自Chat GPT火爆出圈后，“大模型”掀起了一波接一波的人工智能浪潮，吸引了眾多國家與企業的強烈關注，大家普遍認為大模型將驅動各行各業發生顛覆性影響。在汽車行業中大模型的應用也引發了熱烈討論，眾說紛紜。蓋斯特咨詢研究團隊對大模型做了系統研究，本研報在解析大模型本質的基礎上，研究其社會價值與影響，深入分析了大模型在汽車行業的應用潛力與落地挑戰，并為車企提供布局策略建議。

一、對大模型的本質解析

1.大模型的概念與本質

大模型是一種大規模預訓練AI模型。AI模型從2000年發展至今，歷經了機器學習、深度學習到預訓練模型的三個發展階段。當AI模型訓練的數據量、算法參數量、算力三者持續提升并達到臨界量級（如圖1所示），AI模型的生產力由量變到質變，展現出智能推理和內容生成的能力，由此誕生了大模型。

目前大模型尚無統一的定義。蓋斯特給出的大模型定義是：指具備龐大參數體量（參數量高達千億甚至萬億級），經過海量數據集的通用化訓練，涌現出在多任務下自學習、自推理、自生成能力的大規模預訓練AI模型。

圖1 AI核心要素的發展歷程

大模型與傳統AI模型已有了本質的區別。傳統AI模型不僅需要人工訓練AI怎樣做，還需要人對訓練樣本進行海量的標注，這樣AI模型才能完成特定類型的任務。而AI大模型具有很強的自學習能力，在無規則預設前提下具有低樣本甚至零樣本的推理能力，能夠根據需求直接完成任務；同時具有強泛化性，通常在無標注情況下，大模型可以高效學習訓練集中的通用規律和復雜特征，能夠更好應對自然語言任務；具有高通用性，通過自監督學習和巧妙訓練原生自然語言，從完成單任務拓展至多任務。

也就是說，與傳統AI模型相比，大模型具有強自學習性、強泛化性、高通用性三大核心特征，具備了智能理解、推理、生成的能力，從而推動人工智能從基于規則的“計算智能階段”加速向“認知智能階段”發展。大模型的出現大幅降低了人工在任務流程中的介入需求，開始打破原有人工與AI之間的平衡，將極大地加速AI產業化落地進程。

2.大模型的關鍵要素

大模型的關鍵要素包括數據、算法、算力與平臺，具體來看：

第一，數據是大模型訓練、迭代和優化的關鍵。數據主要來源于各類數據集、用戶數據等，其中人類自然語言信息是大模型的專屬數據特征。高質量數據是稀缺資源，更是在大模型競爭格局中獲勝的核心要素。

第二，算法是大模型的核心技術，決定大模型的能力范疇。算法包括基礎通用化模型算法與專業微調模型算法。目前算法掌握在大模型開發企業手中。

第三，算力是支撐大模型能力實現的基礎。大模型的龐大參數量與數據體量決定其算力需求遠超一般AI模型，所以大模型需要AI芯片（如高性能GPU）、云計算、服務器等企業提供算力支撐。

第四，平臺是連接大模型和應用端的紐帶，也成為新的關鍵要素。通過平臺可將大模型能力有效釋放于應用端，同時借助平臺來吸納數據，又能反哺大模型迭代和優化。平臺包括服務平臺、開發平臺、應用生態平臺和信息平臺等。

綜上所述，算力是大模型的基礎支撐，算法和數據共同驅動大模型持續提升，平臺的部署則是釋放大模型能力的有效途徑。

3.大模型應用所需的能力支撐

大模型落地應用的支撐能力主要來源于技術、資源、安全三個層面。

首先在技術層面，一是大模型的開發難度大，并非參數量大或利用海量數據訓練的模型就是大模型，大模型的關鍵在于其能否涌現出強大的推理和生成能力；二是多模態處理性能要求高，隨著應用場景越來越豐富，自然語言、語音、圖像、視頻等多類數據交織，大模型機器學習處理難度高；三是現有大模型輸出的內容極度不穩定，而且在出現錯誤后難以有效溯源，所以大模型在行為一致性與可解釋性均需有效提升。

其次在資源支撐層面，一是大模型對優質且海量的數據需求高，目前缺少供訓練的中文共性基礎庫，同時各行業內均存在數據壁壘，導致數據獲取難度大；二是算力和內存需求大，以GPT聊天機器人模型為例，僅其訓練的算力門檻便需一萬張高性能GPU芯片,成本約10億元，同時至少需350GB內存來訓練1750億參數；三是大模型對電力等能源消耗極大，且成本高。例如，GPT訓練的年綜合電力成本高達數十億元人民幣。

最后在安全治理層面，當前社會對于大模型落地應用的主要擔憂在數據安全、AI治理與監管效果方面。如果大模型的生成式內容能力被濫用，很可能違反社會價值觀，甚至突破法律底線。同時大模型對社會就業、產業發展、道德倫理的沖擊也會引發一系列的問題。

由此可見，大模型發展面臨的是全方位、多維度的問題，所以需要從技術支撐、基礎設施、社會治理制度等多方面不斷完善，來共同推動大模型的落地應用。

4.大模型的演進階段

大模型的發展路線可分為工程化、通用化、行業化和生態化四個演進階段，具體如圖2所示。當前大模型發展正從通用化向行業化階段轉變，即通用基礎大模型成熟期向垂直應用領域大模型成熟期的發展進程中。這個階段需要打通大模型功能與用戶連接之間的橋梁，以契合行業的特點。合理有效地發揮大模型的能力是目前面臨的關鍵問題。

當前通用大模型領域呈現出百花齊放、激烈競爭的場面。蓋斯特咨詢判斷，將來僅有少數寡頭企業可完全跑通大模型的演進路徑。隨著大模型行業競爭從比參數過渡到比落地應用，將出現越來越多的垂直領域大模型。這類行業大模型擅長特定的專業領域及核心的交互場景。相對來說，輕量化的行業模型及場景模型得益于更聚焦的數據訓練與更少的參數設置，不僅降低部署成本，同時用戶對此的感知程度也將日益加深，因此垂直應用領域大模型將迎來蓬勃發展時期。未來隨著大模型產業主體更加豐富、各模塊專業性提升、產業鏈完善、應用生態繁榮，大模型產業日趨完善的生態格局將有效賦能其實現更大的產業價值。

圖2 大模型演進趨勢

二、大模型的社會價值與應用潛力

1.大模型的社會價值

大模型的出現意味著人工只需指導AI，甚至用AI控制AI來完成任務，極大降低了人在人工智能任務中的參與程度需求，大模型將革命性地解放生產力；進而大模型將變革生產關系，引發社會全方位的資源調整，甚至資源再分配。因此大模型將驅動各行業發生顛覆性變革，并將變革社會方式。

具體而言，大模型將從開發生產、產品服務、企業經營、人才需求等方面驅動各行業變革。

第一，突破開發生產效率。大模型自身高效的數據處理、軟件開發、數據化自動化標注等能力可以解放低效生產力，提升開發生產的自動化程度，降低勞動力成本，實現大幅度的降本增效；

第二，創新產品服務形態。大模型強大的算法優化、數據挖掘、多模交互、內容生成、用戶情感識別等特點，可實現創意激發與體驗優化，同時讓人機交互更加智能；

第三，優化企業經營決策。大模型可提供數據分析、智能制造、智能銷售與服務、成本與決策優化等服務，助力企業做出全面、精準、靈活的判斷，使決策更科學、服務更精準；

第四，引發社會人才需求變化。大模型顯著降低對低效、低創造性人才的需求，對創造性的高價值人才需求將顯著增加，未來可靈活運用AI技能的人才將具備明顯優勢。

未來如何利用大模型有效賦能，形成更低成本及更高效率的開發生產模式、更智能更友好的產品形態、更高價值的用戶體驗，將成為產業智能化發展中的重要課題。

2.大模型產業應用的范式

大模型產業應用是以“通用預訓練+專業精調”的組合模式。如圖3所示，首先通用基礎大模型對海量的多模態知識開展預訓練，然后針對行業及業務場景進行適配化精調開發，形成垂直類場景模型，提供原子化服務。而平臺作為大模型能力與產品應用之間的連接和溝通工具，將場景模型層的原子能力與上層應用打通，為用戶輸出大模型服務。以Chat GPT為例，大語言模型作為基礎支撐，通過對自然語言的預訓練，結合人類對話場景進行微調，實現對話問答的原子能力，再通過服務平臺接口將對話功能引入到網頁、APP、汽車座艙等應用中，供用戶使用。

圖3 大模型產業應用范式

在此應用范式下，新的軟件應用不再需要從最底層開始重復開發，而是基于已有的基礎模型與場景模型便可實現高效的應用開發。因此大模型將重構各行業的軟件體系，不僅有效降低AI模型及軟件應用的開發門檻，提高軟件開發和硬件優化的效率，還將重塑企業經營管理模式，并拓展豐富其產業應用邊界與賦能形態。蓋斯特咨詢認為，未來各行業的所有軟件都可以用大模型重寫一遍，實現軟件價值效率的革命性提升，賦能各行業發展。

3.大模型在不同行業的應用前景預測

對于具體行業而言，其聯網程度、數字化基礎、行業內容特點等決定大模型的應用前景與價值。蓋斯特咨詢按照“影響程度”與“滲透速度”兩個維度，將大模型變革行業的前景分為四類（詳見圖4）：

一是突破顛覆型：大模型可滲透到行業核心內容，能夠快速創造價值的行業，典型代表有互聯網、游戲、電商等行業；二是快速影響型：該類行業數字化范圍較大，但AI滲透行業核心內容的邏輯較難，例如汽車、營銷、通信行業；三是潛在發展型：該類行業數字化程度極低，大模型滲透速度慢、影響弱，例如農業、建筑、政務等；四是緩慢賦能型：行業本身數字化程度低，人工智能的潛在價值兌現較慢，例如教育、藝術業等。

圖4 大模型對各行業變革前景分析（注：圓圈大小代表潛在價值大?。?/span>

結合各行業的特點，目前大模型的典型應用案例已有不少。例如，最為廣泛的自然語言（NLP）大模型已被用于服務業中的智能客服、互聯網的搜索推薦、影視業的實時字幕、教育業的語義理解等；計算機視覺（CV）大模型可用于游戲的三維建模、制造業的智能監控、工業中的輔助質檢、醫療中的輔助診斷等；跨模態大模型可支撐多類型生成式人工智能（AIGC）應用，如汽車中的智能交互、營銷圖文物料、服務業中的內容生產等；決策類大模型分析、判斷與優化能力將用于汽車自動駕駛、金融投資研判、智能交通規劃、節能模型等。

三、大模型在汽車行業應用前景分析

1.大模型在汽車行業應用潛力

當前汽車行業已進入數字化與智能化發展階段，AI軟件逐漸成為新汽車時代的重要支撐技術。汽車產業具有主體多、涉及領域多、流程復雜的特點，正是大模型當前及未來應用的重要領域之一。

對于大模型在汽車行業的應用場景和應用價值，我們可從“用戶感知程度”和“AI軟件影響潛力”兩個維度來判斷分析。如圖5所示，應用場景可分為產品與技術、用戶服務運營、企業經營管理三大方面的6個細分領域。其中，產品及技術方面包括智能化體驗、技術研發創新、產品設計，大模型的應用價值將率先體現在智能化產品提升與技術研發創新上，這是行業當前重點關注領域；服務運營是用戶感知程度較強的領域，其中營銷、售后、城市出行等場景均可利用大模型進行賦能；在企業經營管理方面，大模型在生產制造智能化、企業數字化流程變革及組織形態創新等發揮作用，通過彌合數據流斷點、提升自動化程度、優化組織機制等實現企業經營的降本增效。

圖5 大模型在不同汽車領域的應用場景分析

由上可知，大模型可賦能汽車行業多個領域，其能力不僅契合汽車各關鍵領域的發展需求，還可助力解決當前面臨的諸多問題，具有強大的應用潛力。如果汽車企業有效利用了大模型賦能自身各個環節，以突破創新和提質增效，將在市場競爭中對其他同類企業形成降維打擊之勢。

2.大模型在汽車領域應用的挑戰

盡管大模型在汽車行業應用的潛力巨大，但是由于汽車產業非常復雜，同樣面臨著巨大的挑戰。一方面汽車行業的復雜性放大了大模型自有的發展難題，另一方面汽車行業的獨特性又給大模型帶來了新的應用挑戰。

具體來看，大模型在汽車領域應用的挑戰主要集中模型算法、數據及算力支撐三大方面，如圖6所示。

圖6 大模型在汽車行業應用的主要挑戰領域

第一，在算法層面，由于汽車場景多且復雜，包括靜態和動態、用戶和機器、車內和車外、圖片和視頻等等，眾多類型的海量數據交織，顯然僅靠單一模態模型處理無法完成，因此對大模型同時處理不同模態數據的算法能力提出挑戰；同時汽車關乎人類生命安全，車規級安全性要求大模型的算法必須具有高度的可靠性和一致性，另外還需具備可解釋性。而現有大模型生成的內容極度不穩定，若出現錯誤又難以有效溯源，無法滿足車輛需求。蓋斯特咨詢認為，相比于通用基礎大模型而言，汽車AI模型開發應聚焦在細分用車場景和數據輕量化，打造更符合汽車場景的的汽車AI中模型或小模型，或許能夠有效地應對上述問題。

第二，在數據層面，面臨著數據來源少、質量差和數據安全等問題。首先汽車行業缺少大體量、高質量的數據，一方面不同企業的數據具有天然隔閡，另一方面沒有統一的標準，數據難以流通和使用，因此需要構建汽車行業專屬的數據開放平臺，促進數據的流通和共享；其次，單一模態數據已經不能滿足多模算法的訓練需求，未來需要海量的多類型數據；最后，數據安全更是汽車行業需要關注的重要問題。傳感器數據、地圖等信息涉及國家機密，國家對其管控嚴格；用戶數據涉及隱私安全，此類數據確權、開放共享的合法性存在爭議，國家及行業需要進一步明確AI監管與治理規范。

第三，在算力層面，前文談到了大模型自身對算力、能源、成本等需求巨大，高端大算力GPU和電力將成為限制大模型發展的核心因素。若大模型應用到汽車上又有了新的挑戰。例如，GPT僅推理就需近3萬個GPU支持，日耗電量達50萬度。目前車端系統級芯片最高能提供2000 TOPS的算力，與大模型所需的萬級TOPS的算力需求相差甚遠，另外車端的電池也難以支撐大模型的運行能耗，因此大模型的算力應更多地部署到云端和邊緣端，即讓云端和邊緣端承擔大規模計算任務，同時芯片架構開發需考慮與大模型算法適配，以提升算力利用率。另外，車云信息傳輸需求必須是極低時延（車端是10毫秒級），所以網絡通訊能力也需要進一步提升。

由上可見，汽車行業應用大模型所面臨的問題是全方位、多維度的，需要跨主體、跨專業、跨領域的分工合作，以推動其持續應用與發展。需要注意的是，大模型在汽車行業有無應用潛力，與能否取得商業成功是兩回事。目前國內發布大模型的數量早已破百，其背后是大量資源的消耗，但是商業價值回報尚未真正體現出來。汽車企業也在積極參與大模型的發展。蓋斯特認為，如果車企一味地“卷”底層基礎模型則會造成巨大的資源浪費。企業只有以需求為驅動，打造適合汽車不同領域的垂類大模型，并利用大模型促進汽車產品及服務一體化發展才是長遠之計。

3.大模型在汽車應用階段劃分

蓋斯特咨詢預測，大模型在汽車行業的應用將呈現出循序漸進的節奏，前期快速上車、積累場景與數據，之后隨著技術持續演進，中后期將不斷拓展應用范圍，并放大大模型的價值。

如圖7所示，根據大模型賦能汽車各應用場景的滲透時間與應用難度，可將大模型應用劃分為三個階段：

第一階段產品體驗賦能，大模型在智能化產品應用上快速落地，提升汽車產品的用戶體驗；第二階段企業降本增效，隨著核心技術積累，大模型賦能企業經營全方面降本增效；第三階段社會效益創造，由于突破了技術迭代與應用落地的瓶頸，大模型覆蓋汽車行業的深度與廣度顯著提升，進而推動社會移動出行的發展。

圖7 大模型在汽車行業應用的不同階段

四、大模型在汽車行業的典型應用場景

對于汽車產品、技術和服務中的難點問題，應用大模型或可得到突破性解決方案。例如，當前汽車智能化產品體驗面臨兩個突出問題，一是自動駕駛的長尾問題，二是座艙交互系統智能化的程度低。對于前者，大模型賦能核心在自動駕駛算法上；對于后者，大模型可以為用戶提供主動式、個性化的交互。下面詳細分析大模型的四個典型應用場景以及其帶來的影響。

1.大模型徹底改變智能駕駛方案的底層邏輯

大模型智能駕駛方案在本質上是把傳統的自動駕駛算法變為“場景-車輛控制”全流程的端到端模型，真正實現感知規劃一體化，可以說是徹底改變以往智能駕駛方案的底層邏輯。

傳統智能駕駛方案采取預設規則的模塊化方案，即感知-決策-規劃的流水線流程，眾多子模塊對應單獨的任務和功能，基于預設規則的算法進行判斷，即使部分模塊引入神經網絡，仍存在多個編解碼、輸入輸出環節。該方案模型冗余，各模塊均需專門訓練、優化和迭代，且模塊間環節繁瑣。同時對攝像頭、雷達、高精地圖等傳感信號需求高，而且主要針對感知模塊的圖片信息進行訓練。所以在性能方面存在信息損失和級聯誤差，同時難以有效處理長尾場景問題。但是這種方案可解釋強，便于問題回溯，也易于調試。

圖8 智能駕駛方案邏輯對比

相比之下，基于大模型算法架構的端到端方案，即感知-決策-規劃一體化模型，更接近人的駕駛思維，由感知信息直接生成控制信號。也就是說，傳感器采集到的信息直接輸入神經網絡算法中，經過處理后直接輸出命令。這種模型聚焦，研發針對單個大參數量模型進行整體訓練，雖然訓練要求高，但功能聚焦。另外對傳感信號需求較低，可降低硬件成本，支持以視覺感知為主，需要對含有駕駛行為的視頻信息進行訓練。

從性能上，大模型方案可大大降低級聯誤差，提升系統性能的上限。同時由于大模型強大的泛化能力，端到端方案可提高罕見場景下感知決策的準確率，有效解決長尾問題。但是這一方案的可解釋性差，由于是黑盒模式，當出現錯誤時難以溯源。

當前已有多家整車企業基于大模型架構推出城市NOA（城市導航輔助駕駛）解決方案，例如特斯拉、小鵬、理想汽車等。今后隨著大模型算法及應用場景的持續迭代，將有效促進高階自動駕駛方案的實現。

2.大模型顛覆了以往的人機交互架構

大模型憑借強大的通用預訓練能力，為人機交互帶來更加智能、更加靈活的架構方案。如圖9所示，傳統的汽車座艙人機交互架構是基于人為預設流程進行，不論是AI嵌入模式還是AI助理模式，其輸入和輸出均須遵循預設的規則，例如早期的智能語音助手只能識別固定的語句。以前AI算法經常被用于某個或多個環節以提升效果和效率，例如用深度學習提高模糊語音識別的準確率，但在本質上還是人告訴AI“怎么做”。

圖9 人機交互不同模式對比

而以大模型實現端到端全流程的交互決策架構，人只告訴AI我們所需的結果即可，機器在大模型強大推理與生成能力下可直接自主完成全流程任務。例如面對單模態的指令——“路上怎樣充電最方便”，或者多模態需求——“營造一個安靜的午休環境”等，大模型可充分理解和判斷用戶的需求，并做出決策和反饋。大模型應用在人機交互中，徹底改變了人類與計算機之間的交流方式，也改變了開發范式，將推動人機交互應用從指令式智能向交互式智能發展。

3.大模型驅動生成式技術研發模式誕生

大模型在技術研發方面的應用主要在智能化模式變革上。我們以電池材料開發智能化為例具體說明。

電池開發涉及材料研發、電池設計、系統組裝、測試驗證等內容，復雜且要求高，傳統方法存在周期長、成本高、人力投入大等問題。不同類型的大模型可根據電池研發流程特征，實現有針對性的賦能。

圖10 大模型在電池開發流程中的應用

在電池材料研發階段，通常需要通過大量的實驗試錯，成本投入大且效率低下，而化學材料模型庫可對海量材料數據進行高效地挖掘和分析，篩選出新材料、模擬不同組合，大幅提升材料創新的效率。

在電池設計階段涉及參數多，結構復雜，難度較大；同時，系統組裝階段的影響因素多，對最終工藝質量及效率要求高。因此可以借助仿真大模型和模擬分析大模型，模擬電池內部的物理化學過程，預測電池性能結果。另外，還可高效篩選和優化工藝參數，并進行模擬評估，來優化電池設計，提升系統的整體性能。

在測試驗證階段，對數據分析、BMS軟件系統開發要求高，而數據大模型可對電池工作狀態、壽命等進行分析預測；編程大模型可自動生成軟件代碼，有效提高測試效率。

可以看出，大模型應用在電池開發流程中的核心目的是提質、增效和降本，大模型將推動電池智能開發加速落地。

4.大模型助力用戶運營服務生態創新

與傳統汽車相比，智能汽車在用戶服務上有著很大程度的拓展和升級，現在導入大模型可助力突破數據壁壘，為服務產業鏈賦能，帶動用車服務生態整體創新增長。

在服務資源生態方面，大模型是滿足用戶用車體驗的充分支撐：一是基于大模型開發的智能售后助手是故障預測、維修知識專家，可隨時提醒維修商和用戶注意車輛狀況；二是基于AI語音助手的智能客服，可與用戶全天候互動，打造高質量服務體驗；三是大模型助力智慧出行服務生態打造，包括智能充/換電補能、汽車共享、路線選擇、一體化出行服務平臺等。

在應用開發生態方面，即在開發者生態中，大模型是面向用車場景、實現多樣性和開放性的重要支撐。一是，大模型降低了軟件開發門檻，為開發者提供豐富、低編程能力要求的開發選擇，甚至根據需求自動生成可用的代碼，從而加速開發者生態發展；二是，大模型基于用戶數據驅動的OTA升級決策，可高效分析用戶在應用端的使用數據，判斷各項功能的優劣勢，從而實現數據驅動的OTA精準升級；三是大模型憑借其強大的數據標注和處理能力，能夠更好地分析用戶偏好，為用戶提供符合其使用習慣或興趣愛好的個性化、差異化服務。

五、對車企布局大模型應用落地的策略建議

1.車企布局大模型技術應用的總體原則

蓋斯特咨詢認為，基礎通用大模型的開發難度高、投入巨大，車企在這方面沒有足夠的基礎，投入產出性價比低。所以車企布局大模型的總體原則是：將大模型與自身業務場景、數據有效融合，充分發揮出大模型的價值。

具體來說，車企應具備大模型的思維理念，通過合作有效引入外部通用大模型能力，同時逐步培育自身的AI核心能力與基礎能力支撐，建立自身業務數據庫，不斷訓練、迭代專屬的業務模型，探索生成式研發創新模式（詳見圖11）。即車企通過產業分工協作，將大模型的能力不斷深入在自身業務的應用場景，最終構建企業生成式研發模式，賦能產品顛覆性創新。

圖11 企業大模型應用及創新體系

2.車企在大模型技術生態中的角色定位

在汽車行業大模型生態中，面對眾多的發展挑戰，各方須以長遠視角、用專業化分工模式推動大模型價值實現。其中，大模型開發企業應重點開發汽車垂類場景模型，并與平臺開發方深度合作，基于模型原子能力開發服務應用；芯片企業提供大算力SoC芯片，云服務商則提供云端算力資源。隨著汽車行業大模型生態的日趨成熟，將構建出行業大模型平臺，支撐各類資源設施的共享。

圖12 汽車行業大模型產業生態圖

車企作為數據提供者，直接面向用戶，擁有場景數據，至少應掌握需求定義與功能應用的能力。未來有實力的車企可參與不同細分領域大模型的聯合定義與開發，與大模型開發企業形成伴生式合作關系，通過不斷積累的數據反哺場景模型迭代升級，共同打造更符合用戶與產品差異化定位的垂類場景模型。

3.車企布局大模型應用的分階段策略

車企布局大模型的目的并非自研大模型的開發能力，而是如何通過自身能力積累，與內外部資源合作，最終將大模型的潛力與新汽車發展充分融合。因此，車企必須瞄準不同時期的落地目標，制定分階段的大模型布局規劃：

首先，近期策略是“能用起來”：車企應以智能化產品為切入點，實現大模型功能的快速上車應用，通過快速提升產品體驗，加深用戶感知度。

其次，中期策略是“用得更好”：車企不斷儲備積累相關軟件算法能力，在研發、營銷、售后、管理等環節引入大模型應用，將大模型的能力由前臺不斷向中臺、后臺逐漸滲透，提升大模型應用的廣度和深度。

最后，遠期策略是“共同發展”：車企深度參與生態建設，與各方充分協作，推動汽車行業大模型的整體發展。隨著技術應用持續豐富，商業價值逐漸顯現，大模型也將成為推動車企長期持續發展的重要手段。

4.當前車企布局大模型的具體舉措

現在正處于大模型滲透入汽車行業的初期階段，車企應通過與生態中其他主體的合作，快速打通智能化產品與大模型能力之間的連接通道，為大模型上車進行能力布局。

第一，在軟件應用層上，當前車企對于模型及平臺至少掌握定義能力、選型能力，能夠根據自身功能需求與資源支撐，從大模型開發企業選擇合適的場景模型。同時在車端軟件應用設置相應的接口，與開發方提供的大模型服務接口對接。例如根據電子電氣架構和智駕能力需求選擇合適的感知、決策或端到端算法方案，并在自身智駕系統中設置合適的接口來引入大模型能力。

未來隨著車企自身能力的積累，車企盡量掌握針對大模型的軟件適配性開發能力，包括車載OS、應用軟件等，以最大化發揮大模型的賦能價值。例如根據大模型算法對OS中間件進行有效調整，提升資源調配管理效率。

第二，高需求算力作為大模型落地的關鍵支撐，車企需要在云端和車端進行合理的部署規劃。如前所述，智能汽車的算力部署原則為云端大算力+車端小算力的組合模式，因此當前車企在云端算力部署可選擇互聯網科技企業的“公有云+私有云”服務方案，或建立專屬的超算中心，實現大規模的數據處理；車端則以現有大算力芯片和計算平臺為主。

未來以云端為主要算力部署的趨勢不會變，隨著模型迭代與數據量的增加，各端算力要求將逐漸增加，尤其是GPU（圖形處理器）及異構計算能力，而針對大模型算法進行開發的芯片方案將成車企的重要選擇。同時，對車云一體架構的協同效率需求將提升，實時通訊能力也需要提高。另外車端數據訓練和處理的標準需進一步貼合云端。

由此可見，大模型應用于汽車將進一步放大企業對算力基礎設施的需求，車企在關注AI硬件資源的同時，需要提升配套軟件及整體架構的能力支撐。

六、總結

綜上所述，大模型的本質上是AI能力的躍遷，其將驅動社會各行業發生顛覆性變革。但是大模型在不同行業的應用價值有所區別，汽車行業正是當前及未來大模型應用的重要載體。大模型將推動汽車多領域變革，擁有巨大的應用價值與潛力，大模型將成為引領新汽車時代發展的重要驅動力之一。同時大模型在汽車行業應用也面臨全方位、多維度的挑戰，其中既有大模型自身的局限，也有汽車行業賦予其的獨特挑戰。但是大模型滲透入汽車行業勢不可當。蓋斯特咨詢預測，汽車行業大模型應用將經歷三個發展階段：產品體驗賦能、企業降本增效和社會效益創造。

當前眾多企業紛紛布局大模型，均希望利用大模型賦能自身業務，由此引發了新一輪的市場競爭浪潮。蓋斯特咨詢認為，車企應主動地、盡早地尋求改變，抓準自身立足點，通過能力儲備與生態合作，充分發揮大模型的賦能價值。

重點建議總結有三點：一是，車企必須充分認識到大模型上車應用的價值，從產品體驗、技術研發創新、經營管理等多維度進行賦能，對其他企業形成綜合競爭力的優勢；二是，車企的目標不應是自主開發大模型，而是大模型賦能價值的最大化。因此車企布局大模型策略要以產品體驗和用戶感知提升為龍頭或牽引力、以數據為驅動，通過大模型提升軟硬件的綜合能力，更好滿足新汽車時代下的用戶需求；三是，車企需要積極參與大模型生態建設，與其他主體充分協同共創，在合作中不斷積累和儲備軟件算法核心能力，持續提升大模型應用廣度與深度。