AI大模型在汽车行业应用探索

如果要说当下科技圈最火的话题，AI大模型绝对排在前列。从2023年ChatGPT引爆大众关注，到各个行业都在琢磨怎么用上这个新工具，大模型带来的冲击是实实在在的。不过，很多文章要么过于技术化，要么流于表面，能深入业务场景讲清楚“到底怎么用”的并不多。

今天这篇文章，咱们就聚焦汽车行业，从营、销、服三个核心环节，聊聊大模型到底能干什么、怎么干，以及落地时会碰到的那些坑。先说几个核心判断：大模型很强，但远没到真正成熟的时候；它能带来效率革命，但应用场景需要仔细筛选；未来一定是人与AI协作的阶段，全自动化还早。

AI大模型的前世今生

大模型发展概述

人工智能这个概念，最早可以追溯到1956年。那之后很长一段时间里，机器学习逐渐成型，算法层面的探索也越来越丰富。再往后，深度学习兴起，神经网络被引入，技术栈变得更深。到了2021年，预训练大模型开始出现，但真正把大模型推到聚光灯下的，还是2023年ChatGPT的发布。从那之后，大模型从一个技术圈的小众话题，变成了全社会关注的焦点。

什么是大模型

那么，大模型到底大在哪儿？可以从三个维度来看。

第一，算法模型变了。最早Transformer架构的出现，为后续各类大模型奠定了模型基础。第二，参数规模是以前不敢想的。以前的模型撑死百万级参数，现在的大模型动不动就是亿级、十亿级，甚至百亿级。第三，训练数据量也翻了无数倍。大模型的预训练会用到海量数据，ChatGPT的训练数据基本上就是整个互联网上的公开内容。

大模型很强大，但仍处于早期发展阶段

大模型的能力确实是毋庸置疑的强大，但真正深入业务的应用其实并不多。整体来看，这个领域还处于早期阶段。这也就意味着，在行业落地的过程中，会碰到各种各样的问题。以下几个是比较突出的：

• 成本高。
  要做一个垂直领域的大模型应用，首先得考虑部署方式：私有部署还是公有云。私有部署意味着基础数据标注、训练成本、算力成本、预训练团队成本，全部要自己扛。模型训练完上线使用，还有持续产生的推理成本。

• 垂类应用难。
  现在用得最多的还是通用大模型——你输入文字，它基于知识库回答问题。但一旦聚焦到解决某个行业的特定问题时，通用大模型就很难满足需求了。比如AIGC做营销素材生成，要嫁接到汽车行业中去解决一个具体的工程问题，中间需要大量的调整和进一步的预训练。

• 安全问题。
  大模型应用时，尤其是知识库类场景，会涉及各种敏感问题。输出的答案也需要符合国家相关规范，合规是绕不过去的坎。

• 隐私问题。
  与个人相关的数据，法律法规有明确规定，绝对不能通过通用大模型去输出。

大模型催生“效率革命”，为产业提质增效

经常会有人问，大模型到底能创造什么价值？答案的核心就两个字：效率。大模型的核心价值就是为各个产业降本增效。具体来说，体现在几个方面：

• 能力比较强。
  在专业领域，包括推理能力上，大模型已经比人强很多。

• 效率更“高”。
  AI大模型以及衍生出的AI数字员工，可以替代一部分人工工作，提升效率。

• 场景更“广”。
  大模型的应用场景非常广泛，比如汽车行业的营、销、服、研、产、供各个环节，包括智能驾驶、智能座舱等，各个车企已经开始让大模型真正“上车”使用了。

• 应用更“深”。
  无论是行业级应用，还是具体产生直接价值的场景，大模型+AI将推动全链路的智能化。

AI大模型在汽车营、销、服领域的探索

汽车营、销、服业务全景图

在整个营、销、服阶段，有很多环节都可以用AI大模型去赋能。我们针对这些环节逐一做了探索和尝试，目标是找到那些能够真正落地的场景。

营销：提高内容产出效率，助力线索提升

舆情问题出现后，质量部门人员需要人工识别和判断，再分发给研发侧。这个过程可以通过AI大模型做预判，把每天的舆情问题自动转换成匹配信息，分给对应的质量部门和研发部门。

投放广告时需要写关键词，AI大模型可以帮忙拓词，把拓展的关键词加进去。还可以用大模型批量生成标题和对应的落地页素材。

车企营销部门会制作专门的品牌素材，这些视频内容创作出来后，需要到各个社交媒体平台做矩阵式分发。AIGC可以基于这些素材进行二次创作，再由销售人员分发以获取线索。我们做过一个案例，在汽车行业聚焦小红书，训练了一个垂直大模型，帮销售做内容的二次创作。在新车发布、品牌日等场景下，辅助内容发布。另外，还能辅助设计师做海报、落地页图文设计等工作。

销售：强化销售能力，赋能线索转化

在销售线索跟进环节，大模型可以做AI洞察，包括线索的属性、偏好以及对应的跟进话术策略。整个话术知识库可以直接挂载到大模型上进行训练。

AI可以模拟销售和用户做真实场景的对练培训。能检验产品功能介绍点有没有介绍到位、话术有没有用对，比如有没有引导试驾。模拟过程还会拆成几个步骤，比如邀约跟进的话术，或者出单相关话术和常见问题。

在AI外呼环节，大模型可以做外呼摘要的处理。这本质是对语音数据（包括方言）的处理，在销售环节中很有探索价值。

通过数字人的形式做培训，可以批量培训销售人员。现在的数字人，语音上已经能达到非常逼真的效果。

服务：洞察用户诉求，赋能个性化服务

AI大模型可以对客户提问做综合管理，客服人员无需自己摸索，用大模型提供的答案就能给出满意的回复。

在车联网数据平台的智能诊断平台上，有驾驶数据、电池数据、信号数据等。大模型可以根据对应问题，发现已有规则中没有的诊断问题，并把这些诊断规则形成一个专有知识库。

数据：变革取数模式，助力数据管理

AI取数正在替代传统BI，但目前还存在取数不准的问题。另外，还可以通过大模型的BI工具做快速看板搭建，帮助写SQL。未来，可以直接通过语音问答获取底层数据，这将彻底改变看数据的场景和取数的交互方式。

在指标管理平台中，各个指标的口径往往不一致。大模型工具可以解答指标的口径，同时告知上下游指标间的关系，助力指标管理。

通过元数据管理平台，可以赋能上游业务系统做表建设，保持元数据的统一规范，同时赋能数仓建模以及下游模型搭建。

大模型的基建策略

碰到的难点

目前大模型建设中遇到的难点，主要集中在以下几个问题上：

• 大模型使用场景怎么设定？
  比如前面提到的，最开始不是一上来就要做小红书垂直大模型，而是先做一个通用的AIGC，后续在交流中逐渐发现场景越来越聚焦，最终才确定到小红书素材生成这个场景上。

• 基于场景的语料怎么准备和处理？
  每次训练都可能涉及不同的场景和语料。准备和处理时，不仅仅是技术人员，产品人员、业务人员都得参与。一个AI销售培训的场景，可能要进行3-4轮改进，耗时两个多月，每准备处理一次，又会发现新的处理点，语料处理的技巧也是在过程中逐渐摸索出来的。

• 大模型怎么训练（prompt和微调）？
  训练有两种方式：一种是直接做微调，需要好的平台和算法团队；另一种是轻量级的，用prompt做提示词先把场景跑起来，在需求验证之后，再对prompt进行调试，场景和需求固定下来后再去做微调和算力调整。

• 大模型的成本怎么评估？
  调研发现，各厂商大模型有公有token的方式，也有私有化部署需要卡和平台资源的。开源模型则主要是卡的资源。成本上必须充分考虑，项目能否持续投入很重要，而且运行时成本往往比训练时更高。

• 大模型部署：公有VS私有。
  私有大模型平台成本非常高，至少千万级以上。启动这类项目不是小项目，业务价值必须能够承载。如果只是探索，可以调用公有大模型API去尝试。如果有算法团队，可以从开源模型入手，这样场景验证可以有一个不错的冷启动。

• 大模型效果怎么评估？
  评估包括三个角度：精准度、拟人程度、提问的关联度。有时内容人员无法独立评估，可以借助外部力量，比如供应商。评估内容不仅包括技术指标，还有业务指标。

• 是否安全合规？
  有的同学可能习惯用OpenAI之类的工具，这在合规上是不允许的，需要尽量避免。各大厂家的模型都具备安全合规内容的审核和过滤能力。

• 业务价值怎么衡量？
  有个原则叫“离钱近，容错高”。离业务越近越好，比如销售业务容错率比较高，回答不精准不会造成大问题；但像BI领域，回答错误的影响就非常严重。另一方面是覆盖范围，覆盖范围广，提效的影响就更大。

建设AI大模型能力的痛点

目前建设大模型的主要痛点包括：技术变化快、人才短缺、初始投入大、缺少成熟的工具链、产业链分工尚未成熟、场景落地缺乏经验，以及应用效果难以评估等。

如何构建AI大模型基础设施

构建AI大模型基础设施，可以采用公有云实例的方式。如果有专有云实例，可以嫁接自己的向量数据库。如果数据不敏感，用纯公有云方式就好。另一种是私有部署，私有化的大模型最贵，可以基于通用的行业大模型，训练公司自己的垂直大模型，再进一步训练各业务场景的大模型，比如营销的、销售的、售后的大模型等。

未来的展望

大模型应用落地分为三个阶段，最终带来应用的爆发

• 人与AI协作（2023-2024年）。
  这一阶段更多是人和AI协作，AI已经应用于内容生成、文字处理、图片设计等场景中。

• 部分自动化。
  这个阶段自动化可能会出错，所以要在容错高的地方先行应用，比如广告场景、培训场景等。

• 全自动化。
  到了全自动化阶段，整个训练决策、执行动作以及整个agent都将实现自动化。

大模型带来的革命才刚刚开始。对于汽车行业来说，谁能更早、更务实地把大模型用起来，谁就能在这场效率竞赛中占得先机。