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，吸引了众多国家与企业的强烈关注，大家普遍认为大模型将驱动各行各业发生颠覆性影响。在汽车行业中大模型的应用也引发了热烈讨论，众说纷纭。盖斯特咨询研究团队对大模型做了系统研究，本研报在解析大模型本质的基础上，研究其社会价值与影响，深入分析了大模型在汽车行业的应用潜力与落地挑战，并为车企提供布局策略建议。

一、对大模型的本质解析

1.大模型的概念与本质

大模型是一种大规模预训练AI模型。AI模型从2000年发展至今，历经了机器学习、深度学习到预训练模型的三个发展阶段。当AI模型训练的数据量、算法参数量、算力三者持续提升并达到临界量级（如图1所示），AI模型的生产力由量变到质变，展现出智能推理和内容生成的能力，由此诞生了大模型。

目前大模型尚无统一的定义。盖斯特给出的大模型定义是：指具备庞大参数体量（参数量高达千亿甚至万亿级），经过海量数据集的通用化训练，涌现出在多任务下自学习、自推理、自生成能力的大规模预训练AI模型。

图1 AI核心要素的发展历程

大模型与传统AI模型已有了本质的区别。传统AI模型不仅需要人工训练AI怎样做，还需要人对训练样本进行海量的标注，这样AI模型才能完成特定类型的任务。而AI大模型具有很强的自学习能力，在无规则预设前提下具有低样本甚至零样本的推理能力，能够根据需求直接完成任务；同时具有强泛化性，通常在无标注情况下，大模型可以高效学习训练集中的通用规律和复杂特征，能够更好应对自然语言任务；具有高通用性，通过自监督学习和巧妙训练原生自然语言，从完成单任务拓展至多任务。

也就是说，与传统AI模型相比，大模型具有强自学习性、强泛化性、高通用性三大核心特征，具备了智能理解、推理、生成的能力，从而推动人工智能从基于规则的“计算智能阶段”加速向“认知智能阶段”发展。大模型的出现大幅降低了人工在任务流程中的介入需求，开始打破原有人工与AI之间的平衡，将极大地加速AI产业化落地进程。

2.大模型的关键要素

大模型的关键要素包括数据、算法、算力与平台，具体来看：

第一，数据是大模型训练、迭代和优化的关键。数据主要来源于各类数据集、用户数据等，其中人类自然语言信息是大模型的专属数据特征。高质量数据是稀缺资源，更是在大模型竞争格局中获胜的核心要素。

第二，算法是大模型的核心技术，决定大模型的能力范畴。算法包括基础通用化模型算法与专业微调模型算法。目前算法掌握在大模型开发企业手中。

第三，算力是支撑大模型能力实现的基础。大模型的庞大参数量与数据体量决定其算力需求远超一般AI模型，所以大模型需要AI芯片（如高性能GPU）、云计算、服务器等企业提供算力支撑。

第四，平台是连接大模型和应用端的纽带，也成为新的关键要素。通过平台可将大模型能力有效释放于应用端，同时借助平台来吸纳数据，又能反哺大模型迭代和优化。平台包括服务平台、开发平台、应用生态平台和信息平台等。

综上所述，算力是大模型的基础支撑，算法和数据共同驱动大模型持续提升，平台的部署则是释放大模型能力的有效途径。

3.大模型应用所需的能力支撑

大模型落地应用的支撑能力主要来源于技术、资源、安全三个层面。

首先在技术层面，一是大模型的开发难度大，并非参数量大或利用海量数据训练的模型就是大模型，大模型的关键在于其能否涌现出强大的推理和生成能力；二是多模态处理性能要求高，随着应用场景越来越丰富，自然语言、语音、图像、视频等多类数据交织，大模型机器学习处理难度高；三是现有大模型输出的内容极度不稳定，而且在出现错误后难以有效溯源，所以大模型在行为一致性与可解释性均需有效提升。

其次在资源支撑层面，一是大模型对优质且海量的数据需求高，目前缺少供训练的中文共性基础库，同时各行业内均存在数据壁垒，导致数据获取难度大；二是算力和内存需求大，以GPT聊天机器人模型为例，仅其训练的算力门槛便需一万张高性能GPU芯片,成本约10亿元，同时至少需350GB内存来训练1750亿参数；三是大模型对电力等能源消耗极大，且成本高。例如，GPT训练的年综合电力成本高达数十亿元人民币。

最后在安全治理层面，当前社会对于大模型落地应用的主要担忧在数据安全、AI治理与监管效果方面。如果大模型的生成式内容能力被滥用，很可能违反社会价值观，甚至突破法律底线。同时大模型对社会就业、产业发展、道德伦理的冲击也会引发一系列的问题。

由此可见，大模型发展面临的是全方位、多维度的问题，所以需要从技术支撑、基础设施、社会治理制度等多方面不断完善，来共同推动大模型的落地应用。

4.大模型的演进阶段

大模型的发展路线可分为工程化、通用化、行业化和生态化四个演进阶段，具体如图2所示。当前大模型发展正从通用化向行业化阶段转变，即通用基础大模型成熟期向垂直应用领域大模型成熟期的发展进程中。这个阶段需要打通大模型功能与用户连接之间的桥梁，以契合行业的特点。合理有效地发挥大模型的能力是目前面临的关键问题。

当前通用大模型领域呈现出百花齐放、激烈竞争的场面。盖斯特咨询判断，将来仅有少数寡头企业可完全跑通大模型的演进路径。随着大模型行业竞争从比参数过渡到比落地应用，将出现越来越多的垂直领域大模型。这类行业大模型擅长特定的专业领域及核心的交互场景。相对来说，轻量化的行业模型及场景模型得益于更聚焦的数据训练与更少的参数设置，不仅降低部署成本，同时用户对此的感知程度也将日益加深，因此垂直应用领域大模型将迎来蓬勃发展时期。未来随着大模型产业主体更加丰富、各模块专业性提升、产业链完善、应用生态繁荣，大模型产业日趋完善的生态格局将有效赋能其实现更大的产业价值。

图2 大模型演进趋势

二、大模型的社会价值与应用潜力

1.大模型的社会价值

大模型的出现意味着人工只需指导AI，甚至用AI控制AI来完成任务，极大降低了人在人工智能任务中的参与程度需求，大模型将革命性地解放生产力；进而大模型将变革生产关系，引发社会全方位的资源调整，甚至资源再分配。因此大模型将驱动各行业发生颠覆性变革，并将变革社会方式。

具体而言，大模型将从开发生产、产品服务、企业经营、人才需求等方面驱动各行业变革。

第一，突破开发生产效率。大模型自身高效的数据处理、软件开发、数据化自动化标注等能力可以解放低效生产力，提升开发生产的自动化程度，降低劳动力成本，实现大幅度的降本增效；

第二，创新产品服务形态。大模型强大的算法优化、数据挖掘、多模交互、内容生成、用户情感识别等特点，可实现创意激发与体验优化，同时让人机交互更加智能；

第三，优化企业经营决策。大模型可提供数据分析、智能制造、智能销售与服务、成本与决策优化等服务，助力企业做出全面、精准、灵活的判断，使决策更科学、服务更精准；

第四，引发社会人才需求变化。大模型显著降低对低效、低创造性人才的需求，对创造性的高价值人才需求将显著增加，未来可灵活运用AI技能的人才将具备明显优势。

未来如何利用大模型有效赋能，形成更低成本及更高效率的开发生产模式、更智能更友好的产品形态、更高价值的用户体验，将成为产业智能化发展中的重要课题。

2.大模型产业应用的范式

大模型产业应用是以“通用预训练+专业精调”的组合模式。如图3所示，首先通用基础大模型对海量的多模态知识开展预训练，然后针对行业及业务场景进行适配化精调开发，形成垂直类场景模型，提供原子化服务。而平台作为大模型能力与产品应用之间的连接和沟通工具，将场景模型层的原子能力与上层应用打通，为用户输出大模型服务。以Chat GPT为例，大语言模型作为基础支撑，通过对自然语言的预训练，结合人类对话场景进行微调，实现对话问答的原子能力，再通过服务平台接口将对话功能引入到网页、APP、汽车座舱等应用中，供用户使用。

图3 大模型产业应用范式

在此应用范式下，新的软件应用不再需要从最底层开始重复开发，而是基于已有的基础模型与场景模型便可实现高效的应用开发。因此大模型将重构各行业的软件体系，不仅有效降低AI模型及软件应用的开发门槛，提高软件开发和硬件优化的效率，还将重塑企业经营管理模式，并拓展丰富其产业应用边界与赋能形态。盖斯特咨询认为，未来各行业的所有软件都可以用大模型重写一遍，实现软件价值效率的革命性提升，赋能各行业发展。

3.大模型在不同行业的应用前景预测

对于具体行业而言，其联网程度、数字化基础、行业内容特点等决定大模型的应用前景与价值。盖斯特咨询按照“影响程度”与“渗透速度”两个维度，将大模型变革行业的前景分为四类（详见图4）：

一是突破颠覆型：大模型可渗透到行业核心内容，能够快速创造价值的行业，典型代表有互联网、游戏、电商等行业；二是快速影响型：该类行业数字化范围较大，但AI渗透行业核心内容的逻辑较难，例如汽车、营销、通信行业；三是潜在发展型：该类行业数字化程度极低，大模型渗透速度慢、影响弱，例如农业、建筑、政务等；四是缓慢赋能型：行业本身数字化程度低，人工智能的潜在价值兑现较慢，例如教育、艺术业等。

图4 大模型对各行业变革前景分析（注：圆圈大小代表潜在价值大小）

结合各行业的特点，目前大模型的典型应用案例已有不少。例如，最为广泛的自然语言（NLP）大模型已被用于服务业中的智能客服、互联网的搜索推荐、影视业的实时字幕、教育业的语义理解等；计算机视觉（CV）大模型可用于游戏的三维建模、制造业的智能监控、工业中的辅助质检、医疗中的辅助诊断等；跨模态大模型可支撑多类型生成式人工智能（AIGC）应用，如汽车中的智能交互、营销图文物料、服务业中的内容生产等；决策类大模型分析、判断与优化能力将用于汽车自动驾驶、金融投资研判、智能交通规划、节能模型等。

三、大模型在汽车行业应用前景分析

1.大模型在汽车行业应用潜力

当前汽车行业已进入数字化与智能化发展阶段，AI软件逐渐成为新汽车时代的重要支撑技术。汽车产业具有主体多、涉及领域多、流程复杂的特点，正是大模型当前及未来应用的重要领域之一。

对于大模型在汽车行业的应用场景和应用价值，我们可从“用户感知程度”和“AI软件影响潜力”两个维度来判断分析。如图5所示，应用场景可分为产品与技术、用户服务运营、企业经营管理三大方面的6个细分领域。其中，产品及技术方面包括智能化体验、技术研发创新、产品设计，大模型的应用价值将率先体现在智能化产品提升与技术研发创新上，这是行业当前重点关注领域；服务运营是用户感知程度较强的领域，其中营销、售后、城市出行等场景均可利用大模型进行赋能；在企业经营管理方面，大模型在生产制造智能化、企业数字化流程变革及组织形态创新等发挥作用，通过弥合数据流断点、提升自动化程度、优化组织机制等实现企业经营的降本增效。

图5 大模型在不同汽车领域的应用场景分析

由上可知，大模型可赋能汽车行业多个领域，其能力不仅契合汽车各关键领域的发展需求，还可助力解决当前面临的诸多问题，具有强大的应用潜力。如果汽车企业有效利用了大模型赋能自身各个环节，以突破创新和提质增效，将在市场竞争中对其他同类企业形成降维打击之势。

2.大模型在汽车领域应用的挑战

尽管大模型在汽车行业应用的潜力巨大，但是由于汽车产业非常复杂，同样面临着巨大的挑战。一方面汽车行业的复杂性放大了大模型自有的发展难题，另一方面汽车行业的独特性又给大模型带来了新的应用挑战。

具体来看，大模型在汽车领域应用的挑战主要集中模型算法、数据及算力支撑三大方面，如图6所示。

图6 大模型在汽车行业应用的主要挑战领域

第一，在算法层面，由于汽车场景多且复杂，包括静态和动态、用户和机器、车内和车外、图片和视频等等，众多类型的海量数据交织，显然仅靠单一模态模型处理无法完成，因此对大模型同时处理不同模态数据的算法能力提出挑战；同时汽车关乎人类生命安全，车规级安全性要求大模型的算法必须具有高度的可靠性和一致性，另外还需具备可解释性。而现有大模型生成的内容极度不稳定，若出现错误又难以有效溯源，无法满足车辆需求。盖斯特咨询认为，相比于通用基础大模型而言，汽车AI模型开发应聚焦在细分用车场景和数据轻量化，打造更符合汽车场景的的汽车AI中模型或小模型，或许能够有效地应对上述问题。

第二，在数据层面，面临着数据来源少、质量差和数据安全等问题。首先汽车行业缺少大体量、高质量的数据，一方面不同企业的数据具有天然隔阂，另一方面没有统一的标准，数据难以流通和使用，因此需要构建汽车行业专属的数据开放平台，促进数据的流通和共享；其次，单一模态数据已经不能满足多模算法的训练需求，未来需要海量的多类型数据；最后，数据安全更是汽车行业需要关注的重要问题。传感器数据、地图等信息涉及国家机密，国家对其管控严格；用户数据涉及隐私安全，此类数据确权、开放共享的合法性存在争议，国家及行业需要进一步明确AI监管与治理规范。

第三，在算力层面，前文谈到了大模型自身对算力、能源、成本等需求巨大，高端大算力GPU和电力将成为限制大模型发展的核心因素。若大模型应用到汽车上又有了新的挑战。例如，GPT仅推理就需近3万个GPU支持，日耗电量达50万度。目前车端系统级芯片最高能提供2000 TOPS的算力，与大模型所需的万级TOPS的算力需求相差甚远，另外车端的电池也难以支撑大模型的运行能耗，因此大模型的算力应更多地部署到云端和边缘端，即让云端和边缘端承担大规模计算任务，同时芯片架构开发需考虑与大模型算法适配，以提升算力利用率。另外，车云信息传输需求必须是极低时延（车端是10毫秒级），所以网络通讯能力也需要进一步提升。

由上可见，汽车行业应用大模型所面临的问题是全方位、多维度的，需要跨主体、跨专业、跨领域的分工合作，以推动其持续应用与发展。需要注意的是，大模型在汽车行业有无应用潜力，与能否取得商业成功是两回事。目前国内发布大模型的数量早已破百，其背后是大量资源的消耗，但是商业价值回报尚未真正体现出来。汽车企业也在积极参与大模型的发展。盖斯特认为，如果车企一味地“卷”底层基础模型则会造成巨大的资源浪费。企业只有以需求为驱动，打造适合汽车不同领域的垂类大模型，并利用大模型促进汽车产品及服务一体化发展才是长远之计。

3.大模型在汽车应用阶段划分

盖斯特咨询预测，大模型在汽车行业的应用将呈现出循序渐进的节奏，前期快速上车、积累场景与数据，之后随着技术持续演进，中后期将不断拓展应用范围，并放大大模型的价值。

如图7所示，根据大模型赋能汽车各应用场景的渗透时间与应用难度，可将大模型应用划分为三个阶段：

第一阶段产品体验赋能，大模型在智能化产品应用上快速落地，提升汽车产品的用户体验；第二阶段企业降本增效，随着核心技术积累，大模型赋能企业经营全方面降本增效；第三阶段社会效益创造，由于突破了技术迭代与应用落地的瓶颈，大模型覆盖汽车行业的深度与广度显著提升，进而推动社会移动出行的发展。

图7 大模型在汽车行业应用的不同阶段

未完待续，请继续关注《盖斯特研报：大模型的本质及其对汽车行业的影响（下篇）》