信 端 企 微 端 人 工 智 能 数 据 库 微 服 务 大 数 据 中 间 件 连接伙伴 连接客户 连接产品 连接员工 价值：问答准确率： 35%- 84% • 答案出图率提升：模型出图率 0%- 70% 。 （ gpt-4 出图率 20% ） • 知识构建效率大幅提升 83.3% 之前人 数百万 如针对终端客户：基于大模型和用户手册的智能问答助手 大幅提高客户体验 难点：文档庞大，图文混排复杂 • 材料数 量庞大 ：有近 50 款车型，每 款 车涉及「使用说明书」「驾驶指 南」 「保养手册」，合计几百份材 料。 • 手册混排复杂：每份手册一百页至几 百页，涉及大量图文组合。 • C 端问答要求严谨：客户也担心幻觉 率影响客服对话体验。 3 人 工 校验入库 4 大模型问答 API 调用 车企知识维护成本低 通过文档解析和切片，减轻客户的知识整理成本 需要跟传统机器人结合大模型增强，传统机器人无法回答时， 大模型对汽车专业词汇精准理解回复 汽车手册复杂，知识 冷启动慢 传统机器人不智能， 应答效果差 客户诉求 汽车功能使用问答和自助排障 1 一键导入汽车使用手 册 产品示例

备品备件 管理 设备状态 检测分析 智能异常诊断 趋势分析预警 AI 知识库 智能设备维修 智能点检保养 关键部件预测性维护 基于 DeepSeeK 的 知识问答与故障诊断 AI+ 设备管理（预测性维护）——产品矩阵 无线检测分析系列 测试测量系列 IEPE 系列 动态信号分析仪 硬件 工业设备云监测平台 设备健康数据分析软件 内容解读 LLM 智能问答 报告生产 .... 从业务一线提取经验，构建知识库；又通过智能问答系统，支撑业务一线实现组织知识的复用。 数据采集及预处理 知识库的构建 模型部署 应用 模型再优化 • 产品研发设计知 识经验库：将知 识和经验结构化 数字化； • 生产过程知识经 验库：沉淀工艺 参数、异常处理 经验、改进措施 等； • 智能体问答：通 过 LLM 整合研 发设计和生产过 发设计和生产过 程的知识库，为 工程师提供实时、 精准的智能问答 支持，辅助快速 决策。 1 2 3 4 5 AI+ 设备管理（预测性维护）——项目基本流程 • 传感器数据：振动、温度、 电流 / 电压、声学、压 力 / 流量 / 液位、光学等传 感器数据实时采集； • 跨系统数据： ERP 、 MES 、 WMS 、 PL M 、 SCM 等相关系统数据； • 其他数据： 结合设备的历 史维护记录、故障日志、

中国科技企业的市场导向和商业化压力 常使得大厂技术部门在追求 KPI 的同时 ， 难以专注于前言技术的研发 相较于英文、中文高质量开源数据非常 少 ，特别是在构建通用领域大模型的百 科类、问答类、图书贡献、学术论文、 报告杂志等高质量内容 中国科技企业较少开展全球化经营 ， 导致在营收、人才获取、全球化商业 场景方面制约明显 产业研究 战略规划 技术咨询 市场分析 互联网 / 媒体 : 文案 / 海报设计、广告词 创作、视频生成场景 零售 / 电商 : 客服问答 工业 : 产品设计辅助 && 生产规划 教育 : 智能问答、试题生成 法律 : 智能法律助手，法律咨询 医疗 : 问诊，用药咨询 科研 问答理解类 常识、专业知识、多语言、多模态、角 色扮演 + 多轮对话、安全陷阱 推理类 情感推理、演绎推理、逻辑推理、归纳 9 代码类 创作 数学类 表达类 问答 理解类 推理类 应用能力 基础能力 Ernie-4.0 Qwen-Max-0428 SenseChat V5

Q 开发者版可实时为开发人员生成代码建议，让其更快地创造价值，同 时降低风险。Amazon QuickSight 和 Amazon Q in QuickSight 可通过执行摘 要、全新的情景感知数据问答体验以及可定制的交互式数据故事，让您的业务用 户更轻松地理解数据，从而有助于从洞察中推动决策。 10 亚马逊云科技云端生成式人工智能（续） 4. 畅享灵活性和可扩展性 借助 Amazon SageMaker 获得业界领先的人工 智能初创企业和亚马逊所提供的基础模型，来构建和扩展生成式人工智能应用 程序 • Amazon Titan ：利用这一系列功能强大的通用基础模型，完成文本摘要、文本 生成、分类、开放式问答、信息提取、内嵌和搜索 • Amazon QuickSight ：利用生成式商业智能情报（BI）功能，将传统的多步骤 BI 任务转变为直观而强大的自然语言体验 • Amazon Q ：功能

开放用 户提供的省钱信息，其车型优惠覆盖度可达80%，真正做到为用户省钱。 图5.1-1 一站式购车AI互动产品模式 大模型智能问答能力实现人力资源有效配置：在看选车场景中通过引入RAG智能问答能力，为经销商 客户在多服务场景进行赋能。经销商可通过智能问答能力直接与购车用户进行交互，秒级响应，无需 等待。针对产品咨询，行业内优秀案例可解决将近80%的问题，并且绝大多数常见问题可在几秒钟内 获取、跟进、邀约到店，再到顾问质检的全流 程数据聚合，根据业务实际流程构建数据和图表分析逻辑；同时它还拥有店内基础数据表单的自定义 工具，支持Excel数据表上传和自定义数据表单，并通过表单智能问答提供更灵活的数据应用，帮助 经销商管理者从海量数据中获取、分析或洞察业务数据，加速决策过程。除此之外，能够预警店内关 键指标，并周期性告知店内经营人员本店的经营健康状况。 图5.3-2 大模型助力经营关键指标监测预警

观细节上的微调。 这种按需生产的灵活性不仅提升了顾客满意度，也为品牌赢得了竞争优势。 研发知识管理 ：借助 AI 算法，能够高效地整合与深度分析海量的历史数据及专家，构建出研发知识图谱 和智能问答系统，方便工程师们随时查询相关资料和技术文档，为设计师提供决策支持，提升设计方案的质量 与创新性。 AI 助力提升生产力 19 汽车行业 AI 应用白皮书 总体篇 场景篇 和大模型技术，企业可以构建强大的知识管理系统，实现知识的高效积累、分享和应用。 例如，基于深度学习的知识图谱技术可以帮助企业将分散在各个部门和系统中的数据进行整合，形成结构化的 知识库。员工可以通过自然语言查询或者自然问答对话的方式，快速获取所需的信息。此外，AI 还可以通过 分析历史数据和行业动态，为企业提供决策支持。 经营决策 ：通过大数据的分析，AI 能够为企业提供精准的预测和建议。例如，基于机器学习的销售预测 建议，优化资本配置。 一汽基于通义大模型打造 GPT-BI 智能数据分析系统，这也是汽车行业率先推出的大模型 BI 应用。该系统打通财 务部、质保部、产品部、生产物流部、营销中心多维度数据，通过问答形式，为决策者、分析人员提供高效分析结果、 助理决策。相比传统 BI，其将报表生成时间从 7 天大幅缩短至 5 秒，极大提高了数据价值挖掘效率，如查询上个月每天 红旗销量完成情况，能迅速生成折线图及数据表。模型准确率达

遇到难题时远程专家和人机问答 √ 全流程摄录存档并自动知识库化 √ • 巡检过程不发生遗漏，相关数据获取准确及时，工作效率提升 30% • 及时掌握维修信息，快速构建故障模型，率先进行预测性维修，安全 水平提升 50% • 巡检、排故和维修等全过程知识库化有助于建设企业知识库，从容应 付人员流失问题，构建企业竞争壁垒 3D SLAM 物体识别 定位和导航 人机问答 3.5 5G 在生产制造中的应用

库，实现非结构化数据的高效治理与动态更新，进一步构 建了专业领域的高质量语料集，结合L1/L2级行业大模型，开展面向RAG模型优化及策略研究和AIGC生成 技术研究与模型优化研究，实现试验场景的智能问答、试验管理与试验报告自动化校核环节的智能化水平 提升。通过构建数据中台与BI可视化分析平台，推动传统LIMS系统智能化升级，提升知识检索效率与决策 精准度。 汽车企业尤其是主机厂数字化水平较高，市 识依靠传授、检索 效率低下、精准度不高等问题，导致知识识别能力不足、难利用，难以高效推动企业快速发展。中汽数据通 过应用大模型、检索增强生成（RAG）等技术，实现企业级知识应用，面向验证领域实现智能问答。 一、背景情况 依托研发试验环节积累的大量知识数据，经过清洗、标注等处理，构建高质量的大模型语料数据集，为 模型训练提供坚实基础。明确质量控制标准，涵盖准确性、一致性和完整性等关键指标，并确定可接受的质 能检索技术，用户可以使用自然语言输入问题，系统能够精 准理解其意图，并在海量知识库中快速检索出相关答案。智能问答基于深度学习算法，系统能够理解用户问 题的语义，结合知识库中的知识，生成准确详细的答案，通过不断学习用户提问习惯和反馈，进一步优化回 答策略，提升问答的实用性。 （一）智能问答场景 随着数据量的增加和业务复杂度的提升，传统LIMS系统面临数据孤岛、系统灵活性不足等问题。通过 大模型的

首先，是一些公开可以爬取的数据，包括公共爬虫数据库 （common Crawl）、维基百科（Wikipedia）、Stack Exchange 问答数据、Github 上的代码，等等。这一部分的 数据在一定程度上引发了版权纠纷2；一部分网站，例如问答网站 Stack Exchange，已经加强了反爬虫措施。 其次，为了增强模型的语言表达能力，研究者可能根据语法合成一部分数据。最后，对于一些不希望自己爬取 知识管理和利用的效率。对于科研工作者 来说，学习和研究中形成的笔记、文档、随笔、心得等材料可以成为知识库的来源。再如在智能客服场景中， 企业可通过知识有关自己产品和服务的信息纳入知识库，构建专属问答系统，使生成回答精确匹配企业知识 体系。 智能体 2025 年以来，智能体（Agent）概念在人工智能投资界得到了广泛关注。从技术角度看，给 AI 赋予 工具，并设计流程让不同的 AI 合作起 是典型代表，它允许用户上传各种格式的文档（包括 PDF、 Google 文档、网页 URL 和视频），并由内置的 Gemini 1.5 Pro 模型快速建立专业知识库。NotebookLM 自 动生成文档摘要，并支持基于文档内容进行问答互动，所有回答都附带内联引用，指明信息来源。 而对于注重数据隐私和完全控制的用户，AnythingLLM、RagFLow 和 Cherry Studio 等开源解决方案提 供了本地部署选项，使用户能够在自己的设备上运行整个系统。在

交互的响应速度。 场景痛点 语音交互响应慢 驾驶员按下语音键后的 3 秒沉默，是技术局限的具象化。唤醒词识别、 语音转文本、指令解析、服务调用的串行流程，让复合指令沦为分步执行的机 械问答，影响了用户的交互体验和使用效率。传统的语音交互系统存在响应延 迟和多意图识别准确率低的问题，无法满足用户快速、便捷的交互需求。例如， 当驾驶员说出“打开车窗并导航到浦东机场”这样的复合指令时，系统可能需 置信度阈值：系统为每个识别的意图提供置信度分数，并根据阈值决定 是否进行相应的答复， 当阈值低于一定范围的时候需要判断是否进入引导式 对 话还是进入最终的 unknown 意图域。 主要意图域 1. 问答 / 对话系统 描述：用户可以与大模型进行自然语言对话，获取知识百科类的答复。 功能逻辑： 本地知识库优先：系统首先检索外挂的本地知识库。（内容包含智己汽 车品牌 / 车型等相关内容、竞品、大模型身份）