一方面，大模型的成熟是一个循序渐进的过程。火山引擎汽车行业总经理杨立伟表示，大模型的成熟应该是厚积薄发的，新技术满足旧需求，旧技术满足新需求，而非用新技术做新场景。信息数据是制约大模型持续训练的主要因素。
火山引擎汽车行业总经理杨立伟；图片来源：盖世汽车
他认为，在ChatGPT4.0出现之前，最大的大模型就是人的大脑，应将外部大模型和内部大模型结合起来，找寻可落地的场景。当人或机器某一方犯错时，能通过人和机器共同决策，以最终结果来做出靠谱的决策。
在广泛的应用场景里，大模型远不如人类思考能力，需要通过Transformer模型、多模态的数据、规划训练端平台对大模型进行打磨训练，让其得以处理更复杂的事情。
路川认为，要做好大模型，需要满足以下几个点：
第一点是基于Transformer的模型结构；第二点是需要用到更多的数据，或者是用一些多模态的数据，去训练大模型的业务，以满足一些复杂业务场景的需求；第三是计算平台层面的支撑，大模型的训练需要强大的算力资源，传统的计算模式已经很难满足，在训练端用集群的方式去构建一个分布式的系统，对于大模型来说是必须的，这样才能有一个比较好的训练速度，快速迭代，让大模型应用在真实的业务场景中成为可能。
从成本的方面考量，大模型带来的训练、推理、数据等方面的成本飙升是不得不考虑的问题，以及对算法、芯片算力等方面的要求持续高涨。
杨继峰指出，从算力形态角度大规模分布式推理平台的形态和能力也还需要一些时间，同时下一代的专用芯片、GPU、通信问题也都在路上。
针对这些问题，业界持续思考解决方案。黄骏表示，座舱智能化带来的算力缺乏问题要求跨域融合或大算力芯片。考虑到汽车行业的计算业务规模相对较小，嵌入式NPU集成于设备中，可分担GPU的部分工作，提供更高计算性能的同时降低功耗。嵌入式NPU的AI开发利用NPU加速AI应用，能大幅降低硬件成本，将成为OEM在AI业务投资和单车收效中关键的一环。
此外，使用大模型还小模型这笔账该怎么算？大模型的企业尝试着用更大参数量的模型解决更多的问题。而主机厂倾向于用更小的模型去解决特定的问题，并且以更低的工程成本去实现应用。
路川提到，如智能驾驶是一个非常复杂的场景，把一些业务通过一个通用的模型进行融合，让大模型成为车载大脑提供完善的智能服务，是未来探索的一个方向，也是未来大模型一个可能应用的领域。
中科创达物联网事业群副总裁杨新辉预测，下一个时代可能将围绕于汽车产业和机器人产业的融合，而汽车正处于机器人和汽车机器人之间的过渡阶段。未来的大模型可能在混合方面发生变化，一是在云端和边端组合的层面，二是在大模型和小模型混合的层面。
中科创达物联网事业群副总裁杨新辉；图片来源：盖世汽车
真正的挑战是深入到汽车产业各个层面的。
“我们在同时面临着的模型层面的爆发、工程层面的爆发、应用层面的爆发、生态层面的爆发、产业层面的爆发，而我们在研发结构调整和组织能力调整上好像还有很长的路要走。”杨继峰感叹。
大模型深入赋能汽车产业并非可以一蹴而就，这需要相关企业持续创新、与时俱进，也需要整体的汽车产业链做好迎接变革的准备。
激进与谨慎，蓄势待发的产业链
大模型时代，新的商业模式正在出现。
