【金猿人物展】车凌科技总工程师李晟博士——车域大模型：开拓行业新生态...

‍

李晟

本文由车凌科技总工程师李晟博士撰写并投递参与“数据猿年度金猿策划活动——2024大数据产业年度趋势人物榜单及奖项”评选。

大数据产业创新服务媒体

——聚焦数据 · 改变商业

---

2024年，大数据以前所未有的态势向大模型行业聚焦，开启了一场深刻的变革之旅，中国大模型行业在政策支持、技术创新和市场需求的多重推动下，展现出广阔的发展前景和巨大的增长潜力。根据相关公开统计数据显示，2023年我国大模型行业市场规模约147亿元，近三年复合增速高达114%，2024年预计突破200亿元。这一增长不仅反映了大模型的蓬勃发展，也预示着数据驱动的商业模式将不断涌现，数据货币化、数据资产化成为企业竞争的新高地。

随着科技的飞速发展，汽车产业正站在数字化转型的风口浪尖。车辆大数据的规模将持续扩大。随着车辆智能化程度的不断提高，越来越多的传感器被安装在车辆上，实时采集车辆的运行状态、位置信息、驾驶行为等多维度传感器、视频、音频数据，为大模型的融合和应用夯实了基础。

众所周知，汽车行业以其多元化的参与者、广泛的领域覆盖和错综复杂的流程而闻名，这为大规模智能模型的应用提供了肥沃的土壤。大数据融合大模型在汽车产业中的应用分为三个主要的领域：产品开发与技术创新、客户服务与体验、车辆维修和保养。

车辆大数据为汽车企业的研发提供了丰富的信息来源。企业可以通过分析车联网数据中的车辆性能数据、用户反馈数据以及市场趋势等信息，了解用户的需求和痛点，从而有针对性地进行产品优化和创新。大模型可进行新产品的概念设计和验证。通过对大量的市场数据、技术趋势和用户需求进行分析，生成新的产品概念和设计方案，并通过模拟和预测评估其可行性和市场潜力。

大数据和大模型还可应用于汽车企业的供应链管理中。通过分析车辆大数据中的零部件使用情况、故障数据以及车辆生产计划等信息，大模型可以预测零部件的需求，优化库存管理，降低库存成本。同时，大模型还可以对供应链中的风险进行监测和预警，提高供应链的稳定性和抗风险能力。

车辆大数据与大模型融合可以为用户提供更加智能的驾驶辅助功能。大模型通过分析车联网数据中的路况信息、车辆周围环境数据以及驾驶员的行为数据，实时调整驾驶辅助系统的参数，确保行车安全。大模型还可以结合用户的驾驶习惯和偏好，为用户定制个性化的驾驶辅助设置，提供更加平稳的驾驶体验。

利用车辆大数据和大模型，可为用户提供个性化的出行服务，根据用户的日常出行路线、时间和偏好，预测用户的出行需求，并提前为用户规划最佳路线，推荐附近的停车场和加油站等。例如，当用户每天早上上班时，大模型可以根据实时交通状况为用户推荐最快的通勤路线，并提醒用户避开拥堵路段。如果用户经常在周末去购物或旅游，大模型可以推荐适合的购物中心或旅游景点，并提供相关的停车信息和优惠活动。

车联网系统收集车辆的各种运行数据，如发动机参数、传感器读数、零部件状态等。大模型对这些海量数据进行分析，学习不同数据模式与潜在故障之间的关联。例如，通过监测发动机的温度、转速、油压等参数的变化趋势，当大模型发现这些参数出现异常组合时，能够预测发动机可能出现故障，并提前向车主和维修人员发送预警信息。大模型还可以结合历史维修数据和车辆型号信息，对不同车型的常见故障点进行重点监测，提高故障预测的准确性。例如，对于某些特定车型容易出现的制动系统问题，大模型可以在监测到相关数据异常时及时发出警报，让车主有足够的时间安排维修，避免故障发生时造成更大的损失。

当车辆出现故障或需要保养时，车联网数据和大模型可以为维修人员提供个性化的维修建议。大模型根据车辆的具体型号、使用年限、行驶里程以及故障表现等信息，综合分析后给出最适合的维修方案。大模型还可以考虑维修成本、时间和零部件可用性等因素，为车主提供多种维修选择。比如，对于一些不影响车辆安全的小故障，大模型可以建议车主在下次保养时一并处理，以节省维修成本和时间。同时，大模型可以根据车辆所在地区的维修店分布和零部件库存情况，推荐距离最近且有相应零部件的维修店，提高维修效率。

目前大数据技术不断演进，包括数据采集、清洗、存储、分析、可视化等各个环节。开源框架如Hadoop、Spark、Flink的广泛应用，以及云计算、人工智能等技术的深度融合，构成了大模型应用的强大基座。

然而，挑战和困难依然存在，在数据层面，车辆大数据存在来源有限、数据质量不高和数据安全问题，缺乏大规模、高质量的数据，不同企业之间存在数据壁垒，缺乏统一标准使得数据难以流通和模型难以快速复用。同时，数据安全也是行业需要关注的重要问题，需对涉及国家机密和用户隐私安全的数据领域构建更加健全的保障。

计算能力方面，大模型对计算能力、能源和成本的需求巨大，高端计算硬件和电力供应将成为限制大模型发展的核心因素。目前，车载系统级芯片提供的计算能力与大模型所需的计算能力相差甚远，车载电池也难以支撑大模型的运行能耗，构建云端和边缘端结合的大模型部署运行能力面临各种挑战。

因此，汽车行业在应用大模型时面临的问题是多方面的，应以需求为驱动，推动跨领域、跨专业和跨主体的合作，持续推动大模型在行业的应用与发展。

2025年，大模型将进入一个新的发展阶段。数据与AI的深度融合，将推动汽车产业的跨越式发展。在司乘体验上，智能座舱将不再是简单的信息呈现界面，而是成为数据驱动的决策中心。通过大模型能力的服务赋能，能够极大地丰富智能座舱的AI功能。不仅包括语音交互、娱乐功能和知识库等基本能力，而且还将引入更多高级的，如情绪感知、智能助手、情感对话和问题解答等功能，进一步改善用户体验。在大模型的加持下，数据将变得更加智能和主动，能够更加精准地捕捉市场变化和用户需求，为企业提供更加智能化的决策支持。这种智能决策将不仅局限于单个企业内部，还将扩展到整个产业链和生态系统中。

未来，汽车企业必须瞄准不同时期的落地目标，制定分阶段的大模型布局规划。近中期来看，需要实现大模型功能的快速上车应用，提升大模型应用的广度和深度，随后是深度参与生态建设，推动汽车行业大模型的整体发展。在技术应用层面，企业应掌握定义能力、选型能力，根据自身功能需求与资源支撑，选择合适的场景模型，在云端和车端进行合理的部署规划，以满足大模型落地的关键支撑需求。

最为关键的是，要将产品体验和用户感知的提升作为引领和动力源泉，依托数据驱动的策略，利用大模型技术来强化软硬件的综合效能，从而在新智能汽车时代背景下，更精准地满足用户的多元化需求，持续提升大模型在汽车领域应用的广度与深度，助力汽车产业的持续进步与发展。

·关于李晟：

李晟，博士毕业于浙江大学控制科学与工程专业，现任杭州车凌网络科技有限公司总工程师，负责公司AI大数据算法及专业智慧大模型体系的研发，超十年专注于iot数据特征工程及数据建模、智慧供应链体系优化、知识网络及专业大模型研究及工程化。曾任远方光电研究员、网仓科技算法团队负责人、哈啰出行供应链优化、智能调度算法团队负责人，承担若干核心算法项目，如动力电池全生命周期评估管理、商品采销存一体优化系统、共享两轮智慧调度大模型等的研发工作。在学术方面，曾负责起草传感检测相关的国际标准，并发表多篇高影响因子SCI论文。