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

四、大模型在汽车行业的典型应用场景

对于汽车产品、技术和服务中的难点问题，应用大模型或可得到突破性解决方案。例如，当前汽车智能化产品体验面临两个突出问题，一是自动驾驶的长尾问题，二是座舱交互系统智能化的程度低。对于前者，大模型赋能核心在自动驾驶算法上；对于后者，大模型可以为用户提供主动式、个性化的交互。下面详细分析大模型的四个典型应用场景以及其带来的影响。

1.大模型彻底改变智能驾驶方案的底层逻辑

大模型智能驾驶方案在本质上是把传统的自动驾驶算法变为“场景-车辆控制”全流程的端到端模型，真正实现感知规划一体化，可以说是彻底改变以往智能驾驶方案的底层逻辑。

传统智能驾驶方案采取预设规则的模块化方案，即感知-决策-规划的流水线流程，众多子模块对应单独的任务和功能，基于预设规则的算法进行判断，即使部分模块引入神经网络，仍存在多个编解码、输入输出环节。该方案模型冗余，各模块均需专门训练、优化和迭代，且模块间环节繁琐。同时对摄像头、雷达、高精地图等传感信号需求高，而且主要针对感知模块的图片信息进行训练。所以在性能方面存在信息损失和级联误差，同时难以有效处理长尾场景问题。但是这种方案可解释强，便于问题回溯，也易于调试。

图8 智能驾驶方案逻辑对比

相比之下，基于大模型算法架构的端到端方案，即感知-决策-规划一体化模型，更接近人的驾驶思维，由感知信息直接生成控制信号。也就是说，传感器采集到的信息直接输入神经网络算法中，经过处理后直接输出命令。这种模型聚焦，研发针对单个大参数量模型进行整体训练，虽然训练要求高，但功能聚焦。另外对传感信号需求较低，可降低硬件成本，支持以视觉感知为主，需要对含有驾驶行为的视频信息进行训练。

从性能上，大模型方案可大大降低级联误差，提升系统性能的上限。同时由于大模型强大的泛化能力，端到端方案可提高罕见场景下感知决策的准确率，有效解决长尾问题。但是这一方案的可解释性差，由于是黑盒模式，当出现错误时难以溯源。

当前已有多家整车企业基于大模型架构推出城市NOA（城市导航辅助驾驶）解决方案，例如特斯拉、小鹏、理想汽车等。今后随着大模型算法及应用场景的持续迭代，将有效促进高阶自动驾驶方案的实现。

2.大模型颠覆了以往的人机交互架构

大模型凭借强大的通用预训练能力，为人机交互带来更加智能、更加灵活的架构方案。如图9所示，传统的汽车座舱人机交互架构是基于人为预设流程进行，不论是AI嵌入模式还是AI助理模式，其输入和输出均须遵循预设的规则，例如早期的智能语音助手只能识别固定的语句。以前AI算法经常被用于某个或多个环节以提升效果和效率，例如用深度学习提高模糊语音识别的准确率，但在本质上还是人告诉AI“怎么做”。

图9 人机交互不同模式对比

而以大模型实现端到端全流程的交互决策架构，人只告诉AI我们所需的结果即可，机器在大模型强大推理与生成能力下可直接自主完成全流程任务。例如面对单模态的指令——“路上怎样充电最方便”，或者多模态需求——“营造一个安静的午休环境”等，大模型可充分理解和判断用户的需求，并做出决策和反馈。大模型应用在人机交互中，彻底改变了人类与计算机之间的交流方式，也改变了开发范式，将推动人机交互应用从指令式智能向交互式智能发展。

3.大模型驱动生成式技术研发模式诞生

大模型在技术研发方面的应用主要在智能化模式变革上。我们以电池材料开发智能化为例具体说明。

电池开发涉及材料研发、电池设计、系统组装、测试验证等内容，复杂且要求高，传统方法存在周期长、成本高、人力投入大等问题。不同类型的大模型可根据电池研发流程特征，实现有针对性的赋能。

图10 大模型在电池开发流程中的应用

在电池材料研发阶段，通常需要通过大量的实验试错，成本投入大且效率低下，而化学材料模型库可对海量材料数据进行高效地挖掘和分析，筛选出新材料、模拟不同组合，大幅提升材料创新的效率。

在电池设计阶段涉及参数多，结构复杂，难度较大；同时，系统组装阶段的影响因素多，对最终工艺质量及效率要求高。因此可以借助仿真大模型和模拟分析大模型，模拟电池内部的物理化学过程，预测电池性能结果。另外，还可高效筛选和优化工艺参数，并进行模拟评估，来优化电池设计，提升系统的整体性能。

在测试验证阶段，对数据分析、BMS软件系统开发要求高，而数据大模型可对电池工作状态、寿命等进行分析预测；编程大模型可自动生成软件代码，有效提高测试效率。

可以看出，大模型应用在电池开发流程中的核心目的是提质、增效和降本，大模型将推动电池智能开发加速落地。

4.大模型助力用户运营服务生态创新

与传统汽车相比，智能汽车在用户服务上有着很大程度的拓展和升级，现在导入大模型可助力突破数据壁垒，为服务产业链赋能，带动用车服务生态整体创新增长。

在服务资源生态方面，大模型是满足用户用车体验的充分支撑：一是基于大模型开发的智能售后助手是故障预测、维修知识专家，可随时提醒维修商和用户注意车辆状况；二是基于AI语音助手的智能客服，可与用户全天候互动，打造高质量服务体验；三是大模型助力智慧出行服务生态打造，包括智能充/换电补能、汽车共享、路线选择、一体化出行服务平台等。

在应用开发生态方面，即在开发者生态中，大模型是面向用车场景、实现多样性和开放性的重要支撑。一是，大模型降低了软件开发门槛，为开发者提供丰富、低编程能力要求的开发选择，甚至根据需求自动生成可用的代码，从而加速开发者生态发展；二是，大模型基于用户数据驱动的OTA升级决策，可高效分析用户在应用端的使用数据，判断各项功能的优劣势，从而实现数据驱动的OTA精准升级；三是大模型凭借其强大的数据标注和处理能力，能够更好地分析用户偏好，为用户提供符合其使用习惯或兴趣爱好的个性化、差异化服务。

五、对车企布局大模型应用落地的策略建议

1.车企布局大模型技术应用的总体原则

盖斯特咨询认为，基础通用大模型的开发难度高、投入巨大，车企在这方面没有足够的基础，投入产出性价比低。所以车企布局大模型的总体原则是：将大模型与自身业务场景、数据有效融合，充分发挥出大模型的价值。

具体来说，车企应具备大模型的思维理念，通过合作有效引入外部通用大模型能力，同时逐步培育自身的AI核心能力与基础能力支撑，建立自身业务数据库，不断训练、迭代专属的业务模型，探索生成式研发创新模式（详见图11）。即车企通过产业分工协作，将大模型的能力不断深入在自身业务的应用场景，最终构建企业生成式研发模式，赋能产品颠覆性创新。

图11 企业大模型应用及创新体系

2.车企在大模型技术生态中的角色定位

在汽车行业大模型生态中，面对众多的发展挑战，各方须以长远视角、用专业化分工模式推动大模型价值实现。其中，大模型开发企业应重点开发汽车垂类场景模型，并与平台开发方深度合作，基于模型原子能力开发服务应用；芯片企业提供大算力SoC芯片，云服务商则提供云端算力资源。随着汽车行业大模型生态的日趋成熟，将构建出行业大模型平台，支撑各类资源设施的共享。

图12 汽车行业大模型产业生态图

车企作为数据提供者，直接面向用户，拥有场景数据，至少应掌握需求定义与功能应用的能力。未来有实力的车企可参与不同细分领域大模型的联合定义与开发，与大模型开发企业形成伴生式合作关系，通过不断积累的数据反哺场景模型迭代升级，共同打造更符合用户与产品差异化定位的垂类场景模型。

3.车企布局大模型应用的分阶段策略

车企布局大模型的目的并非自研大模型的开发能力，而是如何通过自身能力积累，与内外部资源合作，最终将大模型的潜力与新汽车发展充分融合。因此，车企必须瞄准不同时期的落地目标，制定分阶段的大模型布局规划：

首先，近期策略是“能用起来”：车企应以智能化产品为切入点，实现大模型功能的快速上车应用，通过快速提升产品体验，加深用户感知度。

其次，中期策略是“用得更好”：车企不断储备积累相关软件算法能力，在研发、营销、售后、管理等环节引入大模型应用，将大模型的能力由前台不断向中台、后台逐渐渗透，提升大模型应用的广度和深度。

最后，远期策略是“共同发展”：车企深度参与生态建设，与各方充分协作，推动汽车行业大模型的整体发展。随着技术应用持续丰富，商业价值逐渐显现，大模型也将成为推动车企长期持续发展的重要手段。

4.当前车企布局大模型的具体举措

现在正处于大模型渗透入汽车行业的初期阶段，车企应通过与生态中其他主体的合作，快速打通智能化产品与大模型能力之间的连接通道，为大模型上车进行能力布局。

第一，在软件应用层上，当前车企对于模型及平台至少掌握定义能力、选型能力，能够根据自身功能需求与资源支撑，从大模型开发企业选择合适的场景模型。同时在车端软件应用设置相应的接口，与开发方提供的大模型服务接口对接。例如根据电子电气架构和智驾能力需求选择合适的感知、决策或端到端算法方案，并在自身智驾系统中设置合适的接口来引入大模型能力。

未来随着车企自身能力的积累，车企尽量掌握针对大模型的软件适配性开发能力，包括车载OS、应用软件等，以最大化发挥大模型的赋能价值。例如根据大模型算法对OS中间件进行有效调整，提升资源调配管理效率。

第二，高需求算力作为大模型落地的关键支撑，车企需要在云端和车端进行合理的部署规划。如前所述，智能汽车的算力部署原则为云端大算力+车端小算力的组合模式，因此当前车企在云端算力部署可选择互联网科技企业的“公有云+私有云”服务方案，或建立专属的超算中心，实现大规模的数据处理；车端则以现有大算力芯片和计算平台为主。

未来以云端为主要算力部署的趋势不会变，随着模型迭代与数据量的增加，各端算力要求将逐渐增加，尤其是GPU（图形处理器）及异构计算能力，而针对大模型算法进行开发的芯片方案将成车企的重要选择。同时，对车云一体架构的协同效率需求将提升，实时通讯能力也需要提高。另外车端数据训练和处理的标准需进一步贴合云端。

由此可见，大模型应用于汽车将进一步放大企业对算力基础设施的需求，车企在关注AI硬件资源的同时，需要提升配套软件及整体架构的能力支撑。

六、总结

综上所述，大模型的本质上是AI能力的跃迁，其将驱动社会各行业发生颠覆性变革。但是大模型在不同行业的应用价值有所区别，汽车行业正是当前及未来大模型应用的重要载体。大模型将推动汽车多领域变革，拥有巨大的应用价值与潜力，大模型将成为引领新汽车时代发展的重要驱动力之一。同时大模型在汽车行业应用也面临全方位、多维度的挑战，其中既有大模型自身的局限，也有汽车行业赋予其的独特挑战。但是大模型渗透入汽车行业势不可当。盖斯特咨询预测，汽车行业大模型应用将经历三个发展阶段：产品体验赋能、企业降本增效和社会效益创造。

当前众多企业纷纷布局大模型，均希望利用大模型赋能自身业务，由此引发了新一轮的市场竞争浪潮。盖斯特咨询认为，车企应主动地、尽早地寻求改变，抓准自身立足点，通过能力储备与生态合作，充分发挥大模型的赋能价值。

重点建议总结有三点：一是，车企必须充分认识到大模型上车应用的价值，从产品体验、技术研发创新、经营管理等多维度进行赋能，对其他企业形成综合竞争力的优势；二是，车企的目标不应是自主开发大模型，而是大模型赋能价值的最大化。因此车企布局大模型策略要以产品体验和用户感知提升为龙头或牵引力、以数据为驱动，通过大模型提升软硬件的综合能力，更好满足新汽车时代下的用户需求；三是，车企需要积极参与大模型生态建设，与其他主体充分协同共创，在合作中不断积累和储备软件算法核心能力，持续提升大模型应用广度与深度。