「AI定義汽車」新拐點已至！小米孟二利：我們有三個工作需要做好 | MEET 2025

編輯部 發自 凹非寺

量子位 | 公眾號 QbitAI

大模型的出現，讓汽車行業來到了「AI定義汽車」的新拐點。

毫無疑問的是，工業大模型正在成為製造業轉型升級的關鍵 「智」 變力量，而其中又是以汽車產業為代表，大舉邁向智能製造的新徵程。

小米，當之無愧的年度焦點玩家。在MEET2025年智能未來大會上，小米技術委員會AI實驗室機器學習團隊高級技術總監孟二利，分享了他們利用大模型賦能汽車智能製造的一些探索。

孟二利，從中科院研究生院畢業後一直從事AI算法研究與應用工作。目前他致力於將人工智能技術應用於汽車製造和新零售等小米核心業務中，是AI+信息化、整車智能技術負責人。與汽車部合作一體化大壓鑄項目中，「材料性能預測模型」被中國汽車工程學會專家組評定達到世界領先水平，項目團隊獲得小米百萬美金技術大獎。

在本次大會上，他分享了小米是如何找到汽車智能製造的突破口，又是怎麼迎接「AI定義汽車」的新拐點。

在不改原意的基礎上，量子位做了如下整理。

核心觀點梳理

• 小米將包括大模型在內的AI技術看作一種新的生產力，能夠對軟件和硬件的效果有指數級的提升，也是小米長期持續投入的底層賽道。

• 想將汽車的傳統製造模式向更加高效、精準的智能製造模式轉型非常難，這是因為在沒有AI的時候，汽車生產就非常成熟了。

• AI賦能材料研發其實並沒有那麼容易，團隊在學習各種專業知識之後，總結出來一套公式：各種數據+前沿算法+專業知識+專家經驗+不斷試驗=新材料。

• 大模型的出現，使行業來到了從軟件定義汽車到AI定義汽車的拐點。這個拐點的標誌就是大模型在汽車上的應用。

• 在新的拐點上，有三個工作需要繼續做好：數字化基建、產業協同、對適合工業場景的大模型技術的探索。

把大模型看作新生產力，能對軟硬件效果有指數級提升

今天在這裏與大家分享小米在利用大模型賦能汽車智能製造的一些探索。

去年八月，小米科技戰略正式升級為：深耕底層技術、長期持續投入，軟硬深度融合，AI全面賦能，總結為公式就是（軟件×硬件）ᴬᴵ。

這表明小米將包括大模型在內的AI技術看作一種新的生產力，能夠對軟件和硬件的效果有指數級的提升，也是小米長期持續投入的底層賽道。

小米很早就對AI進行了佈局，2016年成立了AI實驗室，逐步開展了視覺、語音、聲學等相關工作，2023年4月成立專職大模型團隊，並推出首個小米自研手機端側大模型。開始將一些先進、前沿的技術賦能到手機、汽車等產品中，為業務場景與用戶需求提供了強大的智能支持。

汽車製造，是一個成熟的百年行業。我們知道有衝焊塗總四大工藝流程，每一步都都涵蓋著設計、研發、生產等多維度的精細操作，這些環節往往都依賴專業人員的經驗積累和反復的試驗。因此，想將汽車的傳統製造模式，向更加高效、精準的智能製造模式轉型，非常難。而難，是因為在沒有AI的時候汽車生產就非常成熟了。

所以這也是團隊面臨著第一個問題：那麼，如何去找到這個突破口？

百年工業智能化轉型，從變化的地方開始

我們決定從汽車工業發生變化的地方——一體化大壓鑄開始。

一體化大壓鑄，由特斯拉開創，是汽車製造工藝的新變革。它是用超大型壓鑄機將多個零件重新設計後一次壓鑄成型，得到完整零部件。

其優勢很明顯：

（1）多個鋼製鈑金件，替換成一個鋁合金，使車重減輕 30%-40%，提升續航里程；

（2）可減少零部件數量，減少製造工序，降低人工、機器等成本；

（3）用一體化大壓鑄件代替多個零件鉚接，剛性更強。

團隊把目標聚焦兩個方面：一個方面一體化大壓鑄材料的研發；第二是質量檢測的工作，去探索大模型和相關的技術來進行賦能。

小米SU7的後地板採用大壓鑄工藝，其尺寸比特斯拉大17%。首要挑戰是，市面上沒有滿足需求的材料。材料研發成本非常高，研發難度也是非常的高。小米堅定的深耕底層技術，走全棧自研之路，一定要攻克這一難題。

從傳統的材料研發方法來看，主要是基於實驗和經驗的 「試錯式」 研究。依靠科研人員長期積累的經驗，以及已有的材料科學理論知識，來確定研究方向和設計實驗方案。需要耗費大量的時間來進行反復試驗和驗證，導致研發週期往往很長，從發現新材料到實現工業化應用，一般需要10至20年。難以對材料的組成成分、結構和工藝參數進行全面、系統的優化，導致材料性能的提升空間有限，且難以保證材料質量的一致性。

而AI研發方法，要求基於少量的實驗數據，建立材料性能預測模型，同時能夠實現反向尋優。在只進行少量實驗下，找到滿足性能需求的材料。實現低成本、高效率、高性能。

談到AI賦能材料研發，大家可能首先想到的就是數據+算法，但對於材料學科來講，其實並沒有那麼容易。

首先，材料的數據收集成本非常高；其次，材料涉及非常多的物理化學過程，純大模型方法效果不佳，只有深入材料機理進行建模才能更好地解決這個問題。我們團隊跨學科學習了很多材料專業知識，最後總結出一套公式：

各種數據+前沿算法+專業知識+專家經驗+不斷試驗=新材料。

主要問題是，實驗數據一般不超過幾十組，複雜的合金材料元素有十幾種。根據真實數據，不足以訓練模型。我們採用了大模型範式，利用仿真數據生成大量低質量的數據，以及找到的文獻數據，進行預訓練。使得使用少量、高質量數據訓練時，模型不是從0開始。

我們打造了一套多元材料AI仿真系統，通過大模型範式來研發材料。通過自己搭建的仿真平台積累了海量仿真數據，與國家級材料重點實驗室合作，基於計算熱/動力學及其驅動的AI學習方法進行材料開發，構建了十一元合金熱力學數據庫。

這些數據為大模型賦能構建了基礎。在算法層面，結合材料專家知識設計了多個專家模型，從宏觀到微觀的角度建模了成分-組織-性能的關係。最後在計算平台上通過配方尋優算法，從1016 萬種配方中找到了符合小米需求的小米泰坦合金。

這套系統不僅可以應用於汽車，還能用於手機等更多產品的材料研發中。

值得一提的是，小米泰坦合金是一種高強高韌的免熱處理環保壓鑄材料。我們在製備小米泰坦合金時加入30%的循環鋁，每個零件實現碳減排352.53Kg，峰值產能相當於每年多種植488萬棵樹。

第二個質檢方面。

一體化壓鑄成型後，由於材料、溫度、工藝等因素影響，壓鑄件可能會產生各種內部缺陷。需要對整個零件進行全方位檢測，在高質量標準下，需要精準識別出毫米級缺陷。人工檢測會存在個體差異性和主觀判斷情況，不同檢測員對缺陷定義、標準有所不同。同時還存在長時間檢測帶來的疲勞和注意力問題。

因此，我們搭建了視覺大模型質量判定系統，能夠檢測出毫米級別的缺陷，並識別缺陷的類型、大小，為工藝優化提供依據。它的準確率超過99.9%，即使是肉眼難以識別的細微缺陷，也能迅速查清，檢測效率和檢測精度，都有巨大提升。

視覺大模型質量判定系統背後搭載的是我們自研的工業質檢大模型。大模型以及相關的Agent技術，都需要用戶提供Prompt來表達意圖。但是，在工業場景中，我們的目標是實現無人工交互全自動化部署，因此，我們提出一種端到端的質檢大模型，無需任何人工交互。

在大模型訓練方面，通過半監督方法進行訓練，只需少量人工標註即可達到非常高的性能。此外，我們還優化了大模型解碼器，幫助邊緣分割更加絲滑，精準統計二維圖像缺陷面積，估計三維尺寸。

「AI定義汽車」的新拐點

自從特斯拉提出「軟件定義汽車」概念以來，現在汽車行業正迎來從「軟件定義汽車」到「AI定義汽車」的新拐點，這個拐點的標誌就是大模型在汽車上的應用。

那麼，如何實現用大模型賦能汽車製造，使其製造走向智造，我認為有三個方面。

第一個方面是數字化的基建。數據是大模型時代最寶貴的資產之一，與互聯網相比，工業製造行業的數字化程度還有待提升，導致數據難以獲取。

對於小米而言，我們對數字化建設非常重視，從最初的設備選型上，我們就充分考慮了需要採集哪些數據、並把能否數字化作為設備選型的重要依據。將這些設備產生的數據進行閉環管理，可以持續為工業大模型注入血液。

第二個方面是標準。汽車智能化上，在國家、政府的支持和推進下，很多優秀企業都做了自己的探索。但是還存在於點狀的、自發的狀態。如何建立數據標準、行業標準，實現產業上下遊協同，需要繼續努力。

第三個方面是大模型。大模型是當下熱點，但目前還是以互聯網研究、應用為主。如何探索適合工業場景的大模型技術，實現智能感知、智能預警、智能決策，深度賦能汽車智能製造的各個環節，實現AI定義汽車，還有很長的路要走。

最後，小米在工業智能化轉型做了一些探索，我在這裏也拋磚引玉做了一些分享，也期待越來越多的AI人才、專家的加入，實現製造業的智能化變革。

謝謝大家！