在新能源、自动驾驶及人工智能技术的推动下，汽车行业正经历着前所未有的智能化变革。作为技术创新的前沿阵地，汽车行业正积极拥抱大语言模型，如GPT系列，加速行业的数字化转型步伐。
人工智能已深刻重塑了互联网领域，为用户带来更加便捷、高效及个性化的服务体验。而在被誉为人工智能领域“皇冠明珠”的大模型技术上，其在汽车领域的应用价值和潜力同样引人瞩目。面对这一趋势，ITPUB有幸邀请到某汽车集团的林琳林老师，就大模型在汽车行业的运用、运筹优化的实践场景、团队架构及未来发展方向等话题进行了深入探讨。
林琳林老师自2011年从复旦大学基础数学专业硕士毕业后，便投身于数据分析与人工智能领域，从早期的销量预测、库存优化，到后期的机加工工艺优化、长期型谱规划及物流调度等，参与并见证了国内AI技术的蓬勃发展。近三年来，林老师更是专注于大语言模型的部署与应用。
谈及运筹优化在汽车行业的应用，林老师表示，作为高端制造业，汽车行业为运筹优化技术提供了广阔的应用舞台。从产品规划、生产排产到智能调度、库存及物流优化，运筹优化技术无处不在。以发动机机加工方案为例，传统手工编排需耗费数月时间，且结果仅为可行解，而通过建立数学模型求解，可大幅降低编排工作量，并求得最优解。
林老师强调，成功实施运筹优化项目并非易事，需业务部门勇于改变、建模工程师具备量身定制模型的能力，以及双方紧密合作，共同为结果负责。同时，运筹优化项目可分为战略、计划及执行三个层级，分别对应汽车行业的不同应用场景，各层级在优化目标和时效性要求上各有侧重。
在运筹优化的背景下，有序OMTSP问题因其广泛的应用场景而备受关注。林老师分享道，在工艺加工等场景中，加工步骤的顺序性及多样性使得有序OMTSP问题尤为突出。通过采用蚁群算法并结合具体场景的参数调整及规则判断，可求得更优解，优于传统算法或人工编排。
谈及大语言模型对汽车行业的影响，林老师指出，大模型主要作用于语义理解与语言生成场景，如智能座舱、客户支持与售后等。智能座舱可执行基本命令、通过语音控制车辆内部系统，甚至作为多功能AI助手丰富娱乐体验。同时，大模型还可协助坐席人员处理客户咨询，提升服务效率。在车辆设计与系统研发领域，大模型则需经过针对性微调或训练才能发挥作用。
关于FAQ问答机器人的实践探索，林老师分享了关键发现及准确率提升策略。在大模型出现前，FAQ问答机器人主要通过维护FAQ及语义相似匹配实现问答，但泛化能力与语义理解能力有限。随着大模型的引入，经过微调并结合prompt的实验取得了显著改善。利用RAG策略结合自有知识库相似度匹配及微调大模型，进一步提升了效果。目前，随着模型能力的增强，通过RAG与prompt即可实现良好效果。
在保障大模型可控性方面，林老师介绍了RAG策略的实施方法。大模型的幻觉大小与模型能力、参数设置、prompt及知识库质量等因素相关。因此，可采用更强能力的模型、调整温度参数、优化prompt及提升知识库质量等方法缓解幻觉。同时，利用推理型大模型通过验证、反思及检验过程提升输出结果的可控性。
展望未来，林老师认为，随着Deep Seek R1/V3的开源，汽车行业将迎来更多机遇，大模型应用场景的成本与门槛将降低，但产品迭代速度将加快，要求企业提升交付效率。在模型服务方面，应关注多模态大模型、端侧模型及未来世界模型的发展。同时，实施大语言模型需具备一定的技术储备与团队配置，包括模型服务人员、应用团队及指导团队等。
对于大模型引发的就业焦虑，林老师表示，看到大模型重要性的人值得肯定，但不必过度焦虑。应找到合适场景应用大模型，而非盲目跟风。作为数据分析人员，可利用大模型提高代码编写、技术报告总结等工作效率。关键在于思维方式的转变，学会利用大模型提升工作效能。
林老师还强调了运筹优化项目团队配置与人员技能要求的重要性。建模人员需具备良好的需求沟通与挖掘能力，而需求沟通角色则需了解建模技术，明确沟通方向及优化目标与约束条件。
在采访的最后，林老师分享了自己对汽车行业未来的展望。她认为，随着技术的不断进步，汽车行业将迎来更多创新与应用，为企业带来前所未有的发展机遇。
