随着新能源、自动驾驶、人工智能技术的发展，汽车行业的智能化水平也水涨船高。汽车行业作为技术创新的重要领域，正迅速采纳大语言模型，如 GPT 系列，以推动行业的数字化转型。
AI 已经深刻地改变了互联网领域，为我们带来了更加便捷、高效、个性化的网络服务和体验。作为人工智能领域“皇冠上的明珠”，大模型技术在汽车领域有哪些应用和价值呢？在汽车领域面临哪些挑战和机遇呢？
近日，ITPUB 有幸采访到某汽车集团林琳林老师，一起探讨大模型在汽车行业的应用、运筹优化的适用场景、团队规模及未来发展建议等内容。
问题1：您好，林老师！很荣幸有机会采访到您，先简单介绍一下您自己！谢谢！非常荣幸有机会和大家交流。我在2011年从复旦大学基础数学硕士毕业后，就一直从事数据分析、人工智能相关的工作，从最早的销量预测、整车库存优化、零部件库存优化到后来的机加工工艺优化、长期型谱规划，还有入厂物流、仓库规划、调度优化等做了很多机器学习、运筹优化等项目，最近三年在做大语言模型相关的部署和应用等工作，可以说也见证了我们国内最近十多年的AI蓬勃发展吧。运筹优化
问题2：运筹优化在汽车行业中有哪些具体的应用场景？能否举例说明运筹优化技术如何应用于汽车生产、物流、销售等环节，以解决实际问题？成功实施一个运筹优化项目需要哪些关键步骤？汽车行业作为高端制造行业，是运筹优化技术应用的沃土。整个行业有非常多的运筹优化场景，像产品规划、生产排产、智能调度、库存优化、物流调度等。举个例子，设计一款发动机的机加工方案时，传统机加工艺需要有几十名资深的工程师，经过几个月的手工编排，才能把一款发动机的编排工作完成，工作量巨大，编排的结果只能找到一个可行解，没有办法找到一个最优解。可以将这个机加工问题进行数学建模，求得一个最优解，在实际应用中可以降低80%的编排工作。这属于中长期规划，目标主要是成本最优，这种目标要求一个精确解。规模比较大，把数学模型建好之后，会用求解器来帮助求解。在我看来，成功实施一个运筹优化项目还是非常不容易的。首先是业务部门是否愿意为求得的解决方案顺利实施做出改变，机器求得的方案肯定和传统手工方案有差异，业务部门是否有魄力改变是非常重要的；其次，建模工程师更像艺术家，是否有能力结合业务场景量身定制模型也非常重要；最后，工程师和需求提出方需要站在一条战线上，大家一起为结果努力，一起为结果负责，这也非常重要。
问题3：运筹优化的三个层级（战略层级、计划层级、执行层级）分别对应汽车行业的哪些具体应用场景？每个层级对优化目标和时效性的要求有何不同？按照实际应用的决策等级和决策范围来分可以把汽车领域的应用场景分为三个层级：第一个层级是战略层级的优化，比如汽车产能的规划、零件加工工艺的规划、库存长期规划、仓储长期规划。战略层级的优化对于时间性和稳定性的要求会比较低，对结果的最优化有较高要求。第二个层级是计划层面的优化，像生产计划、分销计划、物流计划、物料计划等，这些对于最优解，时效性和稳定性都有一定的要求，一般是每周或者是每月做一些计划。第三个层面是一个执行层面优化，例如车间的调度、拣货路径、物料供应等，这些会涉及到正常生产，优化结果立刻会影响到业务，对于优化系统的时效性和稳定性的要求非常高。总之，从各个层级来说，战略层级偏向于是做一个最优优化；计划层级在最优性、时效性和稳定性方面都有一定的要求；在执行层对最优性要求相对较弱，对于时效性和稳定性要求较高。问题4：在运筹优化的背景下，为什么有序OMTSP问题值得特别关注？它对哪些行业或领域具有特别重要的应用价值？在解决有序OMTSP问题时，您有哪些优化改进方法？这些方法具体是如何实现的？相比传统方法有哪些优势？有序OMTSP在实际应用中有很多场景。像在工艺加工场景，加工步骤之间有顺序、每个加工步骤的加工方案又有很多种选择，完整的加工方案就是有序OMTSP问题。在我遇到的场景中，算法选择上使用的蚁群算法，更多的改进是基于具体场景做的参数上的调整，还就是在算法中加了一些规则判断，使得更容易找到更优解。实验下来，用规则、参数调整、蚁群算法会比传统算法或人工编排找的解更优。问题5：大语言模型对汽车行业的影响有哪些？应用场景是哪些？大语言模型对汽车行业带来的影响主要在语义理解、语言生成的场景。应用场景例如智能座舱，可以划分为三个主要功能：一是执行基本命令，比如查询天气、股票信息或播放音乐；二是通过语音控制车辆的内部系统，以一系列语句完成复杂操作；三是将车辆当作多功能的AI 助手，它能在游戏中担当各种角色，丰富娱乐体验。还有客户支持与售后场景的坐席，大模型可协助坐席人员处理客户的咨询与问题，提升服务效率。在车辆设计和系统研发领域，由于该领域涉及大量专业知识，通用大模型可能需要针对性的微调或专项训练才能发挥作用。还有企业内部知识服务场景，大模型可以通过问答系统或检索企业内部的知识库来优化知识管理。当然，也有通用的场景，像代码生成等。问题6：FAQ 问答机器人实践探索有哪些关键发现？FAQ问答机器人的准确率提升策略有哪些？prompt 工程扮演了怎样的角色？FAQ问答机器人在大模型之前是比较常见的机器人形式。靠维护FAQ、语义相似匹配达到问答的效果。主要问题是泛化能力差、语义理解差。大模型出来后，开始尝试了几个不同版本的大语言模型。最初，我们直接使用指令询问大模型，但这样的方式无法达到我们预期的效果。随后，我们对大模型进行了微调，并结合 prompt 进行了实验，这种方法在问答生成上的效果有所改善，但结果的不确定性依然较大。我们的第三次尝试结合了自有知识库的相似度匹配和经过微调的大模型，这种方法的表现超过了前两种。但当时使用的都是较小的 6B 模型，即便采用了 RAG（Retriever-Augmented Generation）加上 prompt 和微调的方式，生成的结果仍旧难以控制。之后，我们尝试了 13B 和 70B 的大模型，并专注于利用这些模型的理解能力而非生成能力，这样做取得了不错的效果。现在，随着模型能力越来越强，一般普通人可以看懂的知识，都不需要微调了，通过RAG、prompt就可以实现很好的效果。Prompt在很多场景中扮演了非常重要的角色，在这个场景中可以用在会话改写、扩展相似问、生成话术中。问题7：在保障大模型可控性方面，RAG策略具体是如何实施的？实际使用中大模型的幻觉大小与大模型本身的能力、调用的参数设置、prompt、知识库中的知识质量等都有关系。所以在保证大模型可控性方面，也可以从这几个方面入手，采用能力更强的模型、调整温度参数、良好的prompt，提升知识库中的知识质量，减少困惑度……这些方法都可以缓解大模型的幻觉。另外，可以利用推理型大模型，靠体系，通过验证，反思，检验的过程，自我反思，提升输出结果的可控性。
问题8：针对当前大模型在汽车行业的应用现状，汽车行业的未来可能面临哪些新的机遇和挑战？您认为未来有哪些关键技术或趋势值得关注？
Deep Seek R1/V3开源后，给汽车行业带来更多机遇，很多大模型应用的场景可以用较低成本取得更好的效果，应用门槛降低。带来的新挑战是大模型应用产品迭代加快，需要企业的交付效率更高。作为汽车行业，应用开发方向关注RAG、智能体的开发、以及MCP协议、A2A协议等带来的影响；模型服务关注多模态大模型、端侧模型的发展。也可以关注未来世界模型的发展。
问题9：对于汽车行业的企业来说，实施大语言模型需要怎样的技术储备和团队配置？在实施运筹优化项目时，团队配置和人员技能要求有哪些特点？
大模型的部署、推理优化对人员要求还是比较高的，需要专门提供模型服务的人员。大模型相关的应用门槛降低，有些场景只要会写prompt就可以做出很好的应用，所以大模型的应用团队可能分布到各个业务部门中。中间可能还有一层团队，这个团队可以指导各业务部门的应用能更快的落地，给予必要的管理、培训和技术支持。运筹优化项目需要建模型，所以需要模型开发人员具有良好的需求沟通挖掘能力；需求沟通的角色也要了解建模技术，知道沟通的方向是什么，知道去沟通优化的目标以及要考虑的约束条件。
问题10：大模型的出现引发了很多人的焦虑，担心自己的工作会被取代，或者担心赶不上这一技术浪潮。您怎么看待这一事项？大语言模型如何帮助数据分析人员提升工作效率？
有这种想法的人还是很好的，至少他们看到了大模型的重要性。最早还有一些人对大模型的影响不以为然，那一部分人才是很可能会被AI替代的人。大模型确实会带来很大的变化，但也不用过度焦虑，脱离自己手头的工作，天天为了用大模型而用大模型的做法，也是没必要的。比如，有一些报表作为固定报表更合适，就不要用ChatBI让大模型生成代码、生成报表。使用大模型还是要找合适场景。作为数据分析人员，经常需要写代码，就可以把自己的想法告诉大模型，让大模型帮我们写代码。也可以帮我们总结技术报告、分析论文等，提效的场景还是很多的，关键是思维方式的变化，凡事都先想一下用大模型是不是可以更高效。
IT168与ITPUB技术社区强强联手，收集数百款主流数据库产品，重磅推出“数据库全景图”，旨在打造一款集知识普及、产品对比、选型参考于一体的综合性资源平台。“数据库全景图（11月版）”可扫描上方左侧二维码回复关键词获取，识别右侧二维码直达“数据库全景图”链接（右上角浏览器打开获取更好体验）。
王静约 9 分钟