转自：中国经营网

本报记者陈燕南北京报道

“模型的应用将迎来大规模的爆发期。此前，大家对面向消费者（To C）的模型应用比较熟悉，日常使用频繁。但面向企业（B端）的模型，一直存在随机性和不准确等问题。不过众多专注应用开发的团队正在针对特定场景进行微调，有望解决这些问题。所以，预计未来一两年，AI大模型在B端的应用将全面开花。”近日，在由《中国经营报》、中经传媒智库联合主办的零观汽车“DeepSeek‘上车’将如何赋能车企”特别节目上，Nyonic（瑞因凡）创始人兼CEO韩东表示。

据了解，DeepSeek - R1一经发布，便凭借自身卓越表现，彰显出非凡实力。诸多场景实测数据及应用反馈表明，其效果与能力和o1相比，毫不逊色，甚至在许多实际应用场景中，完全能够无缝对接，充当o1的理想替代方案。这引发了各界的高度关注与热烈讨论。对此，拥有近20年的AI研究、产品化、商业化、孵化投资经验的韩东也针对这一现象对汽车领域带来哪些改变，未来新科技哪些赛道值得关注做了分享。

预计后续应用会基于DeepSeek - R1进行打造

韩东表示，长久以来，在基础模型领域，大众普遍形成一种认知：美国牢牢占据世界前沿位置，相比之下，中国与之存在显著差距。去年下半年，OpenAI重磅推出o1模型，自其亮相直至今年年初，全球范围内竟无一款新推理模型能崭露头角，与之分庭抗礼。直至DeepSeek - R1模型横空出世，彻底打破了这一沉闷的格局。

“众多模型领域的从业者从专业视角对其进行测试，与此同时，我注意到身边无数人在日常生活中也开始使用模型，其中R1模型的使用频率颇高，甚至超过了其他模型，很多人每天都会使用它。”韩东说。

“从用户的使用习惯、频次以及黏性等方面，最能直观体现一个基础模型的实际能力。因为若模型不好用，其智能水平无法满足需求，无法为用户提供满意的结果，用户自然不会再次使用。而用户持续地使用某一模型，恰恰有力地证明了该模型具备出色的能力。”韩东表示。

事实上，DeepSeek - R1不仅在前沿模型赛道上与o1并驾齐驱，以卓越的性能证明了自身实力，更是在开源领域迈出了具有里程碑意义的一步。在此之前，处于行业领先地位的前沿模型，如OpenAI的系列模型，皆以闭源形式示人。OpenAI曾多次公开表态，坚称将最前沿的模型开源，极有可能引发不可预估的风险，甚至会对人类社会造成负面影响。然而，自DeepSeek - R1开源后，现实情况却与OpenAI的论断背道而驰，过往被奉为圭臬的观点被彻底改写。

“简而言之，DeepSeek - R1模型能力处于前沿水平且实现开源。对于未来基于大模型构建的各类垂直场景模型、行业模型以及应用而言，R1模型极有可能成为后续发展的起点，或者说是一个基准。后续更多的应用大概率会基于该模型进行打造。”

车企转型关键在于深度融合最新生产力与业务场景

在汽车领域，大模型的应用主要集中在自动驾驶和智能座舱这两个主流方向。那么DeepSeek这个新模型是否会极大地加速自动驾驶技术的落地进程呢？

对此，韩东认为，DeepSeek的到来不会大幅加快自动驾驶到来的速度。因为目前整个基础模型能力仍处于持续推进的过程中。R1模型并未将基础模型的前沿能力在o1、o3的基础上进一步提升，它只是追平了当前前沿模型的水平。若要将基础模型应用于自动驾驶领域，还需要针对车辆以及驾驶场景完成一系列特定的工作，所以不会一蹴而就。

“不过，新技术的出现，必然会对车企以及过往的技术产生根本性的改变、升级与换代，同时也意味着对部分旧技术的淘汰。这对于车企和整个行业而言，无疑是巨大的挑战。过去，车企可能只需专注于研发车内算法即可，但如今，大模型领域的技术力量随时可能颠覆他们长期投入研发的算法和模型，使过去半年甚至一年的投资瞬间化为沉没成本。”韩东表示。

他进一步表示，从车企的角度出发，我个人建议在当前场景下，应更加注重将最新的生产力与自身业务场景进行深度融合，无论是在自动驾驶还是智能座舱领域。当然，除了这两个主要领域外，在汽车相关的其他诸多方面，也存在大模型的应用空间。例如，当我们从基础模型研究转向汽车行业赋能时，关注到了汽车测试这一细分领域。

据韩东介绍，以往，汽车测试需要大量人类工程师花费大量时间，将长达几百页的文档转化为测试用例，并编写成测试脚本后再执行，这一过程通常需要几十名人员协同完成。而现在，通过对前沿模型进行微调，我们能够一键生成测试用例，且准确率和覆盖率可达到人类工程师的水平。

所以，韩东认为，在汽车领域，自动驾驶和智能座舱是大模型应用的重点方向，但实际上，在研发、供应链管理、知识管理以及销售等诸多环节，都有大模型应用正在开发中，并且未来有望得到广泛应用。

不要盲目转型成为一家AI公司

虽然前景广泛，但是韩东认为，也要在投资方面注意风险的把控。

“在整个基础模型领域，任何一家行业公司若自行开展研究，都面临巨大风险。因为该领域不仅前期投入巨大，而且最终结果难以保证。一旦有更新的、更先进且开源的技术模型推出，实现技术平权，供大家免费使用，那么此前公司在这方面的所有投入都将付诸东流。”韩东表示。

他进一步表示：“在与自动驾驶、智能座舱等场景相关的其他方面进行投入则有所不同。因为这些投入所积累的不仅仅是模型和算法本身，还包括大量与之相关的数据、产品设计以及整个业务流程（pipeline）等。这些积累并非外部技术领先者能够轻易全盘取代的。所以，在这方面，企业更应专注于自身业务场景下与基础相关的核心研发，而非盲目转型成为一家AI公司。”

韩东说：“由于我们团队从基础模型研发起步，所以在后续转向应用领域、进行行业赋能方面，时间相对较早。当时我们意识到，基础模型研发是一个需要大量资金投入的领域，并且要在短时间内消耗巨额资金。如果无法承受这种高强度的资金投入，就难以在该领域持续发展。因此，我们及时调整方向，转向应用领域。”

那么，在业务发展时会遇到哪些难点呢？对此，韩东表示，由于我们与汽车行业接触较多，所以会与不少车企中的国企展开合作。在与政府的合作方面，主要通过一些合作项目，实现与车企在能力上的协同。因为我们专注于AI技术能力的研发，而在业务场景落地方面，非常需要与业务方紧密合作，才能推动产品的进一步发展。

“举例来说，在使用大模型生成测试用例时，这些用例需要由专业的测试工程师进行评估，判断其是否准确、完善。AI算法工程师难以对测试用例的准确性做出专业判断，因为当前大模型生成的内容表面上看起来可能不错，但其中的准确性问题需要专业人员凭借经验才能识别。”他表示。

“在将不准确的用例不断优化为准确用例的过程中，就需要与业务人员、行业专家密切合作。这就要求双方建立长期稳定的信任关系，而这也正是未来各行各业在应用大模型过程中可能面临的一大挑战。不过，我相信在全行业众多企业的积极探索下，一定会有一些企业通过成功的合作，形成具有行业通用性的解决方案，实现以新生产力替代旧生产力的变革。”韩东表示。

算力企业或迎重大机遇

对于未来的预判，韩东则认为，模型的应用将迎来大规模的爆发期。“此前，大家对面向消费者（To C）的模型应用场景相对较为熟悉，日常使用也较为频繁。但在面向企业（B端）的应用场景中，模型一直存在随机性、幻觉以及不够准确等问题。通过大量专注于应用开发的团队针对特定场景进行微调，有望解决这些问题，实现预期目标。”

他进一步表示，虽然目前我们尚未看到大量此类应用的出现，一旦它们问世，并能够切实改变现有业务场景，提供如数字员工、数字专家等新型服务，替代传统专业人士的部分工作，实现高效赋能，那么这些应用很可能会在全行业迅速推广。因为它们在价格、成本以及生产力方面，相较于传统模式具有代际优势。所以，我预计在未来一两年内，AI大模型在B端的应用将全面开花。

“另外，在探索自动化测试场景的过程中，我们发现汽车行业的发展演变，以及具身智能、低空经济等领域的拓展，从技术层面来看，在很大程度上借鉴了汽车制造领域的方法和经验。所以，如果我们针对的某些应用场景，在当前最大的汽车行业中具有较高价值，并且在未来向具身智能、低空经济等领域拓展时同样适用，那么这些方向就值得我们深入探索。”他表示。

他继续说道：“当然，从行业拓展的广度和能力提升的深度两个维度来看，在能力拓展方面，我们注意到一些能力具有跨行业的通用性。例如，我们经常遇到车企等各类企业提出这样的需求：希望构建一个强大的知识库问答系统，使企业的数字化、智能化成果最终沉淀为一个精准、全面且系统的知识库。员工能够像使用DeepSeek一样，通过该系统精准查询企业内部的各类知识点，并生成文档、PPT等文件。这种需求并非个别行业所特有，大部分行业都有类似需求。这也是我们在思考应用拓展方向时重点关注的内容。”

韩东还认为，随之而来的，将是对算力的巨大需求，尤其是中低端GPU算力。因为在推理端，如果大量应用得以落地，推理任务量将极为庞大，因此，在这方面，国内众多算力企业或许将迎来新的重大发展机遇。

最后，韩东表示，我们正步入一个全面拥抱AI的时代，企业和个人都必须积极融入这一趋势。

（编辑：张硕 审核：童海华 校对：翟军）