ChatGPT之類的大模型誕生后，國內(nèi)的公司基本上分出了兩條路線：一條是做自己的AI大模型，另一條是在AI大模型的應(yīng)用上發(fā)力，解決使用場景的問題。

作為高科技工業(yè)的代表，汽車行業(yè)天然適合AI大模型的使用。這篇文章，就講述了大模型在汽車行業(yè)的探索情況。

一、AI大模型的前世今生

1. 大模型發(fā)展概述

人工智能早在1956年就已出現(xiàn)，后面在此基礎(chǔ)上又出現(xiàn)了機器學習。在發(fā)展過程中，算法層面變得更為豐富。進一步發(fā)展，又出現(xiàn)了深度學習，引入了神經(jīng)網(wǎng)絡(luò)?；谏疃葘W習，在2021年出現(xiàn)了預(yù)訓練大模型。2023年ChatGPT的發(fā)布，引起了人們更多的關(guān)注和更廣泛深入的探索。

2. 什么是大模型

到底什么是大模型，大模型大在什么地方？

首先，算法模型不一樣，最早是transformer奠定了后續(xù)各類大模型的模型基礎(chǔ)。其次是海量參數(shù)，以前的模型最多只有百萬級參數(shù)，而現(xiàn)在的大模型常常是億級、十億級，甚至百億級。第三是海量數(shù)據(jù)，預(yù)訓練會用到很多的數(shù)據(jù)，比如ChatGPT完全是基于網(wǎng)上數(shù)據(jù)去進行預(yù)訓練。

3.大模型很強大，但仍處于早期發(fā)展階段

大模型能力很強大，真正比較深入的應(yīng)用還不是很多，整體上還處于早期的階段，因此在行業(yè)應(yīng)用中會碰到各種問題。

1)成本高

如果去做一個垂類的大模型應(yīng)用，首先考慮部署，私有或者共有。私有部署需要基礎(chǔ)數(shù)據(jù)標注、訓練成本、算力成本、預(yù)訓練團隊成本。在訓練完成后，上線使用還會有推理成本。

2)垂類應(yīng)用難

現(xiàn)在應(yīng)用較多的還是通用大模型，通過文字輸入一些問題，以知識庫的形式去回答，一旦聚焦到解決具體行業(yè)問題時，經(jīng)常難以滿足一些垂類應(yīng)用。比如AIGC做一些營銷素材的生成，如果嫁接到汽車行業(yè)里面去解決一個具體的問題，還是比較難的，中間會需要很多的調(diào)整，以及預(yù)訓練。

3)安全問題

大模型應(yīng)用時，尤其是知識庫，會涉及到各種各樣的敏感問題，答案輸出也需要考慮是否符合國家相關(guān)規(guī)范，因此大模型需要解決合規(guī)的一些問題。

4)隱私問題

與個人相關(guān)，包括法律法規(guī)規(guī)定的一些敏感數(shù)據(jù)，一定不能通過通用大模型去輸出。

4. 大模型催生“效率革命”，為產(chǎn)業(yè)提質(zhì)增效

經(jīng)常會有人問，大模型能夠創(chuàng)造什么價值？其價值的核心在于效率，為各個產(chǎn)業(yè)降本增效起到積極的作用。

1)能力比較強

大模型在專業(yè)領(lǐng)域，包括推理能力上比人強很多。

2)效率更“高”

AI大模型，以及衍生出的AI數(shù)字員工，能夠代替一部分人工的工作，提高效率。

3)場景更“廣”

AI大模型的應(yīng)用場景廣泛，比如汽車營、銷、服、研、產(chǎn)、供等各個環(huán)節(jié)，包括智能駕駛、智能座艙等等，各個車企都已經(jīng)開始實現(xiàn)大模型上車，在車上真正的去使用大模型。

4)應(yīng)用更“深”

無論是行業(yè)級應(yīng)用，還是具體產(chǎn)生直接價值的應(yīng)用，大模型+AI將推動全鏈路的智能化。

二、AI大模型在汽車營、銷、服領(lǐng)域的探索

1. 汽車營、銷、服業(yè)務(wù)全景圖

在整個營、銷、服階段有很多環(huán)節(jié)都可以基于AI大模型去進行賦能。我們對這些環(huán)節(jié)逐一進行了探索和嘗試，尋找可以真正落地的場景。

2. 營銷：提高內(nèi)容產(chǎn)出效率，助力線索提升

1)輿情問題智能匹配

在輿情問題發(fā)生后，需要質(zhì)量部門的人員進行識別和判斷，再發(fā)到研發(fā)側(cè)。

可以通過AI大模型去做預(yù)判，把每天輿情的問題自動轉(zhuǎn)換成一些匹配，分給對應(yīng)的質(zhì)量部門和研發(fā)部門。

2)媒介投放

投放廣告的時候，需要寫關(guān)鍵詞，可以通過AI大模型去做拓詞，拓展關(guān)鍵詞把它放進去。

還可以通過大模型去做標題和素材的生成，批量生成多個標題和對應(yīng)的落地頁素材。

3)AIGC智能生成內(nèi)容

在車企營銷部門會做專門的品牌素材，這些素材創(chuàng)作出來視頻以后，需要到對應(yīng)社交媒體平臺去做矩陣式分發(fā)。

可以通過AIGC基于這些素材進行二次創(chuàng)作，在分發(fā)給銷售人員進行分發(fā)獲取對應(yīng)的線索。

我們在汽車行業(yè)聚焦在小紅書訓練一個垂直大模型，進行銷售內(nèi)容的二次創(chuàng)作，在新車發(fā)布上市、品牌日等場景下做一些內(nèi)容發(fā)布。

還有一些賦能設(shè)計師的工作，輔助海報的設(shè)計、落地頁的圖文設(shè)計等。

3. 銷售：強化銷售能力，賦能線索轉(zhuǎn)化

1)AI銷售助手

在銷售線索跟進時，大模型能進行一些AI洞察，包含線索的一些屬性、偏好以及對應(yīng)的跟進話術(shù)策略。在AI銷售助手里，將整個話術(shù)知識庫掛載到大模型上進行訓練。

2)AI銷售培訓對練

AI模擬銷售和用戶做真實場景的對練培訓，可以檢驗介紹的點有沒有到位，如產(chǎn)品功能介紹，以及對應(yīng)話術(shù)有沒有說，比如引導(dǎo)試駕。

在AI的培訓對練中，模擬過程也可能會拆成幾步，如邀約跟進過程的話術(shù)，或者出單相關(guān)話術(shù)和遇到的問題。

3)AI外呼摘要

在AI外呼時，可以通過大模型做外呼摘要的處理，其實是對語音的數(shù)據(jù)處理，包括對方言的處理，還可以在銷售環(huán)節(jié)中進行探索。

4)AI銷售培訓師

可以通過數(shù)字人的形式去做培訓，批量培訓銷售人員。講課時的數(shù)字人在語音上可以達到逼真的效果。

4. 服務(wù)：洞察用戶訴求，賦能個性化服務(wù)

1)客服知識庫

AI大模型可以對客戶提問做綜合管理，客服人員無需自行探索，使用大模型提供的答案即可給出滿意的回答。

2)AI售后診斷

在車聯(lián)網(wǎng)數(shù)據(jù)平臺上的智能診斷平臺，其中有駕駛的數(shù)據(jù)、電池的數(shù)據(jù)、信號的數(shù)據(jù)等，根據(jù)對應(yīng)的問題可以發(fā)現(xiàn)規(guī)則中沒有的診斷問題。

通過大模型，可以把診斷的這些規(guī)則形成一個專有知識庫。

5.數(shù)據(jù)：變革取數(shù)模式，助力數(shù)據(jù)管理

1)AI取數(shù)（chatBI）

AI取數(shù)chatBI，替代了傳統(tǒng)BI，目前還存在取數(shù)不準的問題。

另外，還可以通過大模型的BI工具去做快速的看板搭建，還可以幫助寫SQL。

在未來，可以直接通過語音問答，即可獲取到底層數(shù)據(jù)，改變看數(shù)據(jù)的場景和取數(shù)的交互方式。

2)AI口徑管理

在指標管理平臺里面，各個指標口徑不一致，通過大模型的工具，可以解答指標的口徑，同時能告知上下游指標間的關(guān)系。助力指標管理。

3)AI元數(shù)據(jù)管理

通過元數(shù)據(jù)管理平臺，可以賦能上游業(yè)務(wù)系統(tǒng)去做表的建設(shè)，保持元數(shù)據(jù)的統(tǒng)一規(guī)范，同時賦能數(shù)倉的建模以及下游模型的搭建。

三、大模型的基建策略

1.碰到的難點

目前大模型建設(shè)中遇到的難點主要包括以下幾方面：

1)大模型使用場景怎么設(shè)定

大模型的使用場景該如何去設(shè)定，比如前面講到的最開始不是一上來就要做小紅書這樣的垂直大模型，而是要做一個AIGC，在后續(xù)交流過程中逐漸發(fā)現(xiàn)場景越來越聚焦，最終聚焦到小紅書素材生成的場景。

2)基于場景的語料怎么準備和處理

每次大模型訓練都可能會涉及到場景和語料，怎么準備怎么處理，并且在準備和處理時，不僅僅是技術(shù)人員，還有產(chǎn)品人員、業(yè)務(wù)人員都要共同參與。

如AI銷售培訓場景中，進行了3-4輪的改進，耗時兩個多月，每準備處理一次，都會想到一些新的處理點，在語料的處理上也不斷發(fā)現(xiàn)了一些技巧。

3)大模型怎么訓練（prompt和微調(diào)）

訓練包括兩種，一種是直接訓練和做微調(diào)，需要有比較好的平臺和算法團隊；第二種是輕量級，用prompt做提示詞先把場景做好，在需求驗證的情況下，對prompt進行調(diào)試，在場景和需求固定以后再去做微調(diào)和算力調(diào)整。

4)大模型的成本怎么評估：訓練成本和運行成本

大模型的訓練成本，在調(diào)研時發(fā)現(xiàn)各個廠家大模型有很多是共有token的方式，還有的是私有化部署，需要卡和平臺的資源。

另外就是開源，開源的就是卡的資源。在成本上需要充分開綠，項目能不能持續(xù)的成本投入很重要，除了訓練時的成本，在運行時成本更高。

5)大模型部署：共有VS私有

各個公司的部署方式不同，私有大模型平臺成本是非常高的，至少千萬級以上，啟動這種項目不是小項目，需要業(yè)務(wù)價值能夠承載。

如果僅為探索，可以調(diào)用共有大模型API去進行嘗試。

如果有對應(yīng)的算法團隊，可以做一些開源模型的嘗試，這樣場景驗證可以有比較好的冷啟動。

6)大模型效果怎么評估

大模型的評估包括三個角度，第一個是精準度，第二個是擬人的角度，第三個是提問的關(guān)聯(lián)角度。

在大模型評估時，可能內(nèi)容人員無法評估，可以借助外部進行，如供應(yīng)商，評估內(nèi)容不僅包括技術(shù)指標，還有業(yè)務(wù)指標。

7)是否安全合規(guī)

安全合規(guī)方面，有的同學可能會使用OpenAI等工具，這在合規(guī)上是不允許的，需要盡量避免。

在大廠的模型里面，都具備一些能力針對安全合規(guī)的內(nèi)容進行審核和過濾。

8)業(yè)務(wù)價值怎么衡量

在業(yè)務(wù)價值的衡量上有個策略是離錢近容錯高，也就是離業(yè)務(wù)很近，如銷售業(yè)務(wù)容錯率比較高，不會因為回答不精準導(dǎo)致很大的問題，但如BI，回答錯了影響則會非常嚴重。另一方面是覆蓋范圍，覆蓋范圍廣，提效的影響就更大。

2. 建設(shè)AI大模型能力的痛點

目前建設(shè)大模型主要痛點包括：技術(shù)變化快，人才短缺，初始投入大，缺少成熟的工具鏈，產(chǎn)業(yè)鏈分工尚未成熟，場景落地缺乏經(jīng)驗，以及應(yīng)用效果難評估等。

3. 如何構(gòu)建AI大模型基礎(chǔ)設(shè)施

構(gòu)建AI大模型的基礎(chǔ)設(shè)施，可以采用公有云實例的方式，如果有專有云實例的話，可以嫁接一些自己的向量數(shù)據(jù)庫。如果數(shù)據(jù)不敏感，就用純公有云的方式。

另外就是私有部署，私有化的大模型是最貴的，基于通用的行業(yè)大模型，訓練公司自己的垂直大模型，或者進一步訓練各個業(yè)務(wù)場景的大模型，如營銷的、銷售的、售后的大模型等等。

四、未來的展望

大模型應(yīng)用落地分為三個階段，最終帶來應(yīng)用的爆發(fā)：

1)人與AI協(xié)作

在2023-2024年，這個時候更多的是人和AI的協(xié)作，現(xiàn)在AI已經(jīng)應(yīng)用于內(nèi)容生成、文字處理、圖片設(shè)計等場景中。

2)部分自動化

這一階段自動化可能會出錯，在一些容錯高的地方可以先行應(yīng)用，比如廣告的場景、培訓的場景等等。

3)全自動化

在全自動化階段，整個的訓練決策，執(zhí)行的動作，以及整個agent都將實現(xiàn)自動化。