本文为安森美（onsemi）专家的GTC 24逛展笔记，我们可以试着通过专家视角，看看他在GTC 24度过令人兴奋的四天后，迫不及待记录下当前科技领域的热门话题：生成式人工智能(GenAI)的新时代，及其将如何重塑汽车行业。
GenAI是人工智能(AI)的一个分支。传统AI模型是针对特定任务专门定制的，依赖特定训练数据集的标注数据来训练。GenAI基础模型则不同，它以无监督的方式从大得多的数据集中学习模式和结构，能够深入分析已知数据集，寻找联系和规律，进而“生成”视频、图片、文本、软件代码等富有创意的输出。因而在训练更大的GenAI模型时，传统AI模型训练中成本高昂的数据标注工作往往变得不再重要。
GenAI一旦完全发挥效用，必将带领我们进入创造力和效率均不受任何限制的崭新世界。另外要强调的是，GenAI还可以与预测性分析等现有技术结合使用。GenAI通过识别模式并反复自动预测来“生成”独特的输出，而预测性分析则利用历史数据和统计建模来预测特定场景下的未来结果和行为。两者的结合能够让企业和机构做出更明智的决策。关于融合这两种技术的细节，后文会进行深入探讨。
据高盛估计，未来10年，GenAI可推动全球GDP增加7%，也就是近7万亿美元。GenAI能够生成与人类创作风格和深度相似的新内容，为我们开启一个充满无限可能的全新领域，改善我们生活的方方面面。
先来谈谈工厂车间。当前，制造业正广泛使用各式各样的传感器，通过分析传感器收集的海量数据，我们可以更深入地认识、理解和预测机器性能及产品质量。但其中许多传感器都是独立工作，尽管可以各自提供输出，但缺乏整体一致性，所以很难更大限度地提升对制造设备性能的预测能力。而GenAI可以处理来自制造车间各个方面的综合数据集，从而产生超乎我们想象的全新输出场景。
1、生成式AI驱动汽车设计创新
接着我们来看GenAI对汽车行业产生的深远影响，一起探讨它将如何推动汽车设计的创新发展。汽车设计工作涉及电池、变速箱、发动机、信息娱乐系统等等众多错综复杂的部件。其中还涉及大量的设计布局选择和技术安全限制，需确保满足有关车辆上路的各方面标准。此外，各个地区对汽车的要求也不尽相同。
通过GenAI软件工具，汽车制造商仅需调整几个输入参数就能创建逼真的3D汽车模型，设计师还可以向GenAI提问，探索“内饰能否采用其他材料？”或“如何降低设计方案的成本？”等问题的解决方法。通过结合过往的设计经验和客户反馈，新设计能够进一步优化成本和效率，加速产品上市进程。这样，设计人员可以加快原型制作与测试过程，从而尽早发现问题，快速总结失败经验。从每一轮迭代中收获新的技术洞见，并由此增强汽车性能。这种创新速度有望彻底改变汽车行业。
与此同时，客户服务和用户体验领域也将迎来巨大改进。您上一次买车的体验如何？常见的情况是，您与一家经销商预约了时间，经过漫长等待后，您还得和一个拼命想要完成业绩指标的销售员打交道。而您所期待的，不过是享受拥有新车的愉悦和随之而来的新旅程。而GenAI聊天机器人则可以改变这种局面，它能理解您的需求，提供完全个性化的体验，为您量身打造推荐方案，包括车型选择、可加装的功能/套件，甚至是车贷方案。您可以直接向它询问，获取需要的特定信息，进而做出决策。对于作为买家的您和作为卖家的汽车经销商来说，这无疑是双方共赢的理想结果。
再来看看供应链。如果您身处最近遭遇供应短缺问题的半导体行业，尤其会感到焦虑。传统AI无疑具有一定优势，比如能够密切监测库存水平、实时监控供应链、跟踪货物运输状况，并及时发现供应中断情况。而GenAI则在此基础上又新增了两大关键特性：
其一，一旦出现供应中断，GenAI将能提供替代路径，从而能够更大限度地降低中断影响并减少因此造成的额外成本。
其二，GenAI会在规划时进行“假设”情景分析。它会考虑不同的情况，例如供应商A的原材料不能按时提供会发生什么情况，或者供应商C的价格上涨会发生什么情况。然后，它会将这些信息转化为解决方案。这样一来，我们便能优化供应链布局、增强其可靠性、减少意外状况，避免让全球市场陷入困境。
最后，全球车队规模越来越大，运营范围越来越广，需要处理的数据量也在迅速增加。车队管理者长期抱怨生成的数据太过复杂，从这些晦涩难懂的数据集中得出有用信息需要耗费大量时间。对此，GenAI可以提供帮助，它可以简化车队数据分析的流程，使整个过程变得直观明了。车队管理者可以向GenAI聊天机器人提问并获得答案，例如：“我的车队中有多少辆电动汽车？”，或者“电动汽车对我的总收入产生了哪些影响？”。
此外，对于可能导致汽车故障和停工的潜在技术问题，GenAI可助您防患于未然。它可以将来自传感器的实时输入数据与历史数据趋势相结合，实现预测性维护。得益于GenAI工具，企业可以更高效地管理车队，为客户营造更加安全可靠的体验，提高运营效率，最终推动利润增长。
2、安森美的角色
在这个技术变革时代，安森美同样扮演着重要角色。图像传感器能够捕获大量图像和视频数据，帮助驾驶员和/或车辆系统在行驶途中及时做出决策。通过与生态伙伴密切合作，安森美可协助整车厂商缩短设计周期。
NVIDIA Omniverse 新推出的Cloud API为自动驾驶系统开发者提供了强大支持，涵盖众多仿真器、验证和测试工具（包括我们的Hyperlux™系列图像传感器模型）的NVIDIA Omniverse 生态系统将助其大大加速设计流程。
运用Hyperlux合成传感器数据能够创建仿真环境，模拟真实世界的传感器输入，从而构建现实世界场景的数字复刻模型，仿真道路布局、交通情况和天气变化等状况。这些虚拟环境让开发者无需实际驾驶上路，便能测试算法、传感器和控制系统，并且可以特意制造边界工况（比如突发爆胎、传感器失效、极端气候等）来验证系统的行为。利用图像传感器来生成合成场景，有助于改善模型的泛化能力，并减少频繁上路收集数据的需要。这样一来，相关人员便能在一个无风险、低成本、高效率的虚拟环境中测试和验证自动驾驶系统及车辆性能。