吉利汽车3年AI布局突围，大模型赋能智能驾驶新纪元

一、破局者入场：吉利AI战略的三年蛰伏与爆发

当ChatGPT引发全球AI军备竞赛时，吉利汽车早已在智能汽车赛道完成关键卡位。2020年启动的‘智能吉利2025’战略中，每年研发投入超150亿元，其中AI专项预算占比30%。其杭州湾研究院的千兆级自动驾驶数据库，累计处理了相当于5万部《牛津词典》的驾驶场景数据，为后续大模型训练奠定基础。

技术深潜：

• 2021年搭建自主AI平台‘银河神经网络’，采用MoE（混合专家）架构实现多任务并行处理
• 车规级芯片‘龍鷹一号’集成NPU算力达16TOPS，支持transformer模型实时推理
• 与中科院联合开发的交通场景理解大模型TSU（Traffic Scene Understanding）已在30万辆车端部署

二、大模型如何重构汽车‘神经系统’

2.1 智能座舱：从‘语音助手’到‘出行管家’的进化

传统车机系统面临三大痛点：

1. 指令式交互（唤醒词+固定句式）
2. 场景割裂（导航/娱乐/车控相互隔离）
3. 记忆缺失（每次启动都是新会话）

吉利‘星睿AI’大模型的解决方案：

# 多模态输入融合示例
class MultimodalProcessor:
    def __init__(self):
        self.llm = load_model("xingrui-7B")
        self.speech_encoder = WhisperV3()
    def process(self, audio, image, sensor_data):
        # 语音语义理解
        text = self.speech_encoder(audio)
        # 视觉场景解析
        objects = vision_model(image)
        # 上下文记忆检索
        context = memory_engine.get_context()
        # 多模态决策输出
        return self.llm.generate(
            text=text,
            visual_context=objects,
            vehicle_status=sensor_data,
            history=context
        )

实际应用案例：当驾驶员说‘有点闷’时，系统综合车窗雾度传感器、空气质量指数、用户过敏史等数据，自动执行‘开天窗+切换内循环+建议附近洗肺路线’的复合决策。

2.2 自动驾驶：从‘规则驱动’到‘认知驱动’的跨越

传统自动驾驶堆砌规则的局限性：

• 长尾场景覆盖不足（应对‘洒水车突然横喷’等边缘案例）
• 拟人化决策缺失（人类司机的防御性驾驶思维）

吉利‘轩辕’驾驶大模型的技术突破：

• 采用RLHF（人类反馈强化学习）框架，吸收10万小时老司机驾驶数据
• 独创‘风险扩散算法’，在仿真环境中预演百万级冲突场景
• 实时推理延迟控制在80ms内（行业平均200ms）

三、实战启示录：车企AI化的三大方法论

1. 数据飞轮构建

   • 建立车主数据贡献激励机制（如吉利‘数据挖矿’计划）
   • 开发边缘计算设备实现车端数据脱敏预处理

2. 技术栈垂直整合

   • 自研基础模型架构（避免受制于通用大模型）
   • 车规级AI芯片定制（满足-40℃~85℃工况要求）

3. 场景定义权争夺

   • 主导V2X标准制定（吉利参与17项国家标准编写）
   • 建立开发者生态（开放1500个车辆控制API）

四、未来战场：大模型引发的产业链重构

据罗兰贝格预测，到2025年AI将吞噬汽车行业25%的研发预算。吉利已布局：

• 成立‘星睿智算中心’（算力规模达810PFLOPS）
• 投资类脑计算芯片企业（突破冯·诺依曼架构限制）
• 与高校共建‘汽车GPT实验室’（专注小样本持续学习）

开发者机会窗口：

• 基于吉利AI开放平台开发场景化插件（如钓鱼模式、商务接待模式）
• 参与数据标注众包（特别关注corner case标注）
• 开发模型轻量化工具（满足车端部署的3MB内存限制）

结语

在‘软件定义汽车’的下半场，吉利用三年时间验证了：大模型不是噱头，而是重构汽车价值网络的核武器。其启示在于——智能化转型必须完成从‘功能叠加’到‘认知重构’的本质跨越，而这需要技术耐性与战略定力的双重加持。