ChatGPT之类的大模型诞生后，国内的公司基本上分出了两条路线：一条是做自己的AI大模型，另一条是在AI大模型的应用上发力，解决使用场景的问题。
作为高科技工业的代表，汽车行业天然适合AI大模型的使用。这篇文章，就讲述了大模型在汽车行业的探索情况。
人工智能早在1956年就已出现，后面在此基础上又出现了机器学习。在发展过程中，算法层面变得更为丰富。进一步发展，又出现了深度学习，引入了神经网络。基于深度学习，在2021年出现了预训练大模型。2023年ChatGPT的发布，引起了人们更多的关注和更广泛深入的探索。
到底什么是大模型，大模型大在什么地方？
首先，算法模型不一样，最早是transformer奠定了后续各类大模型的模型基础。其次是海量参数，以前的模型最多只有百万级参数，而现在的大模型常常是亿级、十亿级，甚至百亿级。第三是海量数据，预训练会用到很多的数据，比如ChatGPT完全是基于网上数据去进行预训练。
大模型能力很强大，真正比较深入的应用还不是很多，整体上还处于早期的阶段，因此在行业应用中会碰到各种问题。
1)成本高
如果去做一个垂类的大模型应用，首先考虑部署，私有或者共有。私有部署需要基础数据标注、训练成本、算力成本、预训练团队成本。在训练完成后，上线使用还会有推理成本。
2)垂类应用难
现在应用较多的还是通用大模型，通过文字输入一些问题，以知识库的形式去回答，一旦聚焦到解决具体行业问题时，经常难以满足一些垂类应用。比如AIGC做一些营销素材的生成，如果嫁接到汽车行业里面去解决一个具体的问题，还是比较难的，中间会需要很多的调整，以及预训练。
3)安全问题
大模型应用时，尤其是知识库，会涉及到各种各样的敏感问题，答案输出也需要考虑是否符合国家相关规范，因此大模型需要解决合规的一些问题。
4)隐私问题
与个人相关，包括法律法规规定的一些敏感数据，一定不能通过通用大模型去输出。
经常会有人问，大模型能够创造什么价值？其价值的核心在于效率，为各个产业降本增效起到积极的作用。
1)能力比较强
大模型在专业领域，包括推理能力上比人强很多。
2)效率更“高”
AI大模型，以及衍生出的AI数字员工，能够代替一部分人工的工作，提高效率。
3)场景更“广”
AI大模型的应用场景广泛，比如汽车营、销、服、研、产、供等各个环节，包括智能驾驶、智能座舱等等，各个车企都已经开始实现大模型上车，在车上真正的去使用大模型。
4)应用更“深”
无论是行业级应用，还是具体产生直接价值的应用，大模型+AI将推动全链路的智能化。
在整个营、销、服阶段有很多环节都可以基于AI大模型去进行赋能。我们对这些环节逐一进行了探索和尝试，寻找可以真正落地的场景。
1)舆情问题智能匹配
在舆情问题发生后，需要质量部门的人员进行识别和判断，再发到研发侧。
可以通过AI大模型去做预判，把每天舆情的问题自动转换成一些匹配，分给对应的质量部门和研发部门。
2)媒介投放
投放广告的时候，需要写关键词，可以通过AI大模型去做拓词，拓展关键词把它放进去。
还可以通过大模型去做标题和素材的生成，批量生成多个标题和对应的落地页素材。
3)AIGC智能生成内容
在车企营销部门会做专门的品牌素材，这些素材创作出来视频以后，需要到对应社交媒体平台去做矩阵式分发。
可以通过AIGC基于这些素材进行二次创作，在分发给销售人员进行分发获取对应的线索。
我们在汽车行业聚焦在小红书训练一个垂直大模型，进行销售内容的二次创作，在新车发布上市、品牌日等场景下做一些内容发布。
还有一些赋能设计师的工作，辅助海报的设计、落地页的图文设计等。
1)AI销售助手
在销售线索跟进时，大模型能进行一些AI洞察，包含线索的一些属性、偏好以及对应的跟进话术策略。在AI销售助手里，将整个话术知识库挂载到大模型上进行训练。
2)AI销售培训对练
AI模拟销售和用户做真实场景的对练培训，可以检验介绍的点有没有到位，如产品功能介绍，以及对应话术有没有说，比如引导试驾。
在AI的培训对练中，模拟过程也可能会拆成几步，如邀约跟进过程的话术，或者出单相关话术和遇到的问题。
3)AI外呼摘要
在AI外呼时，可以通过大模型做外呼摘要的处理，其实是对语音的数据处理，包括对方言的处理，还可以在销售环节中进行探索。
4)AI销售培训师
可以通过数字人的形式去做培训，批量培训销售人员。讲课时的数字人在语音上可以达到逼真的效果。
1)客服知识库
AI大模型可以对客户提问做综合管理，客服人员无需自行探索，使用大模型提供的答案即可给出满意的回答。
2)AI售后诊断
在车联网数据平台上的智能诊断平台，其中有驾驶的数据、电池的数据、信号的数据等，根据对应的问题可以发现规则中没有的诊断问题。
通过大模型，可以把诊断的这些规则形成一个专有知识库。
1)AI取数（chatBI）
AI取数chatBI，替代了传统BI，目前还存在取数不准的问题。
另外，还可以通过大模型的BI工具去做快速的看板搭建，还可以帮助写SQL。
在未来，可以直接通过语音问答，即可获取到底层数据，改变看数据的场景和取数的交互方式。
2)AI口径管理
在指标管理平台里面，各个指标口径不一致，通过大模型的工具，可以解答指标的口径，同时能告知上下游指标间的关系。助力指标管理。
3)AI元数据管理
通过元数据管理平台，可以赋能上游业务系统去做表的建设，保持元数据的统一规范，同时赋能数仓的建模以及下游模型的搭建。
目前大模型建设中遇到的难点主要包括以下几方面：
1)大模型使用场景怎么设定
大模型的使用场景该如何去设定，比如前面讲到的最开始不是一上来就要做小红书这样的垂直大模型，而是要做一个AIGC，在后续交流过程中逐渐发现场景越来越聚焦，最终聚焦到小红书素材生成的场景。
2)基于场景的语料怎么准备和处理
每次大模型训练都可能会涉及到场景和语料，怎么准备怎么处理，并且在准备和处理时，不仅仅是技术人员，还有产品人员、业务人员都要共同参与。
如AI销售培训场景中，进行了3-4轮的改进，耗时两个多月，每准备处理一次，都会想到一些新的处理点，在语料的处理上也不断发现了一些技巧。
3)大模型怎么训练（prompt和微调）
训练包括两种，一种是直接训练和做微调，需要有比较好的平台和算法团队；第二种是轻量级，用prompt做提示词先把场景做好，在需求验证的情况下，对prompt进行调试，在场景和需求固定以后再去做微调和算力调整。
4)大模型的成本怎么评估：训练成本和运行成本
大模型的训练成本，在调研时发现各个厂家大模型有很多是共有token的方式，还有的是私有化部署，需要卡和平台的资源。
另外就是开源，开源的就是卡的资源。在成本上需要充分开绿，项目能不能持续的成本投入很重要，除了训练时的成本，在运行时成本更高。
5)大模型部署：共有VS私有
各个公司的部署方式不同，私有大模型平台成本是非常高的，至少千万级以上，启动这种项目不是小项目，需要业务价值能够承载。
如果仅为探索，可以调用共有大模型API去进行尝试。
如果有对应的算法团队，可以做一些开源模型的尝试，这样场景验证可以有比较好的冷启动。
6)大模型效果怎么评估
大模型的评估包括三个角度，第一个是精准度，第二个是拟人的角度，第三个是提问的关联角度。
在大模型评估时，可能内容人员无法评估，可以借助外部进行，如供应商，评估内容不仅包括技术指标，还有业务指标。
7)是否安全合规
安全合规方面，有的同学可能会使用OpenAI等工具，这在合规上是不允许的，需要尽量避免。
在大厂的模型里面，都具备一些能力针对安全合规的内容进行审核和过滤。
8)业务价值怎么衡量
在业务价值的衡量上有个策略是离钱近容错高，也就是离业务很近，如销售业务容错率比较高，不会因为回答不精准导致很大的问题，但如BI，回答错了影响则会非常严重。另一方面是覆盖范围，覆盖范围广，提效的影响就更大。
目前建设大模型主要痛点包括：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，以及应用效果难评估等。
构建AI大模型的基础设施，可以采用公有云实例的方式，如果有专有云实例的话，可以嫁接一些自己的向量数据库。如果数据不敏感，就用纯公有云的方式。
另外就是私有部署，私有化的大模型是最贵的，基于通用的行业大模型，训练公司自己的垂直大模型，或者进一步训练各个业务场景的大模型，如营销的、销售的、售后的大模型等等。
大模型应用落地分为三个阶段，最终带来应用的爆发：
1)人与AI协作
在2023-2024年，这个时候更多的是人和AI的协作，现在AI已经应用于内容生成、文字处理、图片设计等场景中。
2)部分自动化
这一阶段自动化可能会出错，在一些容错高的地方可以先行应用，比如广告的场景、培训的场景等等。
3)全自动化
在全自动化阶段，整个的训练决策，执行的动作，以及整个agent都将实现自动化。
作者：赵松，极氪汽车大数据产品负责人，多年汽车数字化从业经历。
本文由@本生编辑，datafun韩宣宣、李瑶校稿
微信公众号：松果子聊数字化
本文由 @松果子聊数字化 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。