智能车的「ChatGPT时刻」，还有多远？

原文来源：量子位

图片来源：由无界 AI生成

要说今年“科技春晚”CES上最吸引眼球的是什么，智能车当属其一。

毕竟大模型一上车，智能座舱都卷成酱婶了：

让车上的数字助手帮忙记录约饭日程，Ta能直接帮你把餐厅也给预定了。

△骁龙座舱平台效果展示

规划路线这种事儿也变得充满巧思，数字助手会根据你的习惯，主动问你：“路上买杯咖啡不？”

△骁龙座舱平台效果展示

智能车上下游厂商纷纷秀出肌肉，也难怪不少前线参展的胖友们感叹：CES能当车展逛了。

事实上，随着大模型落地应用的重点从云侧走向端侧，不仅是手机厂商纷纷卷起端侧大模型，大模型上车也已成为关注焦点之一：

智能车是现今最重要的智能移动终端之一，而大模型被认为是AI规模化应用的关键。

不止是基于大模型、生成式AI能力构建智能座舱，由特斯拉而引起热议的端到端自动驾驶方案，背后也正代表着通过大模型串联感知、预测、规划所有模块的全新技术趋势。

也就是说，在大模型重构一切掀起的“模力时代”中，从智能座舱到自动驾驶，“汽车机器人”的真正实现，正在全方位围绕大模型展开。

那么，问题来了——

智能车真的需要大模型吗？

前文已经说到，大模型上车的两种最受关注的趋势，其一围绕自动驾驶，其二聚焦智能座舱。

自动驾驶方面，随着CVPR 2023最佳论文颁给自动驾驶大模型，一种行业共识浮出水面：

端到端自动驾驶是行业的未来，而新的突破将以大模型技术为基础。

△CVPR 2023最佳论文

有别于传统上更多基于规则的自动驾驶算法，端到端模型能够直接基于传感器输入（如摄像头数据），学习如何控制输出，无需人为设计复杂的中间表示。

举个例子，在端到端自动驾驶方案中，想要让模型学会不闯红灯，无需设计规则，只要多用高质量的交通信号灯视频训练它就行。

这也就意味着，端到端模型能够更好地处理复杂的交通场景：相比于对手写规则的依赖，此类模型可以针对实际场景进行推理，更能够解决corner case带来的应用落地问题。

量子位智库在《2023年度十大前沿科技趋势报告》中指出，端到端自动驾驶技术以全部模块神经网络化为特征，对规则的依赖度低，具备智能涌现能力和跨场景应用潜力。

而在CVPR 2023最佳论文《Planning-oriented Autonomous Driving》中，研究人员通过实验证明，骨干网络的增大能够带来感知分数的提升，这可能进一步改善模型的预测和规划性能。

也就是说，更大的模型能够提供更丰富的特征表示和更复杂的任务处理能力，能够更好地支持自动驾驶场景中复杂的数据处理和决策制定。

如果说大模型驱动的自动驾驶还是探索进行时，生成式AI与智能座舱的结合，则已经更快一步有了具体落地案例。

在今年的CES上就可见一斑。

比如吉利银河E8，就已大模型上车，实现了车上的影音娱乐和AI交互的个性化：基于文生图大模型，秒级生成私人定制款专属壁纸、精准推荐音乐还能基于音乐意境生成风格化壁纸、AI数字精灵具备“人设”更加拟人……

高通的骁龙数字底盘概念车，更直观展现出了边缘侧生成式AI的高效用例。

比如仪表盘上出现了一个警示灯，不必研究用户手册，直接向数字助手提问就能立刻得到答案。AI甚至还能帮助你当场预约维修。

△youtube@HotHardware