据 IBM 商业价值研究院统计，60% 的全球受访车企 CEO 认同，企业的竞争优势取决于是否拥有最先进的生成式 AI。另一方面，65% 的全球受访车企 CEO 将行业颠覆视为一种风险，而非一项机遇。
「你面临的不确定性更多，其实机会也更多。比如，10 个 CEO 面对这种不确定性，在过去的环境中，10 个人中有 8 个人能做对，但现在只有 2 个人能做对。对于做对了的那 2 个人来说，获得的收益是更大的。」 这是中国某工业制造业企业 CEO 的观点。
汽车行业的内卷，AI 能做什么？
如果选出一个内卷最严重的行业，那么汽车行业一定在列。在 IBM 咨询中国区汽车行业总经理唐俊看来，汽车行业面临着成本压力持续上升，降本增效需求迫切，而另一方面，汽车市场几近饱和，产品迭代加速，车企承受前所未有的剪刀差压力。与此同时，中国移动董事长杨杰曾预测，到 2030 年，智能网联汽车在新车中占比将超过 80%。智驾已经成为主流，包括 AI 在内，数字技术如何赋能汽车行业发展，已经是当下的关键。
对此，唐俊表示，「汽车行业正经历从 『规模扩张』 到 『价值创造』 的范式转换。当技术升级周期压缩与成本收益压力形成共振，原有发展模式触及到了临界点，这时恰恰是行业通过数据驱动深化转型的战略跃迁窗口期，尤其是通过 AI 赋能以及系统化的工程方法，在现有产业积累的基础上实现升级与重构。」
无独有偶，蔚来创始人、董事长、CEO 李斌也在近日举办的上海车展上公开表示，智能电动汽车需要具备的 「新三大件」——智驾芯片、全域操作系统和智能底盘。这 「新三大件」 的发展，都离不开数字技术的加持与赋能。
在这个内卷严重的时代，汽车的变革也在循序渐进的进行之中。这些变革的核心都指向了数字化技术，而数字化技术应用的核心则是平台化运营，唐俊表示，汽车行业的数字化转型进行了很多年，近几年，在汽车行业中，经常提到一个概念——平台化运营。「对于传统的国产汽车品牌而言，降本增效只是一个表现，怎么样真正的从管理的角度思考，怎么样把产品线和研发到交付的过程通过更加科学的思路打穿，是这两年车企比较关注的话题。」 唐俊指出。
另一方面，随着生成式 AI 技术的火爆，各行各业都在积极拥抱生成式 AI 技术，AI 大模型如何在车企构建的平台化运营体系中，发挥力量，如何在不确定性之中，通过技术的创新，脱颖而出，也就成为了汽车行业 「卷」 的新方向。
IBM 中国科技事业部汽车行业和跨国公司总经理王胜航告诉笔者，AI 技术可以帮助车企在 「研产供销服」 每个环节都实现降本增效，同时还能提高产品质量，「而在未来几年，AI 一个更重要的策略是可以帮他们把自研的汽车品牌做出跟别人不一样的地方，把一个工具转化成一个价值。」 王胜航强调。
从 AI 能力角度出发，首先，生成式 AI 具备总结提取能力，能为车企带来包括 AI 呼叫中心互动、报告内容提取总结 （诸如财务报告、合同条款、媒体趋势等） 等能力。
其次，生成式 AI 具备会话式问答能力，可以基于车企构建的知识库、知识图谱平台，进行产品描述等会话式互动问答。
第三，生成式 AI 还能进行内容创作，唐俊介绍到，生成式 AI 可以进行包括人物角色、用户故事、生成图像/视频、定制个性化用户界面等操作，丰富车企服务与营销方案。
除此之外，车企还可以通过生成式 AI 进行包括研发、服务在内的多环节数据分析，加快车企研发环节，提升服务质量。
以研发端为例，众所周知，当下汽车的更新换代速度加快，原本可能 2~3 年才迭代的车型，如今已经缩短至 1 年一迭代了，这就给研发端带来了极大的压力。但应用了 AI 大模型后，企业可以通过构建研发知识库，利用模型的能力，辅助研发流程，并且通过构建智能体平台，用 AI 进行低代码开发，辅助编程等操作，从而为新车的研发提速。
不仅于此，在智能驾驶几乎已经成为新车标配的当下，利用 HPC（高性能计算） 的能力，可以帮助车企实现自动驾驶芯片设计 EDA 调度，多场景 CAE 仿真并行计算，碰撞测试仿真高性能调度等能力，从而提升汽车芯片的研发效率，降低研发成本。
「比如某外资头部企业有的刹车，不同的天气，比如雨天、雪天，会传来不同的数据，包括电池的温度，综合这些数据、信息对汽车进行调校，在这类型天气状态下，汽车应该怎么办。」 王胜航举例道，「研发的过程中需要进行全生命周期的管理，否则企业研发缺乏一个目标性。」
上述仅是 AI 技术在汽车行业应用的一个缩影，车企还可以通过 AI 大模型实现预测性维护、AI 审批，以及 AI 舆情管理等操作，提升效率的通过，降低相关环节的应用成本。
AI 不仅是生成式 AI
AI 在汽车行业的应用不仅局限于生成式 AI，其实 AI 早在生成式 AI 问世之前就已经开始了重塑汽车行业。
IBM 大中华区董事长、总经理陈旭东曾与笔者分享了 IBM 通过观察客户得出的企业级 AI 应用的一些误区，其中有一个最为重要的就是：AI 不等于生成式 AI。在陈旭东看来，早在 ChatGPT 问世之前，AI 技术早就开始在各行业中应用，「在生成式 AI 出现在大众视野之前，AI 已经在很多领域实现了应用，包括自动驾驶、地图导航、自动客服、流程自动化等等，」 陈旭东进一步指出。
在汽车行业数字化转型过程中，也存在同样的误区，一些车企认为，当下只要用好了 AI 大模型的能力，就算是完成了车企的数字化转型，但这种想法是错误的。就如同在 watsonx 平台之前，IBM 就推出了 Watson 一样，有一些 AI 应用早在生成式 AI 问世之前就已经开始在汽车产业链上下游中得以应用。
以汽车制造为例，智能制造已经成为制造业的大势所趋，一个个细分的小场景的组合，堆叠出了智能化工厂。
以点看面，以汽车节气阀为例，原本节气阀的识别需要靠人工挨个审核，细小的差别就会影响汽车的整体质量，但人工审核时间长，识别准确率低 （因为细小的差别，肉眼很难识别），且需要单独设立岗位，进行轮岗，平均每个岗位需要三个人轮班审核。
但通过 AI 图像识别技术后，造车厂可以彻底取消该岗位，通过对节气阀拍摄图片，并由 AI 进行识别是否安装合格的方式，在节省了人力成本的同时，AI 系统还不会出现 「疲劳」 的情况，从而提升了识别的准确率。「车厂的目视岗，存在疲劳的情况。当员工连续工作半小时之后，会产生疲劳感，导致识别产生错误，从而造成了次品率上升，」 王胜航指出，「如果用视觉 AI，用大数据模型来驱动，检出次品，提升良品率，间接也降低了成本。」
再比如，某合资车企，利⽤ AI 赋能后的，基于物流配送⽹络优化平台 （LDNOP） 的解决⽅案，着重解决整个物流⽹络布局的优化问题。从物流⽹络战略规划层⾯实现物流经济性与时效性的平衡。在运输计划和运输执⾏⽅⾯，建⽴运输主控室，通过优化算法⾃动实现运输计划编制，智能配板，并且通过和承运商的协同，动态实时的监控运输状态，精准预测货物到达时间。通过仓⽹布局的数字化算法调整、 下线带⽅向⽐例提升等措施累计实现降本达上亿元，时效提升 1.2%。
王胜航进一步指出，在生产制造环节，IBM 科技帮助车企以计算机视觉检测和 AR 技术替代传统人工质检，在提高生产效率、降低次品率的同时，还能够协助员工完成厂区巡检和维修操作。在供应链优化上，IBM 科技帮助车企利用人工智能学习历史数据并分析订单需求，促进产销协同；或通过大模型技术智能预测需求，进而优化库存管理，降低运营成本。精准营销与服务方面，IBM 帮助车企整合内外多源数据，通过智能分析生成客户画像和营销洞察，实现从舆情预警到服务优化的闭环管理。
AI 赋能，如何 「从点及面」？
汽车行业的数字化转型需要搭建数字化平台已经是不争的事实，而平台化仅是企业级 AI 规模化应用的开始和前提，在实现了平台化的能力后，通过公司内部的系统对 AI 应用集成决定了企业级 AI 规模化的好坏，「汽车行业很多内容应用系统具备相互关联性，当有一个应用跑通了数字化能力，AI 能力之后，通过这些系统，将 AI 的能力进行集成后，就能产生联动效应，就能实现真正的规模化应用。」 某头部主流车企数字化部门负责人曾对笔者指出。
从当下汽车行业的数字化转型趋势可以看出，AI 技术可以从企业内部最小的一个业务单元应用开始，「原先由流程或人打通的，诸如销售、战略、营销、服务、研发等环节，在 AI 时代，这些工作和流程都将被 AI 取代。」 唐俊指出。
据悉，宝马用了 2 年时间，落地了 100 多个 AI 应用的场景，之所以能形成这么大规模的应用与复制的能力，数据是一方面，更重要的是平台化的能力，平台化是 AI 规模化应用的一个重要前提。
对于车企而言，在使用 AI 技术的时候，需要率先找到一个细微的场景，在那个场景尝试应用 AI 能力，一方面这样试错的成本更低；另一方面，单个场景更容易 「跑通」，跑通之后，再将 AI 的能力通过搭建好的数字化平台复制，进而映射到更多的场景中，实现全面的智能化。（本文首发于钛媒体 APP，作者｜张申宇，编辑丨盖虹达）
