汽车中的生成式AI

麦肯锡最近对汽车和制造业高管进行的一项调查显示，超过 40% 的受访者正在生成式 AI 研究和开发方面投资近 600 万美元。超过 10% 的受访者投资超过 2300 万美元。¹

AI 技术为汽车行业的一系列能力提供支持，包括预测性分析和自动驾驶等。本页特别关注生成式 AI及其对车辆设计、工程和客户体验日益增长的影响。

从更广泛的层面来看，生成式 AI 是指能够根据从数据集中学习到的模式生成原创内容（例如文本、图像、视频或软件）的 AI 系统。

生成式 AI 由先进的机器学习 (ML) 技术提供支持，尤其是深度学习，它模仿人脑识别和处理信息的方式。许多生成系统依赖于大语言模型（LLM）和自然语言处理（NLP），因此能够理解提示词并生成近似人类交流的文本。

生成式 AI 模型学会预测接下来会出现什么内容。目前生成式 AI 应用最广的领域包括产品开发、客户互动、运营效率和技术现代化。²

在汽车领域，生成式 AI 正在重塑汽车的构想和制造方式。设计师可以将草图或技术限制输入到 AI 工具中，这些工具生成完善的可视化效果，提出空气动力学形状或结构改进建议，所有这些都比传统方法要快得多。这些 AI 驱动的输出成果反映了现代车辆设计的迭代特性。许多工具还可以以虚拟方式模拟碰撞测试、气流和天气条件，从而减少对物理原型的需求并加快开发速度。

在幕后，生成式 AI 正在为工程和制造团队带来实际效益。例如，它可以帮助确定平衡强度和重量的最佳材料和布局。它可以利用计算机视觉检测生产线上的质量问题，并通过预测中断和更精确地管理库存来改善供应链规划。此类应用程序可减少错误并发现生产流程中隐藏的漏洞。

75% 的汽车行业高管表示，到 2035 年，软件定义的体验将成为品牌价值的核心^。3汽车制造商已在软件开发中使用生成式 AI 来编写、审查和重构代码，特别是对于支持安全功能和信息娱乐的嵌入式系统。

生成式人工智能工具使用学习模型和算法来简化开发并节省文档、原型设计和合规性检查的时间。尽管如此，将 AI 集成到安全关键型系统中需要新的验证流程和熟练的监督。

生成式 AI 也在重塑汽车制造商与潜在客户和现有客户的互动方式。对于潜在买家，AI可以在买家的整个旅程中创建个性化内容--从有针对性的广告到量身定制的着陆页。梅赛德斯-奔驰和宝马等品牌正探索这类个性化 AI 用例，以提升营销效果和用户触达。

在车内，生成式 AI 可增强驾驶体验本身。车载助手可以了解驾驶员的偏好并自动调整路线、气候和娱乐。例如，作为测试计划的一部分，梅赛德斯-奔驰已在 90 万余辆汽车中集成 ChatGPT，提供更先进、更加个性化的语音交互。^4、有些系统甚至可以生成为个别乘客量身定制的沉浸式视觉或音频体验。

在车辆之外，人工智能聊天机器人和虚拟助手正在改善客户体验。他们回答问题、推荐融资方案并安排服务预约。这些工具简化了网站、应用程序和经销商系统之间的交互。

生成式 AI 还为预测性维护提供支持，该系统可实时监控车辆数据，在部件发生故障之前向驾驶员发出警报，从而帮助减少停机时间并建立长期信任。

在汽车领域，生成式 AI 已从试验阶段走向落地执行；它简化了运营，解锁了新想法，并实现了更快、更适应性的响应。随着行业的发展，这项科技在车辆的设计、开发和交付过程中发挥着核心作用。

生成式 AI 对汽车产业非常重要，因为它从根本上契合了汽车行业向软件驱动、以客户为中心的生态系统的转型。

随着行业从机械工程转向以数字化和数据为主导的运营，生成式 AI 发挥着越来越大的作用。它已成为帮助企业加快行动的战略引擎。它还支持更深层次的个性化，并从日益复杂的系统中解锁价值。人工智能通过加速从代码生成到模拟的所有内容来帮助管理这种复杂性。

例如，麦肯锡发现，将生成式 AI 集成到开发环境中可以将花在编写、翻译和记录等编码任务上的时间缩短多达 40%。 ¹ 这使企业能够有效地扩大其数字化雄心，并在速度、成本和创新方面获得竞争优势。

生成式 AI 正在帮助重塑汽车 — 不仅仅是将其作为一种产品，而是将其作为一种服务和一种体验。电动汽车、自动驾驶汽车和连通性正在改变移动性的含义。生成式 AI 使汽车制造商能够快速适应。它支持个性化的车内体验、缩短设计周期以及更智能、人性化的客户支持，而这一切均由 AI 技术的快速进步所驱动。几年前，这种实时适应几乎不可能规模化。

在这种情况下，生成式 AI 不仅仅是一种工具，它是一种力量倍增器。生成式 AI 让传统车企更有能力应对技术原生的新势力。它还为初创企业提供了一种用更少的资本进入汽车领域的方式。随着行业转向软件，生成式 AI 变得至关重要。它支持竞争力，帮助满足不断增长的客户期望，并促进新车辆和商业模式的创建。

领先的供应商正在支持这一转变。例如， Microsoft 正在大力投资汽车 NLP 和 LLM 工具。AWS 正在与 BMW 和 Toyota 合作开发互联汽车平台和语音助手。Alphabet 的 Android Automotive OS 包括 Google Assistant 整合，用于语音控制的信息娱乐和导航。

汽车产业的一些关键生成式 AI 用例包括：

• 高级驾驶辅助系统 (ADAS)
• 客户支持和服务
• 数字孪生体和自动驾驶模拟
• 制造和供应链优化
• 营销和本地化
• 个性化车内体验
• 预测性维护和诊断
• 软件开发
• 培训自动化
• 车辆设计和原型制作

生成式 AI 通过改善车辆解读周围环境的方式，在增强 ADAS 方面发挥着新兴的作用。预计未来三年内，软件定义汽车的测试与仿真工作量将减少近 40%，从而提高自动驾驶系统开发效率。⁵

通过对大型图像数据集进行训练，gen AI 可以实时准确地检测、识别和跟踪行人、车辆和交通标志等物体。它还支持语义分割，帮助 ADAS 系统理解和区分车道、人行道和标志等道路元素。这些能力支持碰撞警告、车道偏离警报和紧急制动等功能，使驾驶更安全，更可预测。

例如，宝马正在使用 Amazon Web Services (AWS) 为其 2025 款 Neue Klasse 车型构建新的驾驶辅助系统。该系统采用基于云的工具（包括生成式 AI）来改进安全性与功能。⁶

生成式AI使客户与经销商和服务中心的互动更加便捷、个性化和高效。驾驶员无需久候或翻阅手册，即可从 AI 工具获得实时智能帮助。

在经销商和 OEM 服务中心，人工智能虚拟代理可以处理车辆推荐、融资问题和服务安排等问题。这些助手理解自然语言，能立即响应，并根据客户的意图调整自己的语气和细节。所有这些都提高了客户满意度并降低了支持成本。

AI 还将传统的汽车手册转变为交互式会话指南。驾驶员可以提出具体的问题并获得针对车辆的精确答案，而无需查阅多页文档。

对于道路救援，支持生成式 AI 的代理会分析车辆数据或解读驾驶员对问题的描述，从而帮助快速准确地查明问题。这项 AI 举措加快了问题解决速度，减少了不必要的服务电话，并改善了车队维护计划。

来自客户互动的数据可帮助汽车制造商了解常见的车辆问题并改进未来的设计，同时加深品牌与驾驶员之间的信任。

生成式AI生成车辆、生产线或交通环境的详细数字孪生体。这些虚拟模型可以进行数千英里的虚拟道路测试，包括行人突然横穿马路或极端天气等边缘情况。这对自动驾驶软件的培训和验证很有价值，减少了对真实世界测试的依赖。

在生产环境中，生成式 AI 可帮助预测供应链需求、发现潜在中断并优化库存。它可以对材料进行实时跟踪和管理，帮助确保在正确的时间提供正确的零件，避免制造延误。

它还通过分析图像或传感器数据来检测装配线上的缺陷，从而改进质量控制。这些能力简化了制造，同时减少了浪费和成本。

汽车公司正借助生成式 AI 规模化生产超定向内容，涵盖个性化视频广告、着陆页以及本地化车型手册等。它通过针对不同地区或人口统计数据翻译和调整材料以及根据特定客户资料定制消息来支持本地化。这允许在全球市场上进行更快、更相关的营销。

品牌也在使用它来根据客户行为优化定价战略。例如，丰田和福特使用这些工具为不同的客户群定制消息。

汽车产业高管预计，由于 AI 整合，客户支持的工作效率将提高 7%，整体营销预算效能与获客指标将改善 5%。⁵

生成式 AI 驱动的聊天机器人和语音助手可实现乘客与其车辆之间自适应、类似人类的交互。这些助手能够理解上下文与意图，响应语音指令，并以对话方式与驾驶员互动。同时，驾驶员可在保持专注行驶的情况下，通过语音开启导航、播放音乐、发送消息并控制其他车辆功能。

生成式 AI 还支持动态信息娱乐系统，可依据心情与位置来推荐娱乐内容。Gen AI 工具已集成到调整气候、照明和导航偏好的功能中。这些工具是朝着超个性化和“软件定义的出行方式”迈出的后续步骤，旨在改善体验，让汽车感觉更像是数字伴侣而不是机器。

通过使用远程信息处理（使用 GPS 和车载诊断系统收集车辆数据的技术）和实时传感器数据，生成式AI 模型可以在问题发生之前预测零部件何时可能发生故障。这有助于减少停机时间并延长车辆使用寿命。它还有助于管理车队。

这些系统会生成个性化服务警报，分析车辆数据以做出更好的决策，甚至可以推荐最佳的维修时间和地点。它们越来越多地与无线 (OTA) 更新系统集成。例如，特斯拉汽车使用 AI 驱动的诊断功能来检测电池或电机问题的早期迹象。

生成式 AI 可实现车辆软件开发的关键部分的自动化，尤其是 ADAS、信息娱乐系统和电池管理等嵌入式系统。它可以编写、重构和记录代码，生成测试用例并起草技术要求。

麦肯锡的一项调查显示，将生成式 AI 与软件质量保障措施结合使用（如创建并自动化测试以提升效率与代码可靠性）可推动生产力提升 44%。¹

这些功能显著加快了开发速度，同时简化了软件开发工作流并减少了工程师的工作量。然而，大多数系统仍然需要严格验证以满足安全标准。

汽车制造商正在使用生成式 AI 为员工生成培训指南、服务演示和文档。这些工具可以简化复杂的程序，模拟现实世界的支持问题并快速本地化内容。这有助于一线员工了解不断发展的科技，例如电动汽车 (EV) 和联网汽车。

生成式 AI 正在帮助工程师探索更高效、更创新的结构，从而重塑汽车设计。通过输入重量、材料和安全要求等约束条件，团队可以生成优化设计，通常比人工设计的版本更轻、更坚固或更具成本效益。这包括拓扑优化（改善特定 3D 几何设计空间内的材料布局和结构）、减重战略和 3D 打印组件。这些工具还可以加快虚拟试验的速度，使原型制作更快、更便宜，同时支持可持续发展。

前面已经介绍了生成式 AI 在汽车领域的一些优势，例如更快的设计周期、更高效的软件开发以及更个性化的车内体验。这些示例展示了生成式 AI 如何加快工作流、降低成本和增强客户体验。

除了这些领域之外，生成式 AI 还具有几个更广泛的新兴优势：

• 增强指标和性能跟踪：AI 生成的仪表板和分析摘要使利益相关者可以更快地了解工程、销售和支持团队的 KPI。这些洞察分析有助于提高协调性和责任感，并支持更明智的决策。
• 更快入职： 如上所述，生成式 AI 有助于捕获机构知识，并将其转化为可搜索的交互式内容，以用于员工培训。这种自动化的培训系统可以帮助新员工更快地成长，并减轻经验更丰富的员工的压力。
• 主动网络安全支持 ：AI 模型可以帮助识别联网车辆系统中的潜在漏洞，并标记可能未被检测到的可疑模式或薄弱代码。
• 更智能的定价策略：人工智能可以分析从客户行为到区域趋势的所有信息，从而帮助汽车制造商微调定价策略。在全球市场推出新车型时，它尤其有用。
• 简化合规性和文档：生成工具可自动生成或更新技术文档、认证报告和监管文件。这种能力有助于团队跟上快速变化的标准，尤其是在电动汽车和 ADAS 开发领域。

制造商必须采取战略性和结构化的方法来解锁生成式 AI 在汽车领域的全部潜力。

65% 的汽车 OEM 高管表示，他们已制定将 AI 融入长期创新战略的清晰方法。79% 的受访者还表示，高层领导强烈支持 AI 投资。 ⁵

一些有助于确保安全、可扩展和价值驱动的生成式 AI 实施的最佳实践包括：

专注于满足特定汽车需求的生成式 AI 应用程序，例如软件生成、车辆设计优化或客户支持。麦肯锡指出，组织要想取得成功，就要 "为生成式 AI 选择正确的用例"，在影响力和可行性之间取得平衡。¹

生成式 AI 可以帮助简化汽车软件堆栈的每个阶段，从电池管理等嵌入式系统到信息娱乐和 ADAS 等高级系统。团队可以使用它来起草功能需求、设计 ECU 网络架构图、编写和审查嵌入式代码以及生成符合安全标准的文档。在整个生命周期中嵌入生成式 AI 可提高严格监管的开发环境中的速度和可追溯性。

生成式模型需要访问高质量的训练数据和专门构建的 ML 基础设施才能发挥作用，尤其是在用于预测性维护、模拟或车辆个性化配置时。努力从传感器融合、车辆诊断和客户互动等领域获取干净、标记的数据集。

生成式 AI 需要新的工作流、协作结构和数字人才。OEM 与一级供应商需加大投入，提升负责 ADAS、网络安全或人机界面（HMI）设计等领域工程师的技能，以便能负责任地理解并监督生成式 AI 的输出。

麦肯锡强调要调整运营模式和提高员工技能，以便在生成式 AI 领域取得成功，特别是在安全关键软件领域。¹

在汽车领域，尤其是嵌入式系统和 ADAS，严格的验证与人机回环检查至关重要。生成式 AI 的集成必须遵循 ISO 26262（道路车辆电气/电子系统功能安全国际标准）等监管指南及内部安全规范。

在安全、可扩展的云基础架构上设计生成式 AI 解决方案。AWS、Azure 和自定义解决方案可提供所需的灵活性。设计生成式 AI 应用程序时采用模块化方法可以与现有的汽车开发环境（例如基于模型的设计（MBD）工具或产品全生命周期管理（PLM）系统）进行集成。这种前瞻性设计使未来升级无需中断整条软件交付流水线。

在汽车领域，不仅要跟踪生产效率，还需关注其他关键指标。例如，关键绩效指标 (KPI) 可包括 ECU 校准节省的时间、软件生成的诊断报告的准确性或经销商支持工单数量的减少。这些指标可以帮助团队决定如何以及在何处部署生成式 AI 工具。