人工智能技术驱动汽车行业加速奔跑，车企在软件、云应用和人工智能使用方面的合作呈增长态势，但这也可能致使汽车行业愈发依赖超大规模企业和有技术优势的企业。总的来看，人工智能在汽车行业的应用具有巨大的潜力，车企需要开发和实施能够提高效率、安全性和用户体验的人工智能模型。
汽车行业有待进一步拥抱人工智能
在汽车行业，在价值链上接受和实施人工智能应用方面，情况喜忧参半。供应商、经销商和售后服务的执行水平较低，汽车制造商在实施方面取得了进一步进展，但在这方面还有很大的改进潜力。
纵观整个汽车行业，只有不足5%的企业在选定的地点实施人工智能应用程序。这大约是制药行业的一半。在零售业，这一数字高出四倍。汽车价值链中有3成左右的企业正在进行人工智能试点项目，更多的企业仍处于探索阶段。
在汽车行业，只有不到4成的企业拥有专门的团队和额外的预算来引入和实施人工智能项目。相比之下，零售业的这一比例超过60%，高科技行业接近80%，航空航天行业也超过了50%。
汽车行业对人工智能的投资一度低于平均水平，但鉴于人工智能对行业的巨大影响，这种情况已经得到极大的改变。
特斯拉是为数不多的大规模建立计算能力的汽车制造商之一，特斯拉的超级计算机用于训练特斯拉ADAS（高级驾驶员辅助系统）的模型等。其他汽车制造商一直在加强投资自己的数据中心，这些数据中心可用于人工智能应用，也有部分汽车制造商倾向于使用大型科技公司的数据中心来训练人工智能应用程序。
从长远来看，车企对模型推理计算能力的需求将增加，对人工智能培训的需求将相对下降。作为软件定义车辆开发的一部分，车辆中安装的计算能力将不断提高，这对AI应用程序在车辆中的使用是积极的。
遍布整个价值链的人工智能
人工智能可用于车辆的各个部分和整个价值链。在汽车行业价值链上活跃的企业，其所有部门都可以从人工智能应用程序的使用中受益。
在消费端，消费者和驾驶者都看到了通过使用人工智能进行改进的巨大潜力。特别是在中国，消费者普遍认为人工智能可以改善驾驶员辅助系统、高度自动驾驶和个性化驾驶体验。在全球范围内，智能路线规划和虚拟助手也得到了高度评价。
对于在车辆中实现的案例，需要专有计算机硬件作为安全关键，因为性能和连接要求限制了云解决方案。大型语言模型在车辆中的集成为个性化铺平了道路，但也存在技术挑战。由于其大小的原因，大型语言模型通常部署在云中，这会影响交互和性能。在车辆中运行的本地版本可以实现更无缝的集成、更快的响应和更好的用户体验。
在汽车产品中使用安全、关键、高性能的人工智能应用需要足够的计算能力。对于人工智能支持的驾驶功能，如ADAS和NOA，需要高达1000TOPS及以上的处理能力。对于不太关键的应用程序，可以使用云解决方案或混合解决方案，比如使用云解决方案，查询和信息的处理在云中进行，并将结果传达给车辆。
软件定义车辆的概念愈发起到关键作用。SDV是从主要基于机械和硬件的汽车到主要由电子控制并依赖软件的汽车的演变。通过将软件和硬件解耦，可以在车辆的整个使用寿命内快速连续地开发和实施新功能和软件更新。SDV水平是可扩展使用AI的先决条件。
在车辆硬件层面，必须有足够的计算能力，以便在车辆中实现人工智能应用程序。人工智能应用程序可以用于数字生活空间，虚拟助手在智能驾驶舱中实现，自动驾驶功能也在这一级别使用。
人工智能是实现自动驾驶的关键
没有人工智能，就不会有自动驾驶汽车或高度自动化的驾驶功能。在汽车行业，存在两种不同的策略。一部分车企推行垂直战略，自己开发和实现大多数级别的人工智能应用程序，另一部分车企选择了横向战略，使用供应商而不是自己开发的人工智能模型和应用程序。
现代汽车的驾驶舱中使用大型语言模型来改善客户体验，并使新功能成为可能。将人工智能直接内置到车辆中的个人助理正变得越来越高效和有效。最新的迭代实现了智能推理和智能调度功能。例如，车辆的乘客可能会说他们感觉太冷，车辆会通过调节空调来做出反应。例如，人工智能应用程序还可以从车辆手册中请求信息，并将其作为视听输出呈现。
一个关键方面是确保人机界面得到足够的关注。这主要不是从技术或产品的角度将人工智能应用程序放在汽车上。在此期间，首要目标是让功能的使用感觉自然、熟悉和人性化，从而确保持续使用。如果集成过于技术化，而没有对人与机器之间的接口进行足够的投资，人工智能最终可能会被拒绝。
许多汽车制造商正在研究将人工智能助手拟人化，使其展现出人类的行为和特征，例如识别情绪并对其做出反应的能力。
朝向拟人化的下一步是面部识别技术的整合，它使助手能够直观地识别驾驶员并分析他们的情绪。拟人化不仅仅是简单地模仿人类特征，还可能包括适应文化和地区差异。有车企正在开发能够理解地区方言并在交流中考虑当地特征的人工智能系统。例如，在日本，助理可以更正式地说话并恭敬地鞠躬，而在美国，则使用更轻松幽默的交流风格。
汽车行业人工智能的货币化
未来几年，汽车行业中人工智能应用的货币化将是一个相关问题。企业可以使用MHP的商业模式框架来评估人工智能应用程序的商业潜力。基于市场和竞争以及客户需求，开发以客户为中心的案例并进行财务评估。
在车辆的整个生命周期内，将人工智能应用程序用于个人辅助的直接货币化被认为是一个挑战。除了直接货币化，企业还应该考虑间接选择。通过人工智能应用程序获得的信息和数据可用于不断优化产品和服务。客户感知的质量得到了提高，产品和服务可以根据他们的个人需求量身定制。这会影响购买决策，提高忠诚度和客户保留率。
另一个重要方面是伙伴关系和生态系统的作用。汽车制造商可以通过与技术公司、软件开发商或数据提供商的合作来利用额外的货币化机会。这不仅可以产生新的收入来源，还可以减少发展努力，加快创新。
最明显的方法之一是直接支付基于人工智能的功能：汽车制造商提供自动驾驶、ADAS功能等附加选项，用户可以通过一次性付款或订阅激活。通过订阅模式直接盈利，制造商提供对某些人工智能服务（如个人助理、娱乐/信息服务）的访问，作为订阅模式的一部分。用户每月或每年支付费用以访问特殊功能或更新。通过这种方式，制造商建立了稳定的收入来源。
企业也可通过使用和分析车辆中生成的数据来获得有价值的见解。例如，与驾驶行为相关的数据可用于制定个性化的保险报价（基于使用的保险）。此外，匿名数据也可以出售给第三方，例如用于改善交通管理系统或进一步发展智慧城市。此外，人工智能可以通过个性化推荐和广告来改善用户体验。车载商务（例如直接在车内订购产品）或基于用户偏好和驾驶行为的定向广告也可能成为收入来源。
汽车制造商还可以创建开放平台，第三方提供商在平台上提供自己的基于人工智能的应用程序。这些平台可能类似于智能手机的应用程序商店，汽车制造商可以从销售的应用程序或服务中获得佣金。在改善客户体验和服务方面，人工智能支持的车辆诊断和预测性维护有助于优化车辆维护，并在早期发现问题。制造商可以为此提供超出标准维护计划的特殊高级服务。
制造业和汽车生产中的人工智能
人工智能在汽车制造过程中的使用频率正在增加。这一点上，中国企业远远领先于全球竞争对手，在某些情况下，中国企业将基于人工智能的解决方案整合到生产过程中的频率是竞争对手的两倍以上。文化接受度和地缘支持等方面可以被视为这一令人印象深刻的进步的可能驱动力。在欧洲部分地区，20%的车企在制造过程中使用基于人工智能的解决方案，而美国的比例为46%，中国则为94%。
在生产中使用人工智能的原因可以追溯到每一项商业活动的驱动因素，从企业的角度来看，降低成本、提高效率和提高质量是推动人工智能在生产中应用的关键动机。
软件开发中的人工智能同样进展迅速。AI应用程序可用于软件开发的许多领域，汽车行业正从这一发展中受益。必要时，可考虑并设置相关技能、数据池和流程，以便为人工智能的应用做好准备。在此之前，人工智能应用程序可以沿着价值链用于开发与汽车和软件定义车辆相关的软件。
欧洲、美国和中国对人工智能的总体理解是一致的，车载人工智能的情况则不同。调查显示，只有60%的受访者表示他们了解人工智能在汽车中的使用。在这个问题上，全球也存在差异。在中国，超过80%的受访者了解汽车中的人工智能，而在欧洲，这一数字仅为53.7%。当被问及是否曾在汽车中使用过人工智能功能时，一幅清晰的画面出现了。在中国，近四分之三的受访者在汽车中使用过人工智能功能，而在欧洲，这一数字仅为31%。总体而言，50%的美国受访者表示，他们已经在汽车中使用了人工智能功能。
汽车行业人工智能的优势与不足
人工智能的两个普遍优势获得了超过40%的高支持率。在所有地区，51%的受访者认为节省时间是最大的优势。获得同样高的分数是提高效率和生产力的方面——43.7%的人认为这是一个优势。其他优势，如提高创造力、提高安全性或更好的决策能力，仅被评为26.6%至29.3%。令人惊讶的是，中国的评级对大多数被问及的优势都是积极的。节省时间在全球范围内排名相对相似；与美国和欧洲相比，调查中的其他优势在中国得到了更频繁的肯定。美国受访者最有可能表达他们的担忧，来自所有地区的45.9%至49.2%的受访者提到了数据保护和个人隐私的风险、不正确信息的更大风险和安全风险。
当分解为汽车和移动性时，优缺点也相应地被看到和分类。最大的优势在于高效驾驶——47.2%的人认为人工智能确保了这一领域的进步。排在第二位的是安全性提高了42.5%，其次是舒适性提高了40.1%。值得注意的是，来自中国的受访者对这些优势表示了更高的认可度，美国的评级最低。关于在汽车中使用人工智能的缺点，安全风险、数据保护和个人隐私以及可能失去控制等方面的评级最高。
汽车行业的人工智能存在明显的地方差异。与云计算领域一样，将没有可以在全球范围内使用的人工智能解决方案。汽车制造商将被要求采购和实施当地车型。一方面，由于监管规定，全球人工智能模型提供商不会在任何地方提供他们的模型。另一方面，一些国家将实施严格的监管，防止使用全球模型。
除了地区差异，对人工智能模型的案例需求也是相关的。许多人工智能模型已经针对各种案例进行了训练和优化，需要开发和嵌入适当的功能和流程，以便它们能够响应当地条件，并为案例和使用环境选择合适的应用程序。识别、评估和选择人工智能系统各层的合作伙伴成为车企必须学习的核心竞争力。
