“蝴蝶不是要取代人工，而是要做汽车安全工程师的副驾驶。”
AIfromDay1
木卫四从成立的第一天起就秉承“AI驱动汽车安全”的理念。网络安全是攻防双方的持续成长和对抗，利用人工智能可以快速定位发现未知威胁、应对持续变化的新型攻击。在与汽车行业客户密切互动的过程中，我们发现了以下痛点需要人工智能的辅助:
1、风险分析和定位能力不足:
传统手段分析问题时缺乏准确、迅速和有效的风险分析和定位能力，难以及时识别和解决可能对车辆安全产生影响的潜在问题。
2、合规性理解存在缺口:
行业缺乏持续评估和改进风险的产品，来有效地识别和缩小与行业规范之间的差距。
3、高效发现问题是关键:
如何从海量数据中及时发现问题，如车机黑屏、应用重启、付费失败等，成为提升运营能力的关键。
4、故障处理不及时:
故障处理上可能面临复杂的情况，如何利用多样的数据随时发现诸如100KM的电量消耗异常、大量的功能失效、刹车片磨损异常等问题。
5、技术更新和员工培训是刚需:
汽车行业需要不断更新自己的技术栈，并对员工进行持续的培训。然而，技术更新和员工培训可能会面临资金、时间和资源的限制。
为了满足客户需求，木卫四正式发布了“蝴蝶”——百亿参数汽车安全垂类大模型。
如果你是汽车的安全工程师或质量工程师，“蝴蝶”将成为你的得力助手。它可以帮助你像经验丰富的高级专家一样快速准确地分析问题，让你在处理车辆问题时更加游刃有余。
人机协同是汽车安全的未来
通过分析大量的数据，人工智能可以快速识别出异常状态，并采取相应的措施。然而，人工智能并不是万能的，人工智能和专家知识的结合将成为未来的工作模式。
“蝴蝶”是一个汽车安全Copilot。无论你是新手还是资深专业人员，“蝴蝶”都能成为你值得依赖的助手。“蝴蝶”可以提供专业的指导和建议，帮助做出更精确的决策，大大缩短对关键事件的响应时间。
“蝴蝶”产品架构
木卫四自有的百亿级规模数据和上百个机器学习、深度学习模型，通过预训练和微调沉淀到“蝴蝶”大模型底座当中，利用“蝴蝶”的代码生成能力、汽车异常推理能力、汽车安全场景意图识别能力，并结合木卫四开发的代码生成Self Debug模块、汽车异常分析约束模块，来保证AI生成的安全性和可靠性。“蝴蝶”推理结果通过系统接口层输出到蝴蝶New Chat、V-SOC、V-DSP、VTI等木卫四汽车安全系统，并私有化部署到车企私有大语言模型。
蝴蝶大模型基于标准 Transformer 结构，在数十类与汽车异常处理相关的高质量token的训练数据上，训练了130亿参数大模型，支持中英文，上下文窗口大小为16K。
与ChatGPT-4相比，蝴蝶基于清晰的数据库表和字段操作，以及对车联网知识积累的自然语言理解能力，数据处理任务错误总数减少了约11%，特别是在车辆故障和安全分析相关的数据处理任务上，错误比例下降了34%，这说明木卫四蝴蝶大模型在校准底座模型偏差方面效果显著。
在网络安全、故障维修等知识库注入模型的过程中，我们对这些知识进行了特殊处理和加强，在推理时引入多个检索模块，将通识模型、专业模型和车型知识库融为一体，并对模型推理逻辑进行了约束，尽可能减少模型幻觉，为木卫四蝴蝶大模型带来超过20%的准确率提升，在很大程度上提高了模型反应的可靠性。
一次创新尝试，一场行业飓风
“蝴蝶”的交互方式简单直接:- 会话上下文继承和理解； - 对所提问题直接给出答案，答案支持图、表格和文字输出结果； - 对答案可以生成Excel、PDF文件，并支持下载； - 对所提问题生成SQL和Python，可以复制便于工程师复用。
每个事件都可成为日常任务: - 对于安全专家来说，蝴蝶可自动执行数据收集、提取以及异常检索和分析等重复且繁琐的任务。 - 通过简单的自然语言提示，可以使用蝴蝶针对某一类问题提供的SQL、Python生成日常任务，无需重复编写。
通过可私有化部署的大模型实现自然语言环境下针对汽车异常问题的深度分析，协助不同部门的工作人员进行网络安全、数据安全、功能安全和预测性维护问题的快速定位，提供解决方案，提升工程师的效率。
今天，蝴蝶只是扇动翅膀，带来一点小小的改变，未来或许会给行业带来飓风级的影响。
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
