大模型重构生产力，新全栈AI云的汽车产业落地实践

在以“智驭•融合•新生”为主题的第六届焉知汽车年会上，百度智能云汽车行业首席架构师迟天恩以“大模型技术趋势及产业落地——生成式AI开启人工智能新时代”为题，分享了百度在大模型产业落地进程中的实践与思考。他表示，大模型正以远超以往技术迭代的速度，深刻改变着我们的工作、生活与学习方式，并对汽车及制造行业的生产力模式带来了颠覆性的重构。

通过全栈AI云布局，百度智能云已经支持包括主机厂、电池、芯片、无人车等产业链领军企业的研发、训练、仿真、测试和量产的各个环节，根据国际数据公司（IDC）近期发布的《中国汽车云市场（2025下半年）跟踪》报告，2025年全年自动驾驶研发解决方案市场规模已达22.36亿元，同比增长36.8%，其中百度智能云以7.54亿元的市场份额排名第一，服务覆盖100%主流车企，成为汽车智能化跃迁及智能汽车时代的“隐形底盘”。

01 大模型技术发展趋势：超越摩尔定律的“加速度”

迟天恩首先谈到了大模型技术发展的宏观趋势。他指出，在座的从业者大多已对大模型感受深刻。近两三年来，这项技术已悄然渗透至工作、生活与学习的方方面面，特别是对于从业者而言，这种感受更为深切。

他引导大家回顾了一个关键问题：大模型究竟是从何时真正走入社会大众视野的？一个标志性节点是2023年3月文心大模型的发布，短短三年时间，大模型能力的渗透率在各个行业、各个领域，已经达到了惊人的高度。

对比过去的IT时代，著名的“摩尔定律”——每18到24个月，算力翻一番，价格降一半。而大模型能力演进的节奏已经超越了这一传统规律。回想三年前，业界讨论的焦点还是几十亿、几百亿参数的模型，应用场景也只局限于写作文、生成简单内容等基础任务。而如今，动辄上万亿参数的模型、全模态多模态视觉模型已成为现实。这些先进的模型正有力地驱动着众多产业，为整个社会带来了前所未有的新生产力。

有观点认为，人类正处于工业4.0时代。从2025年开始，以大模型为代表的相关技术栈，正在推动整个工业制造社会向智能化转型，其速度甚至超过了之前的摩尔定律。每半年就会涌现出大量新的技术名词。

从发展趋势来看，从业者需要思考两个核心问题：第一，这些层出不穷的新名词究竟有什么价值？它们能做什么？这是需要首先研究明白的。第二，它们能对各行各业产生哪些实际价值？这关乎如何将新技术引入行业，赋能产业，也就是当前所强调的“新质生产力”。

国家层面已对此给予了高度重视。今年年初，国家推出了关于人工智能制造的专项实施意见，并将其纳入了国家战略和未来五年计划。其中提到，要打造上千个高水平的工业智能体、数百个高领域数据集，并培育几家具有全球影响力的生态主导型企业。

无论从业者如何判断具体的技术路线，一个不争的事实是：大模型时代已经到来，并将深刻改变我们的工作生活习惯。过去一年百度团队走访了大量车企及配套企业，得出的一个初步结论是：在大模型落地汽车行业的过程中，“智能体优先”是一个有效策略。

2023年大模型刚推出时，应用多集中在文档处理、内容生成、会议纪要、基础问答和深度搜索等相对简单的场景。然而，汽车行业存在大量更复杂的场景，企业普遍希望新技术能够突破诸如测算预测、仿真实验等更深层次的生产运营环节。这些场景的数据复杂度高、业务链路长、决策变量多，常规的智能体难以胜任。

常规智能体表现不佳的根本原因在于其“不懂业务”——不懂行业术语、不懂业务流程，最核心的问题是“幻觉”严重，导致用户对输出结果不满意。这就催生了对更高级智能体技术的需求，这也是近一年来的技术突破方向。

几个代表性技术方向。第一类是基于本体建模的智能体。这类智能体适用于四大类场景：仿真分析、市场分析、研发类场景；生产产能分析、质量追溯、排产等场景；以及供应链、财务等场景。这些在车企和制造企业中普遍存在。传统的智能体在这些场景中表现欠佳，而本体建模技术能够深入企业各个系统，挖掘数据，通过自身迭代学习业务场景和数据，从而辅助或替代人类处理复杂工作。

第二个技术方向是面向研发的AI自主优化与预测性智能体，例如“百度伐谋”类技术。它能处理组合优化、研发设计、机器学习性能优化、仿真测试等高难度问题，甚至可应用于量子科学、细胞仿真、生物等国家级研发难题。常规智能体无法应对这类挑战，必须采用更先进的智能体技术。

经过十多年的耕耘，百度已形成完整的全栈AI技术栈架构。从AI Infra算力基础设施，到Agent Infra智能体基础设施，再到多个具备AI能力的业务场景产品，百度在数十个行业均有实践。百度是国内互联网头部企业中，极少拥有这四层自主产权架构的企业，并且已经积累了丰富经验与技术突破，并获得了高度评价。

02 企业大模型落地思考与实践：从仿真优化到日抛型软件

迟天恩重点分享了百度智能云在企业大模型落地方面的具体思考与实践案例。由于百度团队在汽车行业深耕多年，对行业生态较为熟悉。在走访大量车企和上下游企业时，他们发现整个圈子对新技术抱有极高的热情和积极性。每到一家企业，从负责人到业务人员，往往会提出几十甚至上百个潜在应用场景，希望了解百度技术能为他们解决哪些实际问题。

面对企业的大量需求，首要任务并非直接套用技术，而是分析业务场景，判断需要运用百度或市面上的哪些技术栈来最完美地匹配场景，以及需要什么样的平台支持。同时，团队会寻找是否有类似的成功案例可供借鉴，并将百度的方法论、成功实践和最佳交互经验分享给企业。

以百度千帆平台为例，已集成百度自研文心大模型以及行业领先的第三方开源模型，当前平台已提供上百款模型能力，覆盖通用对话、推理、代码、OCR、多模态等多类核心场景，企业均可按需使用。基于这些平台和模型，百度开发了不同层级的智能体。

他举了几个具体的实践案例：

第一个案例是与国内一家非常知名的汽车设计公司合作，通过百度伐谋利用代理模型进行汽车风阻仿真测试。在不折损精度的前提下，推理性能从传统的小规模级别提升到了分钟级，从而大幅缩短了整个设计研发周期。此前，百度还与商飞、中车合作过类似的风阻实验。传统风阻和仿真实验动辄耗费数十万、上百万的费用，且周期极长。与商飞的风洞实验、与中车用飞桨优化流体力学等算子模型，都是常规智能体难以完成的任务。百度在这方面积累了丰富的经验。

第二个案例是与一家头部Tier1（一级汽车零部件供应商）合作。该企业生产多种零部件，拥有数十条产线，且产线之间存在咬合关系（即上一个产线完成后需衔接至下一产线）。传统的排产依赖人工经验或在系统中设定固定值进行监管。通过百度与这家企业的合作，在其机器与模具之间植入了优质算法，并与相关系统打通。最终结果令人振奋：原来在固定时间内，依靠人工经验排产，82台注塑机能完成约300个生产任务；引入百度大模型技术后，经过约一个月的调优，同一批设备完成了400多个任务，效率大幅提升，产值在有限时间内显著增加。

第三个案例是与行业头部的新能源电池企业合作。汽车行业的流程和业务变化极快，传统的ERP等业务系统难以快速响应市场和企业发展的动态需求。而在传统ERP上进行二次开发，迭代周期和成本都非常高昂。百度与这家企业合作，通过自然语言输入，让大模型自动生成企业业务系统，以弥补传统ERP无法快速迭代的弊端。其核心价值在于，大模型能够帮助企业快速搭建业务系统——只要将业务场景和流程描述清楚，经过多次调整，开发周期就能从原来的数周甚至数月缩短到几天。

百度秒哒产品能快速构建业务系统、企业应用，甚至网站和App。例如，为一场大会开发一个微信小程序用于签到或互动，可能只需要几分钟，日抛软件将会成为未来趋势，软件开发成本可以忽略不计。尝试让大模型仿制一个二手车交易网站，十分钟左右就能完成。对比传统App、网站或ERP系统的功能迭代，这种成本极低、速度极快的开发方式，正是大模型带来的生产力飞跃。

第四个案例是与一家头部发动机生产厂家合作，采用本体建模形式解决来料质量分析问题。该企业每天处理大量供应商来料，依靠一个报表系统进行质量合格判定、抽检和人工审阅。这是一种“脉冲式”模式（例如每三天或五天抽检一次），不仅耗费人力，且抽检不全面。

与百度合作后，通过植入本体建模形式，系统能自动进行质量判断、设定阈值、处理审批流等复杂业务。经过一个多月的实施，质量管控从脉冲式转变为“滚动式”模式。对接任务的遗留问题处理率从原来的40%-50%降至0；质量问题发现和处理的周期从天级别降至分钟级别；决策采纳率大于90%，已基本接近人类专家水平。同时，专家投入的时间从每周一到两天骤降至几分钟。大模型新技术对每个人的工作生活确实带来了挑战。

在上述供应商来料分析案例中，百度提供了一个平台，其前身是数据中台（数据湖、数据仓库）。经过大模型重构后，它演变为一个智能体开发平台和智能数据平台。除了供应商来料分析，下一阶段还可将质量预测、供应商画像、设备监控、工艺优化、异常报警等多个场景纳入其中。一个平台即可搞定众多不同场景，且数据可以互通互动，这正是重构带来的核心价值。

另一个值得单独提出的案例是百度与国内头部汽配行业上市公司在去年签订的全链路战略合作项目，已经于今年年初成功交付。这个项目特殊之处在于，它是一个从算力纳管、大模型平台开发、企业AI应用到场景建设和门户打通的“交钥匙”工程，完整覆盖了百度上述的四层技术架构，体量大、产品线全、业务场景多。交付后，今年该公司已上线60多个高质量场景。值得注意的是，这些场景大部分由合作方业务人员、研究院和IT人员自主建设。百度主要提供了技术平台和方法论，并协助打磨了几个标杆场景，之后企业便能够自行运用平台搭建更多业务场景。

在深入交流过程中，当前企业普遍存在的不足——相关人才极度匮乏，不像头部互联网公司那样拥有大量专家。为此，百度组建了一支由博士和拥有专利技术人才领衔的专业团队，专门服务于企业，帮助培养人才、进行技术交流，并将最佳实践方法带给企业。针对企业的高层、中层及各个业务部门，百度都设有相关课程和技术指导方向。

03 智算时代：Token时代的算力保障与百度百舸平台

今年业界有人称之为“Token之年”。Token像流量一样，是企业在线购买的资源。竞争的焦点除了模型能力本身，还有什么？他引导大家思考算力问题——如何优化基础设施，让现有的定量算力发挥最大价值。这正是百度百舸的核心能力所在。

他指出，百度百舸的优势在于帮助客户加速模型推理与训练、整体优化资源、实现多任务协同，并建设卡与卡之间的异构能力。目前，在智算中心建设和算力优化领域，百度处于行业领先地位。许多企业之所以选择百度，正是因为该平台能切实节省大量资源。

关于智算中心的建设图景，涵盖了从底层各种云基础设施（公有云、智驾云、私有云）、云平台管控、GPU异构计算存储，到上层AI模型开发平台和自动驾驶供应链平台的全栈能力。这些产品均为百度自研，且能够全面落地。他特别提到百度一个与众不同的特点：几乎所有产品都支持私有化交付。这一点与其他更倾向于推广公有云的互联网大厂不同。汽车行业有其特殊性，大部分企业希望平台能灵活私有化部署，确保数据不出域——因为车企接触的数据多为高质量的研发数据、财务数据和核心业务数据，对此极为敏感。这是国内行业的普遍现象，因此产品必须支持私有化、不上云。

在算力硬件方面，百度自十年前便开始研发芯片，技术已非常成熟。正因为拥有自主研发的算力卡，百度能够避免因世界上的不可抗力因素而被“卡脖子”，算力供应更有保障。

目前，业界都在抢芯片、抢算力卡，市场似乎已转为卖方市场。在此背景下，百度今年推出了256卡和512卡的超节点高密度智算中心——即“百度天池超节点”，百度在未来五年将持续推出新的智算产品并持续迭代。

在演讲的最后，迟天恩总结道，百度除了拥有全栈技术，还拥有一支优秀的行业交互技术团队。过去几年在大模型产业落地的过程中，百度既做出了许多有价值的场景和案例，也踩过不少坑、趟过许多雷，积累了大量的方法论和教训。他诚恳地表示， 百度愿意将这些经验、最佳实践和方法论分享给在座的各位，愿意与行业伙伴携手，为汽车及制造行业再造新质生产力添砖加瓦。