上年末openAI引领了新一轮IT革命，作为IT与汽修行业老兵，本人亦甚早开始思考如何将汽修技术与大模型结合，进一步提升汽修行业服务质量这个问题。
近期，360周鸿祎说修车大模型可达几十亿年营收，更是引发了行业热议。借此东风，将本人在今年所做的一些调研与思考加以梳理，我的观点是大模型很适合汽修行业。
以下是个人从6个方面发表一些浅显观点，不足之处，还望读者与专家批评斧正。
01、未来人机协同修车？
我们耳熟能详的ChatGPT属于AIGC与LM交叉领域之一的LLM(语言类大模型)领域。本人将 2C的LM归类为通用大模型，而 2B的LM归类为行业大模型，修车大模型是标准的行业大模型的一种。
通用大模型与行业大模型都是基于大模型“涌现”出的新能力，比如指令跟随、上下文学习、思维链等等。通用大模型更像一个有基本知识、有学习能力的好学生，能做很多事情，但因为存在“幻觉”问题，似乎又难堪大用。他的“脑子”里已经有了基本的语言能力模型和基本的知识库，可以部分和人类一样的思考逻辑去思考和回答你的问题。当你有新的需要时，就需要去“教育”他，让他再学会一门新的知识技能。你一步步教他各种处理逻辑，他就会像你希望的那样不断成长，最终成长为了“行业大模型”！
修车大模型是标准的行业大模型，我对修车大模型的前景充满乐观，想想停车场还有收费员是什么时候，炒菜机器人……
科学技术的迭代不是线性加速的，而是有摩尔定律、缩放定律在起作用的，技术进化越来越快，产品成本越来越低，行业应用也会越来越广，越来越深入。
我理解的修车大模型可能是多模态的，需要经过多阶段的迭代演进，初期可以是类似于ChatGPT技术的语言大模型，辅助提升维修流程的标准化；后期将演化出更多交互能力，比如维修建议、技术纠错等等；当然最终结合人工智能，实现人机协同修车，也大有可能。
02、像训练大工一样训练修车大模型
认知能力、行为能力(比如工具的正确使用)、感知能力(视觉、听觉、嗅觉、触觉、味觉)贯穿于汽车维修的全流程，这几方面能力的积累与大模型能力形成，有众多相似之处。
?Mask学习阶段，对应基础知识技能的学习；
?Instruct学习阶段，对应案例经验的学习；
?finetune学习阶段，对应根据具体维修场景的细化提升。
而大模型在推理阶段表现出的泛化能力、思维链能力与举一反三能力恰好匹配上。
再比如，为什么4S店师傅修单一车型更快、更专业，而综合修理厂的师傅们似乎什么车都修、但是只能针对普通的常见问题？因为车型的基本构造逻辑一样，但是结构差异化往往很大，不要说维修，拆装的效率差异都很大。
所以，在有限的培养时间内，社会修理厂的大工，往往也是两个类型，要么就是多数车型都熟悉，但是疑难杂症都不熟悉；要么和4S一样，也只是熟悉1~2个擅长的车型。
然后，现实世界中难以解决的矛盾，大模型很擅长处理。我们所熟知的金融大模型、标书大模型、医学大模型等等，只要通过特定语料的训练，就可以具备不同的行业能力。
对于修车大模型，我们也完全可以准备不同车型的维修语料，从而使模型具备特定的能力，这也特别符合大模型中MOE的设计思想。
那如果我们像训练大工一样训练修车大模型，会得到什么结果？
曾经有一位培训同行跟笔者讲，传统的以师带徒的方式，一个学徒要成长为大工，至少要3~5年时间，因为有很多简单重复的劳动和师傅人为的选择因素。如果让他系统化地培训，1年就能训练出大师傅。当然，我认为这是理想值，理论上他很难提供这么丰富的实操机会和案例给技师快速练手。
但是，修车大模型有一些得天独厚的优势，是人类不能比拟的:
它不会忘！他的知识只会增加，而且他的算力可以基于需要去增加，而人类是靠爹妈造化！所以，好的修车师傅凤毛麟角！
它不用休息！它也不需要打游戏、划水！也不会忽悠你！它还可以让理论上无限制的人去训练它的修车技能！
它有同时做N件事的能力，比如给他一个电路问题，他可以同时检索N个电路相关问题案例及比较电路，而人类得去下载、查阅电路图、理解、思考……还可以查看照片、视频！
举个例子，法系车难修大家都知道，换挡锁死了，师傅不熟悉的按逻辑去排查，很容易判断错误，换了换挡开关、总成之类的折腾，实际上可能是一个保险丝烧了……这种小概率事件，你去问修车大模型，他会根据法系车的特点，让你第一个去查X位置的保险丝。
它为什么能做到？因为它并不是像你百度一个关键字，给你一堆相关的结果，然后需要你自己分析、分拣有用的结果，而是它具备逻辑的推理算法，你给的信息越充分，他推理接近的结果就越准确，它模拟的就是人的思考算法！
03、打造修车大模型的4大挑战
我们需要认识到行业大模型的构建，首先是一个系统的数据工程问题，其次是一个应用工程问题，最后才是大模型相关的技术问题。
修车大模型在实际应用落地中，可以通过人机协同、多系统协同、流程辅助等方式，弥补一些模型自身的短板。修车大模型的潜力巨大，但是目前来看，至少还有四个方面的挑战:
它还没有达到人类真正意义上的思考能力，笔者记得有个AI大师，把AI分几个段位:“举一反三”、“触类旁通”和“无中生有”，目前AI还在举一反三段位，而人类是可以触类旁通和无中生有的。
也就是说AIGC修车大模型只能按照教授给他的知识去分析和快速给出判断，没有教授给他的知识，他很难自己灵活创新解决方案。
不过笔者估计，大多数情况下碰不到这类问题，因为汽车的技术迭代整体比较慢，有充分的知识和案例可以支撑大多数问题解决。
前面讲了，AIGC的知识模型，不是通过COPY可以解决的，需要巨大的训练，而训练的成本是超过很多人想象的。它毕竟不是人类，你讲一下，他就触类旁通了，需要复杂、细致的全方位训练，光是训练成本就要用百万去计算。
硬件成本也不是传统的服务器，而是适合AIGC的GPU服务器。这玩意，现在一个8个GPU的 A800服务器就要十几万，一个修车大模型可能需要几十、几百个这玩意，还要加上电力的消耗、巨大存储体系的消耗，不是一个普通的创业企业可以支撑的。
巨大、精准的修车案例大数据进行训练，由于行业特点，存储在销售端的故障和对应的更换配件结果未必是科学的，可能是过度维修的；且销售数据和技术诊断的数据还是有本质区别。那么尽量全面的维修案例数据，目前是分散在主机厂、4S体系的技术团队和各大技术公司，这些数据都是其核心资产，不会轻易拿出来给你训练。
行业断层的设计能力。笔者为什么对这些AI体系比较熟悉，因为笔者从业23年，前16年都在互联网、物联网也就是AI相关行业，一直从事最前沿的、类似智慧城市的方案开发。后7年跨界进入汽车后市场，一直在一线，自己也经营过门店，所以才能了解两个行业该如何结合。
而传统的设计思路是，一个AI行业产品经理，去找汽后行业专家调研，双方很难同频，消化和理解再传递到研发，再传回市场试错迭代，“翻译”成本非常高。
04、新能源车对修车大模型更简单
燃油车和新能源车的本质区别是动力系统，一个是内燃机技术，一个是电机技术；在汽车构造上主要是发动机系统的区别，其他构造也差不多，空调系统、刹车系统、底盘、辅助功能等，只是后者在智能化上的设计更多。
但是对于大模型而言，只是多了几个类型的训练模型而已，相比复杂的燃油车系统，新能源车还是要简单很多。
05、70+亿的市场想象空间
对于汽车后市场来讲，目前最大的问题是什么？
没有了赚钱效应。汽车后市场在经历电商价格冲击、自媒体信息对称的价格战，同时各种运营成本反而不断上升的双向夹击下，已经没有了赚钱效应。
那解决问题的方案目前只剩下一种，降低成本、提升竞争力。要么和手机一样，不断标准化，减少SKU带来的全链条成本——目前电动车正在走这条路。
汽车后市场是一个服务型市场，最高的是什么成本？人力成本！
如果修车大模型和拆装熟练的中工配合，解决一些保养工序熟练、维修定位准确的问题，应该比大多数行业大工的水平更高、失误率更低。
开修理厂的都知道，维保最难的是质检，一旦车辆出厂，只要没有故障码，肉眼外观检查很难发现保养、维修的失误。但是大模型通过阅读主机的数据流，结合试车的声音、震动等传感器的数据采集和分析，可能比经验丰富的大工更容易发现问题，减少返工，实现一次修复率。
目前国内大概70万+修理厂，至少有100万~200万左右机修工。如果修车大模型面向修理厂收费，比如1万/年——是养一位大工10%的成本，但是能力强多了，那就是70亿的市场空间。
而且后续衍生的生意机会就多了，可以直接对接配件接口，把货都给你订好了，什么故障适合品牌件，什么故障适合原厂件，没有一个师傅比它强，给出的都是最优配置。
然后就进入工序管理:什么时间干什么事，先干啥，后干啥，一步步的安排妥当，维修工时的准确度也更精准，多久配件到，多久能修好，报价也更让车主放心——因为大模型更标准化，更客观。
然后全国连锁业态就更容易了，因为大模型熟悉了技术诊断方案和工序，结合数字化监控，就可以完成对应施工工序的监督，直接给出合理的考核打分，又解决了标准施工培训和考核问题。
可以衍生的技术方向还有很多，也不只是修车，比如贴改色膜:你告诉它想要个什么样的风格、颜色的改色，把你车的照片拍给它，它就能给你内外照片级别的效果图，甚至可以让客户的车动起来，看视频效果，再来个车模，是不是很酷？客户消费的意愿是不是大大增强？
06、修车大模型有可能实现么？
答案是，当然有可能。
这里面最大的难度不是技术，而是需要“钞能力”，笔者也不知道具体需要多少。
按照大模型圈的说法，训练大模型按1500万~1亿计算。不过笔者理解，这里说的应该是通用大模型，实际上行业模型是企业级的，或者说属于小模型，如果定向去训练，应该不要这么夸张。而且现在训练产品本身迭代速度也很快，应该在400万~600万就可以初步搞出来。
关键的问题来了，谁有兴趣和魄力去搞？
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
