麦肯锡是一家全球性管理咨询公司，致力于帮助各类组织实现有价值的变革。“我们的业务足迹到达67个国家、135个城市，帮助私营、公共和社会部门各领域客户打造高瞻远瞩的战略，转变旧有工作方式，用科技解锁价值，并帮助客户提升持续变革能力。我们为组织及其人员，乃至整个社会带来的不仅仅是变化，而是能创造出切实价值的变革。”
作者：
彭波
麦肯锡全球董事合伙人
沈恺
麦肯锡全球董事合伙人
余奕
麦肯锡全球副董事合伙人
周荔
麦肯锡全球副董事合伙人
王斯佳
麦肯锡资深项目经理
ChatGPT发布后，迅速引发全球范围内的热潮。作为重要的人机交互界面，生成式AI将如何影响汽车业并打开广阔的想象空间？与此同时，部分车企已经开展行动。例如，某国际领先车企开始了生成式AI上车的小范围测试，几家国内车企已经和几家生成式AI服务商在做场景的概念验证，预计下一代车型毫无意外将搭载生成式AI技术。
我们希望借助本文，为汽车业生成式AI短期落地带来启发，同时为其长期应用提供一个思考框架。
如何应用生成式AI？
我们认为生成式AI在汽车业具有非常大的应用潜力，C端用户体验重塑和B端生产效率提升将是其中最重要的应用方向。我们建议车企、供应链企业，以及希望进入汽车领域的科技公司采取“五步走”策略，推动想法落地。
第一步：用户体验驱动的应用识别
客户体验是评估技术应用潜力的金标准之一。
我们沿着用户旅程，从售前、使用中、售后，以及与用户体验直接相关的车企产品研发这四个环节，梳理出了15个关键触点（见图）。
结合“5C”技术应用框架，我们初步梳理出50个潜在应用场景。例如：
【售前-决策环节】虚拟人直播：AI虚拟人在门店内或直播间介绍产品优势，实时回答用户提问、收集潜客线索。
【使用-驾车中】制作路途指南和旅行记忆：用户在长途驾驶过程中，仅需设定目的地，AI就能自动生成旅途中的充电、餐饮计划。通过自然语言交互，AI向用户介绍沿途景点、实时更改行程计划。
【使用-驾驶后】旅行记忆：结合外置摄像头捕捉到的影像、驾驶员及乘客的车内交互行为等，自动生成图片、视频和文案，用户可一键发布到社交媒体，例如“今日打卡某某国道”。
【售后-用户支持】辅助轻微维护任务：如果驾驶员想自行更换玻璃水，但不确定怎么做，可以问虚拟助手，助手会制作短视频，指导驾驶员一步步操作。
从效率提升的角度，我们以研发为例。
【产品研发-产品开发】交互式知识管理及支持：通过自然语言查询企业非结构化的历史文档、标准手册、规范等，辅助工程师进行研发。
在梳理生成式AI案例时，我们需要注意以下两点：1.能否有别于传统的机器学习方案，或是相较其能做得更好？2.这是否解决了用户或企业的真实痛点？颠覆式的革命可能比我们预计中来得更快。
第二步：价值与可行性评估
我们认为车企和产业链企业需要从自身目标客群出发，评估潜在用例对体验提升的感知度。另外，生成式AI仍处于发展早期，企业需要从模型成熟度、数据完备性、系统兼容性、合规风险四个方面综合评估落地的可行性，避免出现“理想很丰满，现实很骨感”，甚至造成数据安全事故。
在评估梳理四大类、50个应用场景后，我们得出以下结论：
生成式AI有望推动语音助手真正发挥“智能助理”“情感陪伴”的潜力，同时需要全场景、大量的用例合力才能完成。只有辅以大量的、沿用户旅程的点状应用创新，才能真正完成语音助手体验的“蜕变”。
未来，售前和售后可能会出现跨行业、通用性较强的商业化应用，车企可以考虑直接使用或在已有工具上进行快速的应用试点、迭代优化。
产品研发的“专家”系统有望落地，但需要车企本身在数据治理、算法技术方面拥有较强的能力。目前，类似于GPT-4的大型底层模型积累了强大的“通识能力”，未来通过垂直整合汽车领域独有的数据，“专家”系统能够理解行业的概念、信息，为产品研发提供直接支持。
第三步：升级技术能力
在技术架构上，我们认为从应用出发，比较敏捷的方式可以是将基础大模型的通识性能力与行业特定数据相结合，以微调或嵌入等方式，得到自身领域的专属模型。再以API（应用程序编程接口）公共服务接口或SDK（程序结合体）的方式支持各大应用。最后依靠系统与人工反馈，持续地校准优化模型。
第四步：风险与合规管理
在运用生成式AI技术时，我们需要注意其“类黑盒”的属性，多层神经网络使其生成过程与结果难以提前被预测。因此，在模型训练与日常运营中尤其需要风险与合规的管理。我们列举了一些常见的风险项，以及对应的举措：
数据泄露。将语料数据输入训练模型前，必须谨慎做好隐私数据模糊化等工作。
模型性能监控。建立并完善模型性能监控体系，借助人类反馈强化学习，持续使用最新且正确的语料调优。
知识产权侵权。开源模型并不代表商业可用，应审查开源协议，选择拥有明确商业许可的大模型作为基本模型，以及使用主机厂自有数据对模型进行微调，避免使用网络爬虫数据等灰色地带数据资产。
变革管理。2C应用避免将不成熟的应用过早推向市场或投入生产环境；2B内部应用应思考如何改变现有工作流程，让内部人员采纳工具；大模型的使用需要更加敏捷的IT系统和高度自动化的MLOPS平台支撑，否则大模型难以在生产环境中使用。
第五步：用例落地规划
我们建议详细考虑并回答以下6个问题，尽可能确保应用的顺利开发，以及在业务中的使用：
要解决的业务问题价值有多大？
需要哪些数据资产（包括如何获取）？
需要什么技术栈和工具？
团队设置和运营模式是什么？
有哪些潜在的合规风险？
如何嵌入到业务流程中？
生成式AI的局限性
生成式AI技术正在以惊人的速度迭代，如被诟病的数理能力差的“偏科”问题正在逐步得到解决。目前（2023年6月）来看，以下领域尚存在较大挑战：
风险敏感的领域，可能因为模型的错误、偏见或捏造的信息造成巨大损失。
追求过程可控的应用，要能清晰地解释生成过程，或是希望稳定输出结果。
某些特定的难题任务，例如倒着写单词（随着技术快速迭代，逐渐得到解决）。
高请求量且需快速响应的应用。目前强大的生成模型相对昂贵且速度慢，无法支持需要秒级以下响应的业务场景。
从中期来看，生成式AI还有可能颠覆现阶段车企的软件能力“护城河”。同时，我们意识到生成式AI的基础是企业的数字化能力，包括企业的数据基础、数字化工具和人员水平。
生成式AI将是对车企数字化转型水平和决心的又一次检验，企业是“一步慢、步步慢、最终掉队”还是“步步为营、降维打击”？或许未来5年就能见分晓。
