將自身的C2B産品和産業理解充分AI化，在自身內部場景率先驗證跑通後，進而釋放給産業夥伴，對應到具體的需求痛點，一起打磨對應的行業AI模型。

這也恰是騰訊“實用”標簽背後的AI産業路徑。

作者|皮爺

出品|産業家

成本、性價比——這是2023年騰訊CSIG事業群CEO湯道生在客戶現場聽到最多的一個詞。

有同樣感覺的還有騰訊智慧出行解決方案總經理姚振，“客戶往往更傾向你先幫我做出效果我再用，我只爲效果付費。”在過去的半年乃至一年時間裏，他和騰訊智慧出行的團隊一直奔波在幫助車企搭建AI能力的一線。

與他們感知相對應的是，和2023年的卷技術、卷參數不同的是，今年大模型的主場更在應用和場景，即誰能幫助企業真正用好大模型，轉化爲真正有效果的生産力，誰就更受客戶的青睐。

這不是一個容易回答的命題。關于大模型如何落地，更或者說如何更爲准確、高性價比地落地一直是整個市場都在試圖解決的難題，其中涉及到的部分不僅有算力、模型這些表象的模塊，更有深入到具體場景的數據、訓練推理、AI工具鏈、適配企業的AI應用以及基于雲計算的一系列成本。

一個真正合格的産業大模型方案到底應該是怎樣的？

在4月24日的“TIME DAY”騰訊智慧出行技術開放日上，騰訊智慧出行發布了汽車大模型“全域智能”解決方案，旨在幫助車企打造屬于自己的AI能力。這在這個方案裏，上述一切包括模型、算力、AI 工程平台(工具鏈) 、AI應用等都被嵌入其中，此外，也更有雲、端的底層能力做基礎。

這是騰訊在産業大模型解決方案上的重磅一槍。在過去的幾年時間裏，基于自身的産品力和産業積累，騰訊在雲計算時代幫助了一衆産業企業登上數字化轉型的列車，助力他們用數字技術的方式賦能生産，提高效率。

而如今，實際上人們也更在期待這家産品基因和産業理解都夠深刻，以及本身就定位“産業大模型”方向的企業，在AI時代的産業新動作。這次的汽車大模型在回答“産業大模型”的模式的同時，也恰在成爲一個觀察騰訊在AI時代的立體窗口。

更真實的幾個問題是：這個産業大模型到底成色如何？它能否在成爲汽車産業在大模型時代的AI生産力轉化器？是否可用、易用？以及，在汽車行業大模型方案，到底隱藏著騰訊怎樣的AI TO B的路徑和思考？

在這個産業AI的新故事裏，騰訊在重新出發。

一、汽車行業，呼喚大模型

“車企對大模型的熱情還是非常高的。”姚振告訴産業家，“甚至其中不少企業都把大模型作視作爲未來核心業務的底層支撐。”對長年服務車企的姚振而言，相較其他人他對這波浪潮有足夠清晰的感知。

誠然如此。實際上，從時間線來看，汽車行業甚至可以說是國內最早關注並投身大模型的行業之一。

比如早在2023年的3 月份初，在理想汽車春季媒體分享會上，李想就系統地談到了理想汽車發展AI的邏輯和思考；而在半個月後的小鵬汽車2022年Q4財報電話會上，何小鵬也更是主動談及ChatGPT；同樣的，在5月份的蔚來發布會上，李斌明確對外表示“大模型的最佳使用場景就是在車上。”

除了造車新勢力之外，更有寶馬、奔馳、一汽等傳統造車廠商，也更是紛紛投身到“大模型造車”的浪潮中來，甚至更有甚者，直接喊出“AI定義汽車”時代已經到來。

那麽，在洶湧的AI行情下，現在的汽車大模型落地到哪了？

“實際上並不是特別樂觀。”一位汽車行業的相關人士告訴我們，“不論是高階智駕，還是雲端結合的過程，以及具體場景的訓練，目前只能算比較初期。”

恰是這樣。客觀來看，從落地場景來看，汽車行業甚至可以說是如今最具備AI想象力的行業之一，但這種想象力距離照進現實仍然有很大的難度。

對于一項新技術的落地，除了熱情之外，更有無數工程上的問題需要考量，比如成本，比如可用性，而這兩個也恰是大模型落地汽車行業最難的兩個問題之一。

首先從可用性和易用性來看，一個肉眼可見的難點恰是不少車企很難確定自己的“AI路線”。“很多車企都是一上來就直接上自己的大模型，但前期投入了一部分成本和人力後，發現幾乎沒什麽效果，最後態度就轉化成了謹慎。”上訴人士告訴我們。

這種“碰壁感”的主要原因在于汽車行業具備足夠強的“知識”屬性，相較于大模型的通用能力，其更需要特定方向的行業能力延展，比如汽車行業的精益管理，比如4S經銷商門店的銷售，比如車企內部特殊的管理和激勵機制，以及作爲大宗消費品的特殊營銷體系等等。

這種延展需要大模型的全方位底層加持。拆解來看，比如除了預訓練環節的底層大模型的通用汽車行業能力之外，更需要有夠強的微調和精調能力，此外，在知識庫、文檔會議等環節，還更需要有清晰的專業promt等能力幫助其構建基座能力等等。

而在智能座艙和高階智駕方面，對大模型的“專屬性”需求則是更強，在模型的行業能力範圍之外，其更需要特殊適配的雲端結合和AI生態能力，進而可以更爲低成本、高可用地進行落地。

“一方面是場景窄，需要大模型做很多特殊能力的探索，這塊的不確定性很強；另一方面是同時具備AI數字化和汽車知識的人才比較少，整個AI和汽車體系的融合不是特別好。”姚振表示。

這些難點都在成爲大模型熱潮下的“現實掣肘”。

實際上，這也恰是大模型在當前時間點的最新挑戰。即在單純的技術和參數之外，大模型的挑戰已經來到了專有能力和以及與場景結合的階段，更具體來看，則是如何把特定的滿足不同行業需求的能力嵌入到整個大模型的AI工具鏈中，以及打造出足夠有抓手的落地應用。

而對汽車，這個龐大且精密的行業而言，難度更大。那麽，解題方法是什麽？或者說正確的汽車産業大模型落地姿勢應該是怎樣的？

二、汽車産業大模型的“騰訊姿勢”

在湯道生之前的一次采訪中，他曾提到關于AI落地的命題，其中一個令人印象深刻的表達是，“客戶不需要知道背後是AI，還是其他，重點是能給企業帶來效能和增量。”

對這句話的理解是，在産業大模型的路線上，騰訊選擇的方向是“實用至上”。

這也是姚振和騰訊智慧出行團隊在過去一年裏主要回答問題的方式。“我們一般會讓企業先使用一些輕量化的SaaS産品，比如我們的騰訊樂享平台、騰訊會議、騰訊文檔、代碼助手等等，先讓客戶對效果有感知。”

這是騰訊在産業大模型落地的核心優勢之一，即産品驅動。從企業的視角來看，輕量級的AI産品對企業而言其接受的意願更大，同時其位于最上層的協同辦公屬性也使得這些産品可以作爲適合的企業AI工程切入點，使得企業以最低成本的方式進行AI嘗試。

不過，這種輕量級並不體現在效果。實際上，就在不久前的騰訊協作SaaS發布會上，包括騰訊樂享、騰訊會議、騰訊文檔、代碼助手等多款SaaS都宣布了自身的AI進化，即將騰訊混元的多重AI功能嵌入産品流中，爲企業提供智能體驗。

據了解，在某車企引入騰訊AI代碼助手後，騰訊AI代碼助手幫助其整體開發人效提升了7%，代碼自動生成率高達近30%。

但這不是全部。根據姚振介紹，在一些SaaS産品之後，不同的車企也都會有一些更深的需求。“比如有的企業會讓我們幫助搭建一個AI模型平台，來支撐營銷、車聯網和上層的協同辦公層；還有的會從智能座艙的能力出發，讓我們幫助搭建座艙的AI生態能力之外，又會延伸到企業管理層，以及營銷、客服以及IT代碼側的能力集成。”

從某種程度來看，盡管車企對于大模型的態度足夠“謹慎”，但在一定程度的確定性後，其呈現出來的需求是全方位立體的，這種需求遍布營銷、銷售、管理、辦公等企業管理場景，以及智能座艙等汽車的全部環節。

而騰訊，在“實用”理念的背後，恰能成爲這個立體産業需求的真正承接者。

實際上，這也恰是騰訊對外展現出來的騰訊汽車産業大模型解決方案，即在這個解決方案的拼圖上，能看到一系列從模型、算力、AI 工程平台(工具鏈) 到 AI 應用，以及智能座艙和底層雲的完整能力。

騰訊汽車行業大模型全棧能力矩陣

這些能力既可以以積木樂高的方式按企業的需求進行局部場景的滿足，也更可以從上到下，從雲到端，從數據到應用地幫助車企成體系化建設其AI大模型全域智能能力。

除了産品服務模式上的滿足，對這套方案的更深層拆解是，它對車企而言是一套足夠可用且足夠易用的方案，不論是車企想要以輕量級的方式去嘗試企業內部的包括研發、生産、營銷、服務、企業協同等核心管理體系創新，抑或是想要基于智能座艙或者雲圖的能力進行大模型能力的進化升級，在這個拼圖之上都可以找到適配的組合方案。

而成爲這些方案保障的也正是騰訊自身的AI汽車産業力。這些能力不僅包括騰訊在大模型上的硬核屬性，比如其超大規模算力集群以及自研的能提高GPU利用率超40%以上的星脈網絡，以及包括能夠幫助企業實現大模型一站式服務、行業精調的騰訊雲TI平台，和可以助力車企迅速構建自身底層知識體系的大模型知識引擎。

也更包括騰訊自身在智能座艙和汽車雲側的強大積累創新。比如這次宣布升級的智能座艙TAI 5.0以及包括娛樂社交等在內的車機生態，再比如騰訊一直基于車雲一體模型打造的汽車“專區雲”，如今基于騰訊自身的存儲、分布式訓練和特殊工具，和騰訊特有的雲端地圖能力，已經可以做到的大幅降低車企打造高階智駕能力成本的方案。

這些都是騰訊汽車産業大模型方案被推出的“冰山底層”，而也正是這些隱藏起來的底層能力，才能真正滿足車企“准確”、“實用”、“易用”的大模型能力標准。

“有些産品大家都想得很清楚了，這種更多是部署直接應用，但我們也看到汽車産業裏有很多場景是需要共建和共創的，比如基礎設施層面，比如具體落地層面，騰訊在整個過程中會根據不同的客戶需求和實際的成熟度去做選擇。”騰訊智慧出行副總裁、騰訊智慧出行負責人鍾學丹告訴我們。

也更可以理解爲，騰訊如今爲汽車行業提供的是一套契合産業、契合企業自身的雲端大模型體系，基于騰訊固有的應用、工具和雲的強項能力給企業帶來最強也是最適合的AI助力。在這個助力模型之上，最能提升企業生産力的環節被放到距離企業最近的環節，進而從點到面，從面到體，幫助不同車企構建專屬的汽車大模型。

三、騰訊在AI時代：從C2B到全域賦能

實際上，透過汽車行業大模型的路徑，不難看出騰訊在AI時代的TO B思考和方案打法，即以真實生産力爲核心錨點，依然圍繞騰訊自身的強産品力和産業理解，定位爲企業在AI時代的助手角色。

“如果從車企的AI需求來看，現在營銷、服務是第一，智能座艙是第二，IT投入包括這些是第三。”姚振告訴我們，“包括我們其實也在用大模型幫助企業去做銷售端的賦能，比如我們會專門做一些賣車場景的微調，再比如我們也會用大模型幫助門店做一些線索評級的事情等等。”

這些都在成爲騰訊在汽車行業大模型的真實實踐。

可以說，與整個車企AI需求層次分明，由淺入深的當前時間節點，騰訊想要爲車企提供的恰是一套最具備工程化落地能力的大模型解決方案。

不論是其前端的SaaS産品，還是基于騰訊混元的一系列大模型精調和知識引擎方案，以及騰訊一直以來的強雲圖能力，都在力爭爲不同需求的客戶提供最具性價比、最具真實效益的賦能助力。

“我們在汽車大模型這個領域是很用心的，也是投入非常多的，包括跟客戶一起去做一些從大模型架構的設計到場景的一些輕咨詢，然後再到落地的一些培訓、交付等等各個方面，我們都投入了大量人力去幫車企去一起去做。”姚振表示。

而這種“躬身入局”的模式也對應著騰訊在車企大模型方向的一些不錯進展，比如除了輕量級SaaS産品的使用之外，鍾學丹告訴我們，騰訊汽車行業大模型如今已經與長安、廣汽、一汽豐田、東風岚圖、易車等超過十多 家汽車行業夥伴開展應用實踐。

從C2B到全域智能，從模型精調訓練到存儲分布式，從車雲一體到AI模型新智能，騰訊在和一個個車企的共創中也更進行著自己的産業突破創新。

“如果今天只是講一個大模型概念，大家可以玩一玩或者體驗一下，但我們看到的是因爲行業有很多需求需要通過一些技術能夠解決它，但我們並不是覺得一定是一下子把它做到很完美。”鍾學丹表示。

在他看來，騰訊要做的恰是要長期持續幫助行業或領域做效率提升，“所以我們的目標一直是如何讓技術實真正際應用起來，不是一下子追求一個大的變化，助力行業持續提升自己能力，慢慢從量變到質變。”

實際上，這也恰是騰訊“實用”標簽背後的AI産業路徑，即將自身的C2B産品和産業理解充分AI化，在自身內部場景率先驗證跑通後，進而釋放給産業夥伴，對應到具體的需求痛點，一起打磨對應的行業AI模型。

而站在更大的産業視角來看，或許可以這樣理解騰訊AI to B路徑，即在汽車行業大模型背後，看到的是一個務實求真的騰訊，即其以最能提高AI生産力的工具和應用爲錨點，同時基于騰訊的強AI産品能力，汽車行業的全鏈路深耕以及固有的雲圖積累，幫助車企構建出一套最適配當下，且具備實際生産力價值、准確可用的大模型體系。

在這個新的AI工程鏈路中，騰訊的價值仍然是一直以來的助手和工具箱的角色，其通過自身AI産業服務能力的釋放，更好地幫助車企准確、高效且有質量釋放自身業務在AI時代的價值。

這些價值是數據、是流程工藝，也更是車企自身的方法論，而騰訊所做的恰是基于自身對于AI能力和汽車産業的理解，幫助其將自身的數據和信息轉化爲真實可見的AI生産力。

産品驅動，助手賦能，全域連接，AI新智能。這是騰訊的汽車産業大模型模型理念，也更是騰訊在AI時代的TO B路徑縮影。