<th id="bfrze"></th>

    <button id="bfrze"><object id="bfrze"></object></button>

      1. <em id="bfrze"><acronym id="bfrze"><u id="bfrze"></u></acronym></em><button id="bfrze"></button>

        蓋斯特研報:大模型的本質及其對汽車行業的影響(下篇)
        2024-07-18 關鍵詞:大模型 點擊量:60

        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。

        相關內容
        首頁 電話 聯系
        會員登錄
        還未注冊?點擊立即注冊
        注冊
        已有賬號?返回登錄
        亚洲人成日韩中文字幕不卡_国产精品无码专区第1页_亚洲A成人片在线播放_国内精品精彩无码视频