三、车企智能化转型的关键问题解析

关键问题二：车企如何拥抱AI大模型？

传统的AI专业模型（算法）早已存在，前面已经谈到，这类专业模型属于ANI模型，仅“就事论事”，只能解决单一的、特定类型的任务，其能力也很有限，可将其比作独立的“盆景”。未来基于通用大模型构建的专业模型，能够充分汲取整个“大地土壤”的养分成长，最终实现能力的质变和飞跃。

如图5所示，理想的AI大模型产业应用范式呈现“1+N+X”模式。其中，“1”指的是1类基础大模型，例如NLP（自然语言处理）大模型、CV（计算机视觉）大模型、多模态大模型等，未来基础大模型将发展成为社会层面的重要基础设施。但其开发门槛高，资源投入巨大，应由ICT企业主导，并且基础大模型数量逐步趋向于收敛；“N”指的是n个行业大模型，是在基础大模型基础上，针对垂直领域内跨企业的共性需求来开发的行业大模型，主要包括算法和数据；而“X”则代表大量的企业专业模型，这部分是当下车企的开发重点，这类模型与个性化场景、自有数据充分结合，突出差异化。

图5大模型“1+N+X”产业应用范式

基础大模型是行业模型、专业模型的基础，决定了这些垂类模型的能力上限，而行业/专业模型的应用又可反哺基础大模型的迭代进化。它们之间是互动共创、相辅相成的关系。也可以说，如果基础大模型是1，那么行业/专业模型则是1后面的0，没有基础大模型，所谓行业模型或专业模型都是“无本之木”，因此基础大模型的选择至关重要。当下由Deepseek引领的低成本高性能开源模式正在加速促进基础大模型在各行业的普及应用。

行业模型需要行业内多家企业共建平台，贡献自身的算法与数据，并需要统一范式，如数据处理标准、流通工具链等。需要强调的是，行业模型平台的建设，不能仅靠行政机构或行业组织推动，各家企业也要具备自驱力，积极参与且依托该平台有效受益，这样才能推动行业模型的持续有效发展。

当下行业大模型N发展滞后、存在感低，但企业不能等待，所以采取“1+X”打通模式更具现实落地意义。未来随着行业共性积累逐渐到位，将走向应用效果更好、资源利用效率更高的“1+N+X”打通模式。

对于车企而言，自身的算法与数据能力是有效推进智能化转型的基础，这是“1+X”打通并落地的前提。车企的核心策略是：掌握基于大模型打通不同专业模型的新能力。将过去大量碎片化的专业算法有效整合及打通，而这正是端到端的基本理念。为此，车企需重点选择拥有基础大模型的ICT公司作为伙伴，与之形成长期伴生式、联合体开发的战略合作关系，同时车企还应积极参与、推动，甚至主导行业大模型平台的生态建设。

综合来看，AI大模型的应用落地一定是“通用底座+行业场景”的组合模式，必须依靠专业化分工的多主体协同，来实现持续的应用拓展与生态打通。

关键问题三：车企如何有效掌控数据和算力资源？

过去车企在算法积累上更多依靠的是研发人员数量，而大模型框架下的成本则主要在于数据与算力资源的投入，那么车企如何有效掌控不同类别的数据、有效协同外部算力资源以支撑算法的持续迭代变得至关重要。所以车企应该主导数据和算力协同体系建设。

具体来看，不同类型模型对于数据、算力的需求有所区别。如图6所示，在数据层面，企业专业模型需要高度专业化、个性化的数据进行训练；行业大模型需要垂域共性、通用数据，必须由多家企业共享数据并建设行业数据库；而基础大模型对应的是人类社会知识体量的数据库，行业数据库可视为其子集。各类大模型所需数据的体量直接决定了算力需求，所以企业模型主要依靠车端AI芯片与企业内部算力设施支撑，而大模型则需要云端大规模计算集群来提供算力。未来面向大模型的应用，车云、内外部算力需要有效协同，车端算力将向计算与通讯处理并重的方向发展。

图6车企面向大模型的“数据+算力”协同体系建设

在数据为王的发展趋势下，车企必须确保持续掌控模型训练所需专业的、个性的和共性的数据。车企核心策略是构建自身专业数据能力，并与行业共性数据充分互动，从而可持续获取高质量数据。一方面，车企应建设自有数据库，确保可有效积累自身专业数据，并构建以数据驱动的闭环体系能力；另一方面，车企仅靠自身数据不够，应积极参与或主导行业数据的共享共创，推动成立行业数据联盟，这样各方贡献自身数据的同时可以实现资源互换，从而有效汇聚行业内高质量数据，并可持续进化，最终实现高质量数据的自由流转，充分发挥协同效应，提升数据的价值。

未来车企的算力需求一定是日益增长的，但是大规模算力集群属于高门槛、高投入基础设施，应由ICT公司主导建设。车企需要针对算力需求做好统筹规划，一方面构建企业内部一定程度的算力设施，同时与外部大算力平台形成共同部署，从而实现车云算力协同。对于有能力的车企，可选择与ICT企业共建专属的算力中心，使协同效果、效率更优。

总之，面向未来大模型在汽车行业的应用，车企应与ICT公司有效分工和协同，其中车企必须自主掌握算法和数据，充分利用外部算力资源，同时还要主导技术底座的搭建与迭代。

关键问题四：车企如何有效推进组织管理变革？

智能化转型成功落地的关键在于组织、流程、分工等全面重构，车企需要建立跨业务数据畅通、跨部门充分互动、有效协同创新的新组织形态。

盖斯特研究团队研究由AI驱动的企业组织管理形态，展望其理想图景，具体如图7所示。未来一定是基于AI平台赋能的组织架构，通过共性能力平台、企业级模型的开发，来实现跨业务场景的打通及数据流的充分流转，达到整体组织能力的“涌现”。

图7智能化驱动的企业组织形态理想图景

具体来说，面向AI化组织形态变革，企业高层领导力的变革在于“牵引”，所以必须转变传统的管理思维，变成“重引导、轻管控”，即从顶层规划上有效统括企业全局和配置资源，充分推动智能化新型组织的建设。组织变革的核心是从单体独立、各自为战的职能型组织向融合打通的协同型、自驱型组织转变。为此车企必须建设AI共性平台，让研、产、供、销、服各业务均根植于此企业专业模型之上，打破过去各个业务部门孤立的困境，实现整合和打通。在此基础上，各部门通过数据连接，实现跨业务场景之间的全要素互通和充分互动，最终形成深度协同的创新形态。例如，研发有了新需求，能够快速传递到供应链、快速影响生产布局；又如，销售端数据可及时反馈研发、设计部门。而这些依靠传统的行政命令是难以适时共享和传递的。

由此可见，未来AI化组织架构中各部门不再是清晰的职能划分，彼此界限将日益模糊、趋向融合，呈现出“你中有我，我中有你”的协同状态。例如，研发部门必须与采购、市场、销售等部门紧密互动，同时CTO（首席技术官）职能需要进一步拓展，车企需要与外部供应商伙伴联合共创，CTO将被赋予一定的CEO职责，成为“CTO Plus”的新角色。又如，在智能驾驶端到端架构下，原有感知、决策、执行模块等各团队需要深度整合和打通。也就是说，车企传统职能型组织分工未来将逐渐趋弱，协同型组织能力不断增强，通过有效利用AI平台能力对全业务领域赋能，灵活地应对内外需求变化，从而提升企业全局资源配置效率。

关键问题五：大智能产业对汽车产业是降维打击吗？

前文已经谈到，大智能时代车企智能化转型所需的全新能力并非车企所擅长的，甚至过去较少涉猎，更多是ICT企业的固有优势，那么大智能产业对于汽车产业，是否形成降维打击而让车企没有发展前景？盖斯特研究团队认为，实际情况并非如此，原因如下：

从ICT企业角度来看，更多是在通用化算法、算力资源方面拥有短期先发优势，但是长期垄断将失去后发潜力。当前深度转型行业普遍有数字化技术短板，通过快速导入ICT新技术，凸显自身优势，弱化了制造业的重要性，那么垂直整合效率确实更高。但是长期来看，一是面临“做多”和“做精”之间的矛盾，实际上汽车涉及的核心技术多元且复杂，倘若ICT企业独立包揽全部能力，其组织效率必然受限，同时极易走向封闭生态，无法从全行业汲取营养，难以保证进化能力和发展潜力。因此ICT企业要想获得可持续发展，必然离不开汽车产业的深度场景应用与专业数据的输入，只有通过共性能力的持续进化，并与汽车产业各专业能力充分结合，才能真正做出特色。

从车企角度来看，必须未雨绸缪、提前布局，否则也将被其他积极求变的车企降维打击。对于部分新的ICT技术，车企既不易、也不宜拥有，尤其是门槛高、投入大的共性技术，因此车企一定是有所为、有所不为。一方面，专业部分需要做精、做强，重点是基于制造业的核心软件、硬件单点技术，与数据实现深度融合；另一方面，车企应积极推进面向大智能时代的新能力建设，做到自身真正理解的同时，充分利用专有数据的价值，实现整合和打通。所以，车企应该积极拥抱ICT技术，使得AI赋能的产品、体验个性化能够真正落地，实现全面智能化转型。

其实，ICT企业与车企必然会走向融合创新，推动大智能产业与汽车产业的资源要素通过创造性融合，达到最佳的互补和匹配。其中，大智能产业负责做好共性支撑部分，汽车产业做好专业部分及集成创新，二者充分互动和融合，形成全新的复合智能体新业态，推动汽车整体能力发生质变，最终形成新的、独特的、不可复制的、甚至不可超越的产业核心竞争力，而这也恰是生产力和生产关系协同的最佳境界。

关键问题六：车企如何平衡整体与局部问题、短期与长期利益？

大智能趋势下的汽车产业已经进入融合创新的时代，跨界协同成为新趋势，但是跨界融合创新的效果依靠技术、管理、模式等多维度创新。这些都在挑战汽车企业家的领导力和商业智慧。新一轮的智能化转型既涉及单个环节如何突破，更有多个领域如何有效协同的全局难题，这是一个高度复杂的系统工程。并且没有所谓的标准答案，车企需结合自身情况主导这场变革。那么企业如何平衡好整体与局部、短期和长期利益呢？

第一，车企需要正确认识智能化转型的总体发展规律。智能化转型是长期过程，前期企业投入巨大，需要持续建设数字化的基础底座，此时收益并不明显；随着多方面举措逐步叠加，等积累到一定程度而达到拐点，即跨环节、跨领域充分打通，各业务协同落地，此时转型收益急速提升，如图8所示。特别需要提醒的是，智能化转型的投入与收益并非是平行线的关系，因此车企需要坚定而持续地投入，才能收获良好的效果。

图8企业智能化转型发展规律

第二，车企智能化转型必须解决核心问题。实际上，核心挑战在于解决全局性需求与碎片化供给之间的矛盾。一方面，车企需要实现产品力与创造力全方位的重构，这是全局性需求；另一方面供给方提供却是碎片化的，目前多家ICT企业提供的方案只是解决某一局部问题，没有任何外部企业的方案能够系统解决车企所有问题。因此，车企面临的难题是如何有效整合内外资源，以实现协同效应最大化。

第三，车企应制定系统的智能化转型行动方案。盖斯特研究团队认为，车企必须“以我为主”系统化协同推进智能化转型。首先，整体上做好统筹。从理念、定位到技术、工具，再到组织管理变革，多管齐下，构建全新的数字化基础底座，持续赋能全业务场景应用；其次，做好供需联动。车企从自身需求出发，充分与ICT公司协同，打通各个环节，在技术与管理两方面均确保各参与方始终站在同一条进度线上；最后，推进场景应用。利用基础底座充分和持续赋能企业各项经营活动，由点及面、逐步深入全业务场景应用。

综上，面对智能化转型带来的挑战，车企必须集中资源全力构建全新的基础底座，并从系统性的全局视角出发，主导推动内外部生态资源的深度互动与协同。

四、总结与建议

以AI大模型引领的新一轮大智能产业变革是大势所趋，并给社会及各个产业带来全方位的巨变。未来将是AI主导的数字化新纪元，车企必须深刻认识到推进智能化转型的重要性和紧迫性。

车企的核心应对策略是构建全新的“技术+体系”数字化基础底座，一方面赋能产品力升级，另一方面赋能产品背后的创造力变革。在大智能产业多元复杂、高度专业化分工的趋势下，车企应该积极拥抱大智能产业生态，与ICT企业紧密协同和融合创新，形成新的技术方案、新的组织架构、新的商业模式。同时车企逐步推动AI赋能研、产、供、销、服等各业务环节，并充分打通内外部各个环节，优化提升全局性的资源配置效率。需要强调的是，车企智能化转型必须坚持“长期主义”，对于前期数字化及AI的核心能力的建设应该坚定、持续投入，实现从量变到质变的突破。

面对复杂挑战，车企做好准备的同时更要充满信心。未来成功转型的车企，一定是基于品牌调性（数据）的掌控力、核心技术（算法）应用的主导力、关键资源的分工布局（算力），以及系统整合及打通的能力，来构建专业化分工、协同化发展的开放生态，实现融合创新，最终赢得未来大智能时代的全新竞争！