今天小编分享的科学经验：「AI定义汽车」新拐点已至！小米孟二利：我们有三个工作需要做好，欢迎阅读。
大模型的出现，让汽车行业来到了「AI 定义汽车」的新拐点。
毫无疑问的是，工业大模型正在成为制造业转型更新的关键 " 智 " 变力量，而其中又是以汽车产业为代表，大举迈向智能制造的新征程。
小米，当之无愧的年度焦点玩家。在 MEET2025 年智能未来大会上，小米技术委员会 AI 实验室机器学习团队高级技术总监孟二利，分享了他们利用大模型赋能汽车智能制造的一些探索。
孟二利，从中科院研究生院毕业后一直从事 AI 算法研究与应用工作。目前他致力于将人工智能技术应用于汽车制造和新零售等小米核心业务中，是 AI+ 信息化、整车智能技术负责人。与汽车部合作一体化大压铸项目中，" 材料性能预测模型 " 被中国汽车工程学会专家组评定达到世界领先水平，项目团队获得小米百万美金技术大奖。
在本次大会上，他分享了小米是如何找到汽车智能制造的突破口，又是怎么迎接「AI 定义汽车」的新拐点。
在不改原意的基础上，量子位做了如下整理。
核心观点梳理
小米将包括大模型在内的 AI 技术看作一种新的生产力，能够对軟體和硬體的效果有指数级的提升，也是小米长期持续投入的底层赛道。
想将汽车的传统制造模式向更加高效、精准的智能制造模式转型非常难，这是因为在没有 AI 的时候，汽车生产就非常成熟了。
AI 赋能材料研发其实并没有那么容易，团队在学习各种专业知识之后，总结出来一套公式：各种数据 + 前沿算法 + 专业知识 + 专家经验 + 不断试验 = 新材料。
大模型的出现，使行业来到了从軟體定义汽车到 AI 定义汽车的拐点。这个拐点的标志就是大模型在汽车上的应用。
在新的拐点上，有三个工作需要继续做好：数字化基建、产业协同、对适合工业场景的大模型技术的探索。
把大模型看作新生产力，能对软硬體效果有指数级提升
今天在这里与大家分享小米在利用大模型赋能汽车智能制造的一些探索。
去年八月，小米科技战略正式更新为：深耕底层技术、长期持续投入，软硬深度融合，AI 全面赋能，总结为公式就是（軟體 × 硬體）ᴬᴵ。
这表明小米将包括大模型在内的 AI 技术看作一种新的生产力，能够对軟體和硬體的效果有指数级的提升，也是小米长期持续投入的底层赛道。
小米很早就对 AI 进行了布局，2016 年成立了 AI 实验室，逐步开展了视觉、语音、声学等相关工作，2023 年 4 月成立专职大模型团队，并推出首个小米自研手机端侧大模型。开始将一些先进、前沿的技术赋能到手机、汽车等产品中，为业务场景与用户需求提供了强大的智能支持。
汽车制造，是一个成熟的百年行业。我们知道有冲焊涂总四大工艺流程，每一步都都涵盖着设计、研发、生产等多维度的精细操作，这些环节往往都依赖专业人员的经验积累和反复的试验。因此，想将汽车的传统制造模式，向更加高效、精准的智能制造模式转型，非常难。而难，是因为在没有 AI 的时候汽车生产就非常成熟了。
所以这也是团队面临着第一个问题：那么，如何去找到这个突破口？
百年工业智能化转型，从变化的地方开始
我们决定从汽车工业发生变化的地方——一体化大压铸开始。
一体化大压铸，由特斯拉开创，是汽车制造工艺的新变革。它是用超大型压铸机将多个零件重新设计后一次压铸成型，得到完整零部件。
其优势很明显：
（1）多个钢制钣金件，替换成一个铝合金，使车重减轻 30%-40%，提升续航里程；
（2）可减少零部件数量，减少制造工序，降低人工、机器等成本；
（3）用一体化大压铸件代替多个零件铆接，刚性更强。
团队把目标聚焦两个方面：一个方面一体化大压铸材料的研发；第二是质量检测的工作，去探索大模型和相关的技术来进行赋能。
小米 SU7 的后地板采用大压铸工艺，其尺寸比特斯拉大 17%。首要挑战是，市面上没有满足需求的材料。材料研发成本非常高，研发难度也是非常的高。小米坚定的深耕底层技术，走全栈自研之路，一定要攻克这一难题。
从传统的材料研发方法来看，主要是基于实验和经验的 " 试错式 " 研究。依靠科研人员长期积累的经验，以及已有的材料科学理论知识，来确定研究方向和设计实验方案。需要耗费大量的时间来进行反复试验和验证，导致研发周期往往很长，从发现新材料到实现工业化应用，一般需要 10 至 20 年。难以对材料的组成成分、结构和工艺参数进行全面、系统的优化，导致材料性能的提升空间有限，且难以保证材料质量的一致性。
而 AI 研发方法，要求基于少量的实验数据，建立材料性能预测模型，同时能够实现反向寻优。在只进行少量实验下，找到满足性能需求的材料。实现低成本、高效率、高性能。
谈到AI 赋能材料研发，大家可能首先想到的就是数据 + 算法，但对于材料学科来讲，其实并没有那么容易。
首先，材料的数据收集成本非常高；其次，材料涉及非常多的物理化学过程，纯大模型方法效果不佳，只有深入材料机理进行建模才能更好地解决这个问题。我们团队跨学科学习了很多材料专业知识，最后总结出一套公式：
各种数据 + 前沿算法 + 专业知识 + 专家经验 + 不断试验 = 新材料。
主要问题是，实验数据一般不超过几十组，复杂的合金材料元素有十几种。根据真实数据，不足以训练模型。我们采用了大模型范式，利用仿真数据生成大量低质量的数据，以及找到的文献数据，进行预训练。使得使用少量、高质量数据训练时，模型不是从 0 开始。
我们打造了一套多元材料 AI 仿真系统，通过大模型范式来研发材料。通过自己搭建的仿真平台积累了海量仿真数据，与国家级材料重点实验室合作，基于计算热 / 动力学及其驱动的 AI 学习方法进行材料开发，构建了十一元合金热力学数据库。
这些数据为大模型赋能构建了基础。在算法层面，结合材料专家知识设计了多个专家模型，从宏观到微观的角度建模了成分 - 组织 - 性能的关系。最后在计算平台上通过配方寻优算法，从1016 万种配方中找到了符合小米需求的小米泰坦合金。
这套系统不仅可以应用于汽车，还能用于手机等更多产品的材料研发中。
值得一提的是，小米泰坦合金是一种高强高韧的免热处理环保压铸材料。我们在制备小米泰坦合金时加入 30% 的循环铝，每个零件实现碳减排 352.53Kg，峰值产能相当于每年多种植 488 万棵树。
第二个质检方面。
一体化压铸成型后，由于材料、温度、工艺等因素影响，压铸件可能会产生各种内部缺陷。需要对整个零件进行全方位检测，在高质量标准下，需要精准识别出毫米级缺陷。人工检测会存在个体差异性和主观判断情况，不同检测员对缺陷定义、标准有所不同。同时还存在长时间检测带来的疲劳和注意力问题。
因此，我们搭建了视觉大模型质量判定系统，能够检测出毫米级别的缺陷，并识别缺陷的类型、大小，为工艺优化提供依据。它的准确率超过 99.9%，即使是肉眼难以识别的细微缺陷，也能迅速查清，检测效率和检测精度，都有巨大提升。
视觉大模型质量判定系统背后搭载的是我们自研的工业质检大模型。大模型以及相关的 Agent 技术，都需要用户提供 Prompt 来表达意图。但是，在工业场景中，我们的目标是实现无人工互動全自动化部署，因此，我们提出一种端到端的质检大模型，无需任何人工互動。
在大模型训练方面，通过半监督方法进行训练，只需少量人工标注即可达到非常高的性能。此外，我们还优化了大模型解码器，帮助边缘分割更加丝滑，精准统计二维影像缺陷面积，估计三维尺寸。
"AI 定义汽车 " 的新拐点
自从特斯拉提出 " 軟體定义汽车 " 概念以来，现在汽车行业正迎来从 " 軟體定义汽车 " 到 "AI 定义汽车 " 的新拐点，这个拐点的标志就是大模型在汽车上的应用。
那么，如何实现用大模型赋能汽车制造，使其制造走向智造，我认为有三个方面。
第一个方面是数字化的基建。数据是大模型时代最宝贵的资产之一，与互联网相比，工业制造行业的数字化程度还有待提升，导致数据难以获取。
对于小米而言，我们对数字化建设非常重视，从最初的设备选型上，我们就充分考虑了需要采集哪些数据、并把能否数字化作为设备选型的重要依据。将这些设备产生的数据进行闭环管理，可以持续为工业大模型注入血液。
第二个方面是标准。汽车智能化上，在国家、政府的支持和推进下，很多优秀企业都做了自己的探索。但是还存在于点状的、自发的状态。如何建立数据标准、行业标准，实现产业上下游协同，需要继续努力。
第三个方面是大模型。大模型是当下热点，但目前还是以互联网研究、应用为主。如何探索适合工业场景的大模型技术，实现智能感知、智能预警、智能决策，深度赋能汽车智能制造的各个环节，实现 AI 定义汽车，还有很长的路要走。
最后，小米在工业智能化转型做了一些探索，我在这里也抛砖引玉做了一些分享，也期待越来越多的 AI 人才、专家的加入，实现制造业的智能化变革。
谢谢大家！
— 完 —
点这里关注我，记得标星哦～
一键三连「分享」、「点赞」和「在看」
科技前沿进展日日相见 ~
>
