿里、腾讯加入；进入5月份，先有网易有道，发布了基于“子曰”大模型开发的AI口语老师剧透视频，介绍其基于教育场景的类ChatGPT产品；后有科大讯飞，发布认知大模型“讯飞星火”……总之，各种大大小小的发布会，都在向外界证明自己到底有多大的想象空间。

在大模型进展如火如荼之下，其产业化也被越来越多地提及，从前炒作的“AI+”也再次站上风口。在此背景下，关于AI大模型在汽车领域的应用，也开始热度飙升。

智能汽车的“ChatGPT时刻”来了

(资料图片仅供参考)

目前来看，大模型重构各行各业虽然已经成为业界共识，但ChatGPT“上车”远比预想中的来得更快。作为继家庭和办公场所之外的“第三空间”，汽车正在变成一个新型智能终端。ChatGPT到来了之后，车机关系也受到了更多的影响。

一是ChatGPT对汽车自动驾驶的影响。业内人士分析表示，大模型具备对海量数据的处理能力以及多维度分析能力，可以提供更精准、更全面的数据分析和预测能力，持续优化模型，提高智能驾驶的准确性和可靠性。尤其是随着ChatGPT的出现，人们发现当模型的参数量，达到了一定程度之后，呈现出的效果不是“性能变好”，而是“出奇的好”。

具体到应用层面，大模型对自动驾驶的影响是：在云端，车企可以发挥模型参数量的大容量优势，通过大模型完成绝大多数的数据标注和数据挖掘工作，节省数据标注成本，还能够借助仿真场景构建赋能。在车端，它可以将分管不同子任务的小模型合并为一个大模型，节省车端推理计算时间，增加汽车安全性。最重要的是，被认为是自动驾驶算法终局的端到端感知决策一体化算法瓶颈，或许在汽车接入大模型之后可以得到有效解决，自动驾驶算法升级指日可待。

二是对汽车智能座舱的影响。车载ChatGPT语音助手，可以处理完整的对话，比如追问，并能保持对前后文的理解，形成较为良好的语音交互体验。比如，微软与梅赛德斯—奔驰探索ChatGPT的插件生态系统，为第三方服务集成开辟可能性。驾驶员未来有望通过车载系统完成预订餐厅、预订电影票等任务，进一步提升便利性和生产力，极大地丰富智能汽车与人之间的交互体验。

另外，在改变智能驾驶和智能座舱交互能力的情况下，其也对汽车的研发方式和商业模式产生全新的影响。研发方式方面，由于机器的高效标注能力，使得需要一年时间的数据标注任务，现在只需要短短数小时，研发周期大幅缩短，而且多模态（视觉、语音、手势等）的丰富数据，更可以进一步提升总体的研发效能，降低研发成本。就商业模式而言，车载AI语音交互在它具备情感智能之后，它就会从“雇佣关系”演变成“陪伴关系”，对人的喜好和习惯会更加了解，这将会衍生出全新的商业价值。

产业探索流派纷呈

或许正是意识到了这一点，现在正有越来越多的车企选择接入AI大模型。除了国外的奔驰宣布ChatGPT之外，国内理想汽车也发布了自研大模型MindGPT，百度的文心一言也被接入到了长安、吉利、岚图、红旗、零跑等众多车企之中，就连“让梦想窒息”的法拉利未来，也在新车中纳入了大模型，不难预见未来大模型在智能汽车中普及，将会是大概率事件。从整个参与的车企来看，其发展大模型的方向和侧重点并不相同。

从功能上来看其主要可以分为以下两类：一类是用于人工智能交流对话领域，多数应用在智能座舱上。比如，百度的文心一言，目前已经有东风日产、红旗、长城等近十家车企宣布接入；上海车展期间，商汤科技亮相了日日新Sensenova大模型，展示了其中文语言模型“商量SenseChat”以及“如影SenseAvatar”等与座舱的结合；此前阿里巴巴也宣布AliOS智能汽车操作系统，已接入通义千问大模型进行测试等。

另一类是聚焦智能驾驶的大模型应用。比如毫末智行发布了自动驾驶生成式大模型DriveGPT，帮助解决认知决策问题，最终实现端到端的自动驾驶。理想汽车自研大模型MindGPT，摆脱对高清地图的依赖，让汽车做到更接近人类司机的驾驶表现。蔚来、小鹏、长城、奇瑞四家车企，也已经注册申请了多个与GPT相关的商标。

从参与主体来看，也主要可以分为两类：一是车企亲自下场做的，如理想汽车、百度将自家大模型应用于自家汽车产品等；另一类是外部厂商提供大模型给车企，比如华为盘古大模型、百度文心一言等用于给其他车企使用。

相较通用大模型来说，垂直领域的大模型训练和使用成本更低，或许会成为更容易实现商业化落地的领域。业内人士分析称，汽车有着明确的交互需求，且相较于通用大模型，垂直领域的应用场景相对较小，对参数的量级要求也没有通用型AI那么大。因此，无论是传统车厂还是新势力，抑或是大模型科技厂商，普遍认为智能汽车最有可能成为率先实现大模型落地的B端场景。

大模型规模上车时机尚未成熟

目前来看，尽管ChatGPT的首发“上车”，已经拉开了智能汽车领域大模型较量的序幕。但现阶段距离大模型的真正规模上车，也还有一段距离。

首先，车企做大模型，多模态数据的收集、处理、训练本身是一个难题。自动驾驶所需传感器数据包括激光雷达、毫米波雷达、超声波雷达，以及高清摄像头、GPS等。这些数据来自不同的坐标系，带有不同的触发时间戳，且要考虑到硬件损坏等问题；同时，需要大量的场景数据，比如交通标志线、交通流、行为模型等。这让汽车大模型的研发、训练门槛变得很高。

业内人士认为，模型数据调动管理需要利用智能网联汽车以及计算技术平台、云控技术平台等诸多平台，只有做到海量数据汇聚才可以做交叉，尤其是垂直领域，这和车内的其他系统并不相同，假如基础的平台能力不能打通，其很难向更深层次发展。另外，尽管生成式AI在信息获取上获得了突破，但在决策、执行控制层面，其离真正在汽车上落地还有较大的距离。

另外，端到端的AI大模型训练，需要在智能汽车中构建全新的基于AI大模型的全新算法，这也需要一个过程，业内人士认为至少需要3—5年甚至更长的时间，来完成这一过程。

其次，受限于车载设备的硬件条件，汽车内大模型所需要的硬件配置可能会受到限制，难以有效发挥好作用。具体来说，大模型需要高规格的硬件配置，包括高性能计算能力、大容量内存和低时延等特点，但车载设备的硬件条件相对有限，无法提供足够的算力资源支撑大模型运行。比如，在自然语言处理领域的GPT-3模型，就需要数万亿TOPS的计算能力。这要求芯片的算力至少要在万级TOPS以上，才能够胜任大模型的计算任务。但是在车载部署场景下，芯片的算力往往只有数百TOPS，远远达不到大型模型的要求。

在此背景下，升级汽车内的算力基础设施已成必然趋势，目前来看智算中心或许会成为未来智能汽车的“标配”。比如，特斯拉发布了独立的云端智算中心——Dojo，总计使用了1.4万个英伟达的GPU来训练AI模型。在国内，小鹏汽车与阿里云合建了智算中心“扶摇”，专门用于自动驾驶模型训练，算力可达到600PFLOPS；毫末智行与火山引擎联合打造了国内自动驾驶行业最大的智算中心“雪湖.绿洲”，每秒浮点运算可达到67亿亿次。不过，目前这些建设还处于探索应用阶段，大模型应用大规模上车的时机，还没有完全成熟。

底层技术才是未来角逐焦点

目前来看，AI大模型对汽车最本质的改变，可能在于它将进一步驱动汽车，从制造属性向科技+消费电子属性转变。在这种背景下，车厂本身的底层科技能力，将会成为未来的决胜关键。

一方面，AI大模型会重新定义“人机交互”和“服务生态”，加速汽车应用服务生态消费电子化，这将改变底层的产品定义。当前车载语音系统底层是未完全成熟的任务型对话系统，尚无法真正实现个性化、情感化、自由化的交互能力，而大模型可以通过深度学习+语音生成，迎来开放场景+自然交互的全新人机交互体验。同时，在研发设计上，随着大模型的OS化，传统的APP上车、点触功能、HMI交付的必要性和重要性值得思考，这意味着汽车“产品”的重新定义。

正如前华为自动驾驶产品部部长苏箐所言：“传统车厂看法首先我的基座是车，现在有些计算机的单点，那么我是把车作为一个基础，试图把计算机嵌进去，这是传统车厂的看法。我们的看法不一样，基础是计算机，车是计算机控制的外设，一个大计算机了事，把车挂上去。这是本质看法不一样。”事实上，在大模型上车之后，汽车的计算中心、智能化、消费电子属性将变得更加明显，其产品定义将遵循消费电子的底层逻辑迭代演变（如APP化、生态服务等）。

另一方面，AI大模型将会改变汽车的现有算法，考虑到大模型应用所需要的硬件成本以及外部环境来看，未来国内企业大模型的技术实力，将更加取决于包括AI操作系统等在内的底层技术。具体来说，原来汽车的自动驾驶算法较为依赖人工，而接入大模型之后，就需要依靠大模型驱动形成新的智能算法，而要构筑这样的算法，除了要做好产品，还要做好平台。

比如，围绕芯片、云端等在内的计算平台，需要做到低成本、可标配；有了好的产品，才能够有足够多的销量，有足够多的销量，才能增加“端到端”（云端到车端）的闭环数据；作为基础支撑的AI大算力芯片，也需要重新考虑车企自身的情况来做，回到底层来说就是谁的训练成本低，谁的转化速度快，谁就将跑到最前面。

拿英伟达的训练芯片来说，一枚芯片被炒到了10万块钱，关键是这种高成本芯片训练方案，对于车企并非最优解决办法。而且受外部制裁影响，这种“外供依赖”随时有可能被掐掉，脆弱性很大。因而从长远来看，车企想要在这一领域走到行业前列去，要么加大对底层芯片的自研力度以减少采购成本，如百度自研AI芯片，要么在AI算法、操作系统上去寻求破局，以找到最佳的应用路径。