ChatGPT发布后，迅速引起全球范围的热潮。作为重要的人机交互界面，生成式AI将如何影响汽车业也打开了广阔的想象空间。与此同时，部分车企已经展开行动，如某国际领先车企开始了生成式AI上车的小范围测试、几家国内车企已经和几家生成式AI服务商在做场景的概念验证，预计下一代车型毫无意外将搭载生成式AI技术。在AI技术发展日新月异的今天，我们可能很难精准预测生成式AI未来5年乃至10年将为汽车业带来怎样的影响，但是潜在的颠覆效应将毋庸置疑。
1、什么是生成式AI
2、汽车业如何应用生成式AI
我们认为生成式AI在汽车业具有非常大的应用潜力，C端用户体验重塑和B端生产效率将是其中最重要的应用方向。我们建议车企、供应链企业以及希望进入汽车领域的科技公司采取五步走策略，推动想法的落地。
第一步：用户体验驱动的应用识别
客户体验是评估技术应用潜力的金标准之一。
我们沿用户旅程，从售前、使用中、售后以及与用户体验最直接相关的车企产品研发这四个环节，梳理出了15个关键触点：
结合“5C”技术应用框架，我们初步梳理出50个潜在应用场景。例如：
【售前-决策环节】虚拟人直播：AI虚拟人在门店环境或直播间介绍产品优势，实时回答用户问题、收集潜客线索。
【使用-驾车中】制作路途指南和旅行记忆：用户在长途驾驶时，仅需设定目的地，AI就能自动生成旅途的充电、餐饮计划。通过自然语言交互，AI向用户介绍沿途景点、实时更改形成计划。如：
司机：“我左前方是什么地方？
AI：“您左前方是泸沽湖的全景观景台，若您想停车的话旁边有停车场。”
司机：“我去看风景会影响接下来的行程吗？”
AI：“您如果游览时间在半小时以内，对今天行程不会有太大影响。确认游览的话我可以帮您联系餐厅，更改用餐时间。”
司机：“好的，我想去看看。”
AI：“收到，接下来将为您更改导航到观景台。我将告知餐厅您会比预计时间晚到30分钟。”
【使用-驾驶后】旅行记忆：结合外置摄像头捕捉到的影像，驾驶员及乘客的车内交互行为等，自动生成图片、视频和文案，用户可一键发布到社交媒体，例如“今日打卡某某国道。”
【售后-客户支持】辅助轻微维护任务：如果驾驶员想自行更换玻璃水，但不确定怎么做，可以问虚拟助手，助手会制作短视频，指导驾驶员一步步操作。
从效率提升的角度，我们以研发为例。
【产品研发-产品开发】交互式知识管理及支持：通过自然语言查询企业非结构化的历史文档、标准手册、规范等，辅助工程师的研发。
工程师：“参考我刚刚上传的设计参数，目前有哪些潜在的问题？”
AI：“我们对照了如下文件【列举文件】，总结出3个问题。建议您查询A文件第5页第三行，确认目前参数符合设计规范。”
在梳理生成式AI的案例时，我们需要注意两点：1.能否有别于传统机器学习的方案，或是相较能做得更好？2. 这是否解决了用户或企业的真实痛点？我们相信随着技术的不断迭代、更多车企的加入以及生态伙伴的丰富，未来生成式AI在汽车业的应用一定远超我们今天的想象。颠覆式的革命可能比我们预计的来得更快。
第二步：价值与可行性评估
我们认为车企和产业链企业需要从自身目标客群出发，评估潜在用例对体验提升的感知度。另外，生成式AI仍处于发展早期，企业需要从模型成熟度、数据完备性、系统兼容性、合规风险等四个方面来综合评估落地的可行性，避免出现“理想很丰满、现实很骨感”甚至造成数据安全事故。
在评估梳理的四大类、五十个应用场景后，我们得出如下结论：
- 生成式AI有望推动目前语音助手真正发挥“智能助理”、“情感陪伴”的潜力，但同时需要全场景、大量的用例合力才能完成。只有辅以大量的、沿用户旅程的点状的应用创新，才能真正完成语音助手体验的“蜕变”。
- 未来售前和售后可能会出现跨行业通用性较强的商业化应用，车企可以考虑直接使用或在已有工具上进行快速的应用试点、迭代优化。
- 产品研发的“专家”系统有望落地，但需要车企本身在数据治理、算法技术方面拥有较高的能力。目前类似于GPT-4的大型底层模型积累了强大的“通识能力”，未来通过垂直整合汽车领域独有的数据，专家系统能够理解行业的概念、信息，为产品研发提供直接的支持。
第三步：升级技术能力
在技术架构上，生成式AI不是烟囱式孤立存在的，而是从业务数据中来，再回到业务流程中去。我们认为从应用出发，比较敏捷的方式可以是将基础大模型的通识性能力与行业特定数据相结合，以微调或嵌入等方式，得到自身领域的专属模型。再以API公共服务接口或SDK的方式支持各大应用，最后依靠系统与人工反馈，持续地校准优化模型。
值得提出的是，类似于GPT-3.5/GPT-4等的基础大模型的端到端训练技术门槛极高、投入规模大，我们认为绝大部分车企不应在短期内予以考虑。
第四步：风险与合规管理
在运用生成式AI技术时，我们需要注意其“类黑盒”的属性，多层神经网络使其生成过程与结果难以提前被预测。因此，在模型的训练与日常运营中尤其需要风险与合规的管理。我们列举了一些常见的风险项及对应的举措：
- 数据泄露。在私有云或本地等可控环境训练与部署模型，避免将企业与用户隐私数据发送到公开大模型；将语料数据输入训练模型前，须谨慎做好隐私数据模糊化等工作。
- 模型性能监控。建立并完善模型性能监控体系，借助人类反馈强化学习，持续使用最新且正确的语料调优。
- 知识产权侵权。开源模型并不代表商业可用，应审查开源协议，选择拥有明确商业许可的大模型作为基本模型，以及使用主机厂自有数据对模型进行微调，避免使用网络爬虫数据等灰色地带数据资产。
- 变革管理。2C应用需让早期用户及内部业务用户充分参与并评估潜在风险，避免将不成熟的应用过早推向市场或投入生产环境；2B内部应用应思考如何改变现有工作流程，让内部人员采纳工具，否则工具再好没人使用也是失败的工具；大模型的使用需要更为敏捷的IT系统和高度自动化的MLOPS平台的支撑，否则大模型难以在生产环境中使用。
第五步：用例落地规划
优秀的案例设计往往因为不充分准备的落地实施，而成效大打折扣。因此在用例的具体规划与实施阶段中，我们建议详细考虑并回答以下6个问题，以尽可能确保应用的顺利开发，以及在业务中的落地使用：
- 要解决的业务问题、价值有多大？我们通过生成式AI用例具体要解决什么业务痛点，提高什么业务或用户体验的指标？
- 需要哪些数据资产？包括如何获取，质量是否达到要求？以及是否需要第三方的数据相辅助？
- 需要什么技术栈和工具？例如需要什么基础模型？是否直接调用或微调已有大模型即可，还是需要专有领域自己的数据进行重新训练？
- 团队设置和运营模式是什么？例如，中心化的监管与一线的业务交付相结合。
- 有哪些潜在的合规风险？例如，是否明确向用户说明了内容由AI辅助生成，可能不完全真实？
- 如何嵌入到业务流程中？例如，是否需要进行流程重构，或是培训辅导，让业务一线接受必要的生成式AI知识？
3、生成式AI有哪些局限性？
生成式AI技术正在以惊人的速度迭代，如被诟病的数
