ChatGPT自发布以来，仅用两个月便吸引了过亿用户，标志着大模型时代的崭新开启。展望未来，预计将有更多企业在接下来的3-5年内纷纷推出大模型相关应用。在2024年4月18日举办的第二届汽车人工智能大会上，智谱AI的COO张帆透露，大模型已实现数据、算法、模型到应用的全面整合，一个统一的框架能解决各类问题，AI大模型的普及已成行业共识。

那么，大模型在汽车行业将如何实践呢？张帆指出，智能座舱将是首要应用领域。大模型将助力车企打造更智能、更舒适的第三生活空间，实现诸如复杂车控、车书问答、闲聊陪伴、生活服务以及多模态交互等智能化和场景化的功能。此外，大模型还将深入汽车营销的各个环节，包括客户标签的精准提取、销售话术的质量检测、营销话术的辅助生成以及销售陪练等。同时，它也将为售后服务提供智能支持，如智能服务、舆情分析等。

大模型时代的新篇章

ChatGPT的诞生与迅速崛起，标志着大模型时代的序幕已经拉开。这款应用在短短两个月内吸引了过亿用户，其迅猛增长在科技史上堪称罕见。不同于以往的技术潮流，如元宇宙和Web3等往往概念先行，ChatGPT却以其实际的应用价值赢得了用户的青睐。许多人在接触ChatGPT之前，并未深入了解大模型的概念，但正是这款应用，让他们切身体会到了大模型技术的巨大潜力与价值。 研究报告预测，到2026年，将有超过八成企业采用大模型技术。大模型技术以其独特性，在AI技术近百年的发展历程中脱颖而出。与以往不同，如今整个社会普遍认为AI已成为不可或缺的关键能力。

自移动互联网时代开始，AI技术便逐渐渗透到我们生活中，但其实际应用往往隐藏在搜索引擎、推荐引擎等背后，用户难以感知。那时，AI的各项任务如分词、词性标注、情感识别等都是相互独立的，每个任务都有其独立的逻辑、数据和算法，通过独立的模型来解决。这种分散的使用方式使得AI技术的门槛和成本相对较高，主要被大型互联网公司所掌握。

然而，随着神经网络的成熟，这种情况在2013年左右开始发生变化。神经网络将算法进行了统一，极大地降低了AI技术的应用门槛。用户只需将标注好的数据输入神经网络，它便能自主学习，无需再花费大量时间选择算法。

如今，大模型技术的出现更是实现了新的突破。它将数据、算法、模型和应用等各个环节全面统一，通过单一框架解决了众多问题。这使得AI能力显著增强，同时使用成本降低了两个数量级。成本的大幅下降意味着AI已逐渐成为一种基础生产要素，每个人都可以轻松应用。它不再局限于少数高端领域，而是成为了一种普惠性技术。这种基础生产要素的深刻变化，必将带来上层建筑的相应调整。 随着大模型技术的引入，多个领域将迎来深刻的变革，包括用户体验、成本结构、商业模式以及团队协作方式等。以发票识别为例，传统的AI方法需要大量标注数据来训练模型，不仅成本高昂，而且当数据格式发生变化时，还需重新训练模型，造成资源浪费。然而，人类在识别方面表现出极强的适应能力，能够迅速理解并应对新情况。大模型技术在这方面展现出了类似人类的智能，即使面对少量样本，也能迅速理解并完成任务。其独特之处在于，仅需单个示例即可进行推理与解答。 此外，我们的AI大模型矩阵也在不断创新。自2021年发布百亿模型以来，我们在2022年进一步推出了千亿模型，为当时尚未问世的ChatGPT奠定了技术基础。近年来，我们的技术发展更是突飞猛进，已成功构建起涵盖基础文本模型、代码模型、多模态模型以及超拟人对话模型的完整矩阵。 这一全面的AI模型矩阵为企业提供了广泛的应用选择。根据不同场景和需求，企业可以灵活搭配使用各种规模的模型，从而高效解决各类问题。大型模型凭借其强大的功能，虽成本高昂、运算速度稍慢，但在特定场景下仍显优势；而小型模型则以运算速度快、成本低廉见长。因此，多样化的模型组合选择无疑增加了企业的灵活性。 今年1月，我们隆重推出了GLM-4模型。据内部评测显示，GLM-4的整体性能已非常接近GPT-4的90%。令人瞩目的是，GLM-4在短短三个月内日均消耗量激增了一百倍。在诸多应用场景中，用户已能用GLM-4成功替代GPT-4，实现相近甚至更好的效果。

此外，我们经过精心考量，将模型的上下文长度设定为128K。这一设定不仅超越了OpenAI的128K限制，更能处理长达20万字的文本内容。在Agent能力方面，我们提供了包括代码增强、网络检索、文生图等功能，全面对标OpenAI，为用户带来更加丰富多样的应用体验。

基于对视觉和语言信息融合的深刻理解，我们创新提出了GLM-4V视觉语言基础模型。该模型能在不损害NLP任务性能的前提下，实现视觉语言特征的深度融合。GLM-4V不仅超越了简单的看图说话功能，更具备了深层次的推理逻辑能力。它不仅能理解图片的表面信息，还能通过捕捉和分析细节，推导出图片背后的结构和信息，这一能力在以往的人工智能技术中是难以企及的。

大模型技术在商业和应用领域的作用不容忽视。它极大地提升了人机交互的带宽，突破了以往命令式输入和有限沟通信息量的限制。随着PC时代的到来，鼠标界面使得触控元素增多，从而提升了交互性和信息量。而大模型技术则进一步推动了这一趋势的发展，为用户带来了更加智能、高效的应用体验。 当自然语言逐渐成为人机交互的核心方式时，其带来的变革显得尤为深远。简简单单的一句包含十个字的句子，其组合可能性竟能达到惊人的天文数字，这使得人机交互的带宽获得了实质性的飞跃。展望未来，多模态交互有望成为AI技术发展的关键方向。用户将能够通过模型输入图片、视频等多种模态的信息，进一步推动交互带宽和效率的提升。

接下来，我们探讨大模型在汽车行业的具体应用。 汽车领域的大模型应用，不仅是一场生产要素的革新，更将深刻影响我们原有的工作流程，带来整体性的提升。在汽车的全链路生产过程中，大模型都能发挥重要作用。

智能驾舱无疑是大模型应用的一大亮点。去年十月，我们成功将大模型技术应用于智己LS6车型，并在成都车展上展示了其云端对话功能。基于对大模型技术的深刻理解，我们精心挑选了适合该技术的应用场景。虽然大模型并非万能，但它对于涉及强上下文、复杂且有条件的车控任务，却展现出独特的优势。此外，车书问答、闲聊陪伴、生活服务等功能也得以实现，极大地丰富了智能驾舱的交互体验。

在设计车内的整体方案时，我们需要一系列大模型作为底层支撑。然而，在实施模型落地的过程中，我们需要进行全面的考量与计算。我特别强调，在考虑大模型的应用时，要算大账。

首先，模型的持续迭代升级是至关重要的。若模型更新无法得到保障，我们的业务基础将建立在不稳定的基础上，这无疑会带来诸多困扰。因此，确保模型的持续迭代升级，是保障业务稳定发展的关键。

其次，从成本效益的角度来看，闭源模型相较于开源模型在商用环境中展现出显著的优势。以当前商用版本的推理成本为例，其速度在开源世界中脱颖而出，快三倍以上。这意味着原本需要大量机器才能满足的服务需求，现在仅需较少的机器即可实现，从而大幅降低了成本。 第三，我们具备一系列尖端技术，使得千亿级模型能在消费级显卡上顺畅运行，从而进一步降低了模型的获取成本。同时，我们也在积极适配各类硬件平台，如高通8295等，以确保模型能在各种设备上稳定运行。 在市场营销领域，我们覆盖了从获客、营销到具体应用场景的全流程。我们的业务不仅局限于汽车行业，在其他多个场景中也有着明确的应用。 大模型与传统的AI技术有着显著的不同。例如，当客户对机器说出“好吧，都听你的吧”这样的句子时，尽管我们曾尝试通过NLP技术来分析其情绪，却难以得出结论。然而，当我们把这个问题交给大模型时，它能够深入理解并识别出这句话虽然表达了认同，但同时也透露出妥协的意味，说明这种认可并非完全无保留的。

这种细腻的情感分析能力是传统NLP方法所无法比拟的。传统NLP方法通常需要依赖大量的词表、序列标注以及不断的词表更新和挖掘等工作，而大模型则凭借其强大的泛化和通用能力，能够更直接、更准确地解决这类问题。

我们在实际业务中已经实践了标签提取、销售话术质检、营销话术辅助与陪练等多个功能。用户可以通过简单的对话轻松解决关于车辆型号、地点以及购车关注点等问题。

另外，大模型在售后服务方面的应用也与传统模式有所不同。传统的机器人客服系统采用的是一问一答的模式，即用户提出问题后，系统根据预设的问题和答案进行匹配，然后返回相应的答案。然而，这种模式存在一个固有的缺陷：由于问答对的数量是有限的，当系统召回率设置得较高时，可能会误匹配与用户问题略有相似的问答对并返回，导致回答与用户的实际需求不符。

为了解决这个问题，我们正在探索新的智能客服系统模式。这种模式能够更深入地理解用户的需求，并提供更准确、更个性化的回答。同时，我们也在不断优化我们的模型和技术，以确保我们的智能客服系统能在各种复杂情境下都能表现出色。 随着QA数量的不断增加，知识管理的难度也急剧上升。以车型保养里程的变更为例，这一信息可能涉及多达2200个对话QA，要准确找到并更新这些QA是一项极具挑战性的任务，导致知识的维护和管理变得异常困难。

然而，大模型的应用为这一难题提供了新的解决方案。大模型能够处理任意长度的文本输入，无论上下文多么复杂或意图多么隐晦，都能进行有效处理。这意味着，即使面对在原始问答对中未曾出现过的计算问题，大模型也能凭借其强大的计算能力为用户提供准确答案。

在舆情分析方面，大模型的应用也带来了显著的改进。传统的分析方法往往难以应对复杂、隐晦的文本内容，而大模型能够更细腻和精准地捕捉到文本中的隐含信息和情感变化。这种能力不仅提高了舆情分析的全面性和深入性，也为决策提供了更为准确的依据。