大模型的力量滲透到各行各業(yè)，汽車人在躁動和焦慮中期待著行業(yè)的巨大變化。但是到目前為止大模型上車的尷尬現(xiàn)狀如下：與車無關(guān)。

類似于“文生圖”的功能，與核心駕駛車輛場景不匹配，甚至談不上良好的車內(nèi)娛樂。顯然，汽車公司的AI轉(zhuǎn)型更加無能為力。

大型重塑生產(chǎn)力，汽車工業(yè)不能也不能落后。事實上，AI界產(chǎn)學(xué)研一直在思考和實踐。

近日，由產(chǎn)學(xué)研各界聯(lián)合發(fā)布的《大模型驅(qū)動的汽車行業(yè)群體智能技術(shù)白皮書》首次明確了如何在整個汽車行業(yè)過程中使用大模型。

大型汽車行業(yè)模型，有什么用？

首先斷句：汽車，行業(yè)大模型，這樣理解更準(zhǔn)確。

因為這本白皮書提出的大模型不是針對普通用戶的“文生圖”等應(yīng)用，而是為汽車企業(yè)的生產(chǎn)經(jīng)營流程提供服務(wù)。群體智能商品。

群體智能是什么？？

對于特定任務(wù)，AI模型是一個智能體。群體智能是指多個智能體通過合作和信息共享形成的集體智能，可以處理更復(fù)雜的任務(wù)，展現(xiàn)出超越單個智能體的能力。自然界中的蜂、螞蟻等物種都表現(xiàn)出這樣的群體智能。

而且大模型能力加持的群體智能，能夠更有效地溝通，處理更大規(guī)模、更多類型的任務(wù)。

整車制造、供應(yīng)鏈、汽車企業(yè)經(jīng)營流程 R&D和工程、營銷和分銷、營銷、售后服務(wù)、貿(mào)易和物流、租賃和金融服務(wù)、回收和再創(chuàng)造等。群體智能不僅是一種簡單的自動化工具，也能給汽車行業(yè)帶來前所未有的效率提升和個性化體驗。

例如，在汽車制造過程中，通過多智能體的自動交互，可以實時監(jiān)控生產(chǎn)線的運行狀態(tài)，預(yù)測設(shè)備的維護需求，從而顯著減少意外停機時間。

此外，智能體們還可以通過智能分析生產(chǎn)數(shù)據(jù)，幫助制造商提高零部件的庫存管理和供應(yīng)鏈，不僅降低了庫存成本，而且提高了生產(chǎn)效率。

以及，跨部門的智能體，還可以根據(jù)市場需求、原材料供應(yīng)情況和生產(chǎn)能力，智能調(diào)整生產(chǎn)計劃， 確保生產(chǎn)線的高效運行。

除“造好車”外，以大語言模型為核心的群體智能，其價值更體現(xiàn)在幫助汽車企業(yè)“賣好車”上。

在汽車營銷階段，一般分為五個方面：客戶獲取、清潔、轉(zhuǎn)換、招待和交易。

通過廣告、品牌活動、汽車垂媒、品牌私域等方式， 通過種草等方式獲得客戶，可以快速獲得大量潛在用戶的基本畫像和聯(lián)系方式。然后是一系列的“孵化培養(yǎng)”工作，用于溝通、實車和講解。

周期長，轉(zhuǎn)化率低，特別是靠銷售個人溝通能力，精力，存在很大的不確定性。

在《白皮書》中，構(gòu)建了數(shù)智研究院場景解決方案、新媒體運營場景解決方案、用戶運營場景解決方案、集約DDC場景解決方案、情感運營場景解決方案五大智能營銷解決方案。

全部以銷售結(jié)果為導(dǎo)向，形成自動流水線式工作流，關(guān)鍵在于選擇不同的多智能體組合，模擬各個階段的工作角色。。

例如，對于客戶定制的購車需求，“銷售智能體驗”收集用戶個人情況，分析高匹配度的需求車型，然后用專業(yè)的演講表達(dá)結(jié)果，并采用多輪對話。 與顧客討論最好的營銷計劃。

同時，操作主管的智能體可以在鏈接中立即檢查智能體的跟進情況，對跟進情況、質(zhì)量檢查和用戶畫像進行檢查，并將其反饋給智能體監(jiān)控平臺。隨著案例的增加，任何客戶運營智能體與客戶溝通的經(jīng)驗都會沉淀下來，形成智能體工作流的迭代機制，從而在沉淀中提高智能體孵化客戶的效率。

因此，在智能體智能銷售場景下，一個人類銷售經(jīng)理只能通過多智能體監(jiān)控平臺實時查看整個組織多智能體的工作情況，大大擴大了工作能力的邊界和范圍。

總而言之，清華自然語言處理實驗室、易慧智能、面壁智能在白皮書中提出了一種全新的做法，To 大模型B的“上車”方式：

在汽車企業(yè)的工作流程中，使用不同的AI模型來代替不同的工種，簡單地說，數(shù)字員工。

但是創(chuàng)新之處在于，他們并非自動取代簡單的重復(fù)任務(wù)。，相反，在一群數(shù)字員工[6]之間，通過自然語言相互交流合作，在沒有形式“主腦”控制的情況下，發(fā)揮了提高質(zhì)量和效率的作用。

此外，這種協(xié)同可以應(yīng)用于幾乎所有從生產(chǎn)到銷售的環(huán)節(jié)。

正是這樣一群擁有基本工作能力和溝通能力的數(shù)字員工，才是擁有一定AGI(通用人工智能)的大模型。

如何實現(xiàn)？

單個智能體比較容易做，根據(jù)不同的任務(wù)有不同的基本模型，比如ResNetNet，用于分類目標(biāo)檢測。、只要有合適的數(shù)據(jù)進行訓(xùn)練，就可以產(chǎn)生樣本的GAN等。

然而，許多這樣的基本模型需要在工作流程或系統(tǒng)工程中發(fā)揮作用。過去，這些模型幾乎不是溝通聯(lián)系，合作基本上取決于人工寫作的規(guī)則。這導(dǎo)致信息處理能力有限，導(dǎo)出決策片面分散，維護成本高。

而且《白皮書》中提出的群體智能之所以能夠work，關(guān)鍵在于組織雙生。

其中包括三個關(guān)鍵部分：職位雙生、架構(gòu)雙生和 業(yè)務(wù)雙生。

其中，崗位雙生利用大模型技術(shù)建立數(shù)字員工，這些虛擬人員可以模擬真人的交流方式，包括 包括聲音和表情，并具有“感性智能”。它們可以實現(xiàn)內(nèi)容生成、基本溝通、客戶服務(wù)等工作。

智能系統(tǒng)有一個特殊的提示框架，與崗位相關(guān)的提示詞可以根據(jù)提高詞框架巧妙設(shè)計，答題范圍和方法可以精確限制底座大模型。

但底座大模型是通用語言模型，其內(nèi)置知識是通用的，對于特定領(lǐng)域的問題可能無法給出準(zhǔn)確的答案。所以，檢索增強生成也是特別引入的。（RAG）技術(shù)，可將特定領(lǐng)域的文檔和問答灌輸?shù)较到y(tǒng)中，在向量數(shù)據(jù)庫或搜索系統(tǒng)中形成“長期記憶”。在生成過程中，將這些記憶注入到提詞中，讓數(shù)字員工能夠準(zhǔn)確回答具體領(lǐng)域的問題，從而填補底座大模型的潛在不足。

比如在汽車領(lǐng)域，可以讓智能體調(diào)用 API 界面，并根據(jù)界面返回的行業(yè)知識，生成專業(yè)、可追溯的內(nèi)容。但是，如果提示詞工程和知識庫類的長期記憶補充仍然不能完全滿足項目的需要，也可采用高效預(yù)訓(xùn)練和高效微調(diào)技術(shù)。通過微調(diào)和后期培訓(xùn)，我們可以“教”與大模型相關(guān)的垂直領(lǐng)域知識，賦予數(shù)字員工個性化，從而更好地適應(yīng)不同的需求場景和客戶需求。

架構(gòu)雙生它是將真實企業(yè)的組織架構(gòu)投射到數(shù)字世界中，通過智能網(wǎng)絡(luò)技術(shù)定義智能體之間的交流和邏輯。可以形象地理解為上面數(shù)字員工需要遵循的“OA流程”。

基于大型群體智能體技術(shù)，例如 AgentVerse(清華自然語言處理實驗室和面壁智能聯(lián)合開發(fā))不僅可以定義智能體本身的記憶和能力，還可以定義智能體之間的交流方式和邏輯，在一定程度上可以將現(xiàn)實人類的組織結(jié)構(gòu)映射到數(shù)字孿生世界，生成與真實公司結(jié)構(gòu)相對應(yīng)的數(shù)字孿生結(jié)構(gòu)。

該技術(shù)結(jié)構(gòu)通常將多智能體環(huán)境分為幾個功能模塊，包括靈活代碼擴展和定制功能設(shè)計框架， 智能語言交互合作機制、智能系統(tǒng)功能和結(jié)構(gòu)演變機制等。

整體工作流程分為四個階段：專家招聘階段，根據(jù)問題解決的進展情況確定和優(yōu)化座位人員。在合作決策階段，選定的智能體進行聯(lián)合討論，以制定解決問題的策略。在行動執(zhí)行階段，實施決策階段計劃的智能體與環(huán)境交互行動。評估與反饋階段，評估當(dāng)前狀態(tài)與預(yù)期結(jié)果的差異， 為了在下一次迭代中進一步細(xì)化，如果目前的狀態(tài)不盡如人意。

在技術(shù)框架技術(shù)上，定義了各自的界面，用戶可以根據(jù)自己的需要重新定義不同的模塊功能。這種可定制性使得數(shù)字雙胞胎結(jié)構(gòu)不再受到固定限制，而是可以根據(jù)不同行業(yè)和企業(yè)的需求靈活調(diào)整。用戶可以根據(jù)具體情況和任務(wù)要求定制數(shù)字雙胞胎結(jié)構(gòu)，以便更好地適應(yīng)實際應(yīng)用領(lǐng)域。

業(yè)務(wù)雙生自動實施實際業(yè)務(wù)，通過整合大語言模型、搜索增強技術(shù)、構(gòu)建智能體等方式提高業(yè)務(wù)實施效果。這部分還是用大模型的“工具”來增強數(shù)字員工的戰(zhàn)斗力[10]。

例如X 基于強大的大語言模型核心，Agent是一個面壁智能創(chuàng)新的AI智能框架。它創(chuàng)新地引入了一種“雙循環(huán)機制”，然后在處理復(fù)雜的任務(wù)后，它可以從“宏觀”和 從兩個角度綜合考慮“微觀”，類似于人類“左腦”與“右腦”的協(xié)同工作方式。

外部循環(huán)承擔(dān)著規(guī)劃全局任務(wù)的責(zé)任，巧妙地將復(fù)雜的任務(wù)分解成可操作的簡單任務(wù)，促使其成為可操作的任務(wù)。 X Agent 能有效地完成整體任務(wù)分解和計劃，展現(xiàn)宏觀任務(wù)處理的領(lǐng)導(dǎo)力。

內(nèi)循環(huán)，X Agent 迅速改變身份，充當(dāng)高效率「實施者」，確保外循環(huán)傳達(dá)的子任務(wù)能順利達(dá)到預(yù)期。在外部系統(tǒng)中，它能靈活地搜索工具，并根據(jù)子任務(wù)的特點逐步解決。

在完成子任務(wù)之后， 內(nèi)部循環(huán)產(chǎn)生詳細(xì)的反思，并向外部循環(huán)傳遞反饋信息，指示當(dāng)前任務(wù)是否完成，以及在任務(wù)執(zhí)行中的潛在提升。

所以，一切的關(guān)鍵，都在于大模型。在這里，我們不妨簡單地普及一下大模型：

現(xiàn)在幾乎所有的大語言模型都是 Transformer 該模型是一種系統(tǒng)架構(gòu)。其主要思想是通過輸入序列(可以是文本、語音、圖像、視頻等)的全局信息。)可以通過自我注意機制獲得，并對序列中的每個元素進行全局建模。每一個元素之間的聯(lián)系**。

翻譯一下，就是Transformer除了感知之外，還有歸納因果的基本能力，讓人工智能邁向認(rèn)知世界的第一步。

因此，《白皮書》中提出的群體智能是基于具有一定通識能力的清華自然語言處理實驗室、易慧智能、面壁智能的大模型。

傳統(tǒng)AI Agent，即單一的人工智能體，同樣具有感知、決策、知行的能力，但其任務(wù)目標(biāo)單一，輸入數(shù)據(jù)相對固定。

對大型模型而言，與人類的互動是基于提醒。（Prompt）實現(xiàn)的， 顧客提醒是否清晰明了會影響大模型回答的效果。大型“大型”以極大的參數(shù)規(guī)模捕捉復(fù)雜的語言結(jié)構(gòu)，實現(xiàn)前后文本理解和連貫輸出。這種“能力出現(xiàn)”現(xiàn)象體現(xiàn)在模型可以進行抽象思維和創(chuàng)造性寫作等高級認(rèn)知任務(wù)上。ChatGPT之所以震驚世界，正是因為它對人類幾乎涉足的各個領(lǐng)域都有準(zhǔn)確的認(rèn)識。

假如這種能力被灌注到一群不同的智能體中，它們就可以直接使用?復(fù)雜的?然語?進?交流。

并?運用抽象思維，處理復(fù)雜問題，交換豐富的信息。基于對語。?信息的深?理解和分析，可以在決策中考慮更多?泛和深?的因素。

比如軟件開發(fā)任務(wù)可以分解成一系列的“生產(chǎn)線”，子任務(wù)可以通過角色扮演交流實現(xiàn)智能體之間的方案建議和決策討論過程:

第一，設(shè)計三個角色CEO、CTO和CPO討論軟件開發(fā)方案，決定使用編程語言來感受智能駕駛算法的功能。

接著進入編程，程序員編寫代碼，設(shè)計者設(shè)計GPU。 。

測試：代碼審核和實際運行兩個步驟，涉及「代碼審核員」和「測試工程師」兩個角色。

文件:環(huán)境描述和使用手冊。前者反映了智能駕駛算法所依賴的環(huán)境，CTO指導(dǎo)程序員完成。 成功。而后者則由CEO決定所包含的內(nèi)容，交給PRD生成。

這種框架尤其適用于復(fù)雜的行業(yè)場景，尤其是汽車行業(yè)。

智能汽車易做，智能汽車企業(yè)難做。

的確，以中國制造業(yè)的實力和供應(yīng)鏈的完整水平，“拯救”一輛智能汽車并不難。比如小米花了三年時間，其實并不快。

但是“智能”汽車公司，卻是擺在新力量求存和老車企轉(zhuǎn)型道路上最難的挑戰(zhàn)。

由于軟件算法、硬件域控自主研發(fā)等。，如果錢用到位，團隊人才自然就到位了。然而，如何將大模型轉(zhuǎn)化為生產(chǎn)力，提高整體業(yè)務(wù)流程的質(zhì)量和效率，是目前汽車公司最迫切的需求。

易慧智能向智能汽車透露，他們接觸的汽車公司無一例外都是AI。 在提高工作效率、優(yōu)化成本、提升客戶體驗等方面，Agent對落地應(yīng)用表現(xiàn)出了興趣。

其實從前面的例子可以看出，無論是生產(chǎn)、采購、營銷等階段，汽車公司都很難探索出精細(xì)化運營性能和可控運營成本之間的最佳平衡點。

從這個角度來看，產(chǎn)學(xué)研聯(lián)合發(fā)布的第一本汽車行業(yè)大模型白皮書，最大的意義就是試著運用大模型能力，解決汽車工業(yè)、制造業(yè)的實際問題。

并且提出了具體的方法：通過大模型的通識能力和自然語言理解能力，使過去一群獨立的數(shù)字員工能夠有效地進行交流與合作。

而且還有具體的方法結(jié)構(gòu)：組織雙生，有過程，有工具，有方法論。

這個問題也是汽車行業(yè)第一次認(rèn)真對待大模型作為生產(chǎn)設(shè)備，從頭到尾尋找解決辦法，而不是“奇技淫巧”的上車噱頭。

據(jù)麥肯錫計算，到2030年，數(shù)字勞動力將形成一個價值1.73萬億元的市場，自然包括汽車工業(yè)。

而且汽車工業(yè)的經(jīng)驗，幾乎可以不受損害地復(fù)制到所有大型制造業(yè)。

群體智能技術(shù)由大型模型驅(qū)動，是汽車工業(yè)AI轉(zhuǎn)型的“星火燎原”，而其首創(chuàng)的方式和理念，不僅僅是汽車。

本文來自微信微信官方賬號“智能汽車參考”（ID：AI4Auto），作者：賈浩楠，36氪經(jīng)授權(quán)發(fā)布。

本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。

免責(zé)聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com