国产视频一区三区_久久久精品性_在线精品一区_欧美在线视频二区_国产精品一区在线观看_精品不卡视频_欧美亚洲免费高清在线观看_欧美视频久久_国产精品一区毛片_国产日韩一区

一、 引言

隨著ChatGPT走紅，AI大模型的熱度與日俱增。不到一年的時間，國內已經進入了“百模大戰”，10億參數規模以上的大模型就已經近百，20%左右是通用大模型，80%左右是垂直領域大模型 [1] 。各行各業都在思考和討論如何借由AI大模型加速行業發展，為企業賦能。以北京為例，2023年北京首批發布的行業大模型典型應用案例覆蓋了醫療、電力、消費、金融、建筑、交通、汽車等多個行業 [2] 。

汽車行業作為科技創新的主力軍之一，同時疊加汽車電動化與智能化兩大趨勢，AI大模型“上車”成為眾多車企的必選項。AI大模型正在悄然改變汽車行業。本文擬通過梳理AI大模型在汽車行業的應用場景，分析AI大模型“上車”的重點法律問題并提供相關風險防范建議。

二、 AI大模型的概念和常見類別

1.     基本概念

AI算法是一組通過計算機代碼形式體現的計算規則，用于處理和分析數據?；谝延袛祿\行AI算法后所得到的模型數據集與AI算法共同構成了AI模型，AI模型可作為未來推理預測的基礎和處理相關數據的參照。

AI大模型通常是基于海量規模數據集運行相關算法完成預訓練后的產物。以GPT大模型為例，從GPT-1到GPT-3，模型的參數量從1.17億個增長到了1750億個，最新發布的GPT-4據悉已達到了萬億級別的參數量 [3] 。

2.     常見類別

(1)  自然語言處理類大模型

自然語言處理（Natural Language Processing，縮寫為NLP）是一種使計算機能夠認知、理解、生成人類語言的技術。常見的自然語言處理類大模型包括大語言模型（Large Language Model，縮寫為LLM），即包含數十億以上參數的旨在理解和生成人類語言的大型語言模型。

ChatGPT是基于大語言模型的典型產品，一方面ChatGPT能夠認知、理解人類提出的問題和要求，另一方面ChatGPT能在一定程度上幫助人類完成回答問題、規劃行程、購買產品、預約服務、創作、摘要、編程等工作。

(2)  計算機視覺類大模型

計算機視覺（Computer Vision，縮寫為CV）是計算機和系統從圖像、視頻和其他視覺輸入中獲取有意義的信息，并根據該等信息采取行動或提供建議的技術。

MetaAI于2023年4月在官網發布了基礎模型Segment Anything Model（SAM），該模型在包含超過10億個掩碼的多樣化、高質量數據集（SA-1B）上進行訓練，可以對圖像中的各類對象進行分割，屬于一種計算機視覺類大模型 [4] 。由于圖像分割是許多任務中的基礎步驟，SAM后續可能在自動駕駛、車牌識別、人臉識別等場景得到進一步應用。

(3)  多模態大模型

多模態大模型指能夠處理、分析文本、音頻、圖像、視頻等多種輸入類型并相應輸出的大模型。相較于經過單一的文字類數據訓練的自然語言類模型，多模態模型在訓練階段融合了多維度的數據，因此具備更高的通用性，可應用的場景也更多。

2021年，OpenAI發布了Contrastive Language-Image Pre-Training （CLIP）模型，該模型是一種從文字覆蓋到圖像的多模態模型，可以在無監督預訓練之后將文本和圖像對應，從而基于文本對圖片進行分類，而非只能依賴于圖片標簽 ^[5] 。CLIP可以廣泛應用于圖像檢索、圖像生成、視覺導航等場景中。此外，OpenAI還推出了一個名為DALL-E的模型，它是在CLIP模型的基礎上開發的一種生成模型，能夠基于自然語言描述和/或圖像生成圖像，該模型也屬于一種多模態大模型 [6] 。

三、 AI大模型在汽車行業的應用場景

AI大模型目前在汽車行業的應用場景主要包括智能座艙與自動駕駛：

1.     智能座艙

越來越多的車企開始考慮在車內引入AI大模型。針對當前車載語音系統智能化、個性化、情感化、交互性不足等問題，自然語言處理類大模型可以賦予車載語音系統以智能和情感，從而使車載語音系統能夠處理完整對話并可以保持對前后文的理解，能夠記錄用戶的喜好和習慣；同時，多模態大模型可以助力融合語音、視覺、手勢、文字等多種交互方式，滿足用戶在不同場景下的不同使用習慣，從而賦予用戶良好的人車交互體驗。

2.     自動駕駛

自動駕駛系統一般分為感知、決策和執行三個環節。目前AI大模型主要運用于自動駕駛的感知環節，但未來AI大模型的作用有可能延伸到自動駕駛系統的決策和執行環節。此外，AI大模型還可能會被應用于自動駕駛相關模型的預訓練。

(1)  感知環節

感知環節數據的收集一般通過攝像頭、雷達等傳感器完成。為了能夠做出可靠的駕駛決策，對感知層收集到的多種數據進行充分融合并準確理解至關重要。

對此，多模態大模型有助于對傳感器收集到的原始數據或從原始數據中提取的相關特征，在統一相關時間和空間后，映射到統一坐標系下進行前融合或特征融合，從而提升感知環節的精度。業內存在一種觀點認為，相較于計算機視覺類大模型僅基于攝像頭的純視覺方案而言，基于攝像頭和雷達的成熟的多模態大模型感知方案安全性可能更高，因為雷達為感知環節提供了安全冗余。

此外，在相關大模型的賦能下，自動駕駛車輛可在感知環節實時收集車輛周邊的環境信息、理解交通規則并預測其他車輛的行為，從而可以減少甚至去除對于高精地圖的依賴。大模型賦能為“脫圖”提供了技術和理論上的可能性，“重感知，輕地圖”可能成為行業發展的主流方向。目前不少自動駕駛廠商相繼提出“脫圖”時間表。

(2)  端到端感知決策一體化

多模態大模型等AI大模型可能促成輸入數據到輸出控制僅通過一個AI大模型實現，實現“端到端”控制和感知決策一體化。端到端感知決策一體化方案的優勢在于其使得自動駕駛成為一個整體，避免級聯誤差，更貼近人類的駕駛過程；其劣勢在于該模式屬于黑箱模型，出現問題時較難快速找到問題所在，需要依靠推測和實驗進行調整，存在一定安全性隱憂，故目前尚未成為自動駕駛的主流方案 [7] 。盡管如此，目前仍有不少自動駕駛廠商在積極探索端到端感知決策一體化方案安全落地的可能性。

(3)  模型預訓練

在模型訓練階段，挖掘到有價值的數據后，需要對采集的數據進行標注，將未經處理的初級數據進行加工處理，轉換為機器可識別的數據集，從而用于實現對模型的訓練和迭代。

自動駕駛語境下的數據多為攝像頭收集的圖像、視頻數據，對該等數據的標注涉及2D至4D標注、車道線標注、語義分割等，復雜性高、工作量大，若全部由人工標注，可能存在效率低、成本高和準確性差等問題 [8] 。借助計算機視覺類大模型可實現以AI自動數據標注為主，人工復核為輔的進階模式，有助于加速數據標注工作流程并大幅降低數據標注成本。

除使用真實場景數據外，自動駕駛相關模型的訓練還可能使用仿真場景數據。仿真場景數據成本低，無需標注，且可構建邊緣場景（如極端天氣、長尾場景等），從而彌補大模型訓練數據成本高、數量不足等問題。計算機視覺類大模型、多模態大模型等大模型可助力構建高仿真場景，縮小仿真數據與真實數據之間的差異，提高場景泛化能力，并提高仿真場景的針對性 [9] 。

四、 AI大模型“上車”時車企需要關注的主要法律問題

在AI大模型“上車”逐漸成為眾多車企發展目標的同時，相應監管要求也正日益出臺。相關企業（包括車企，技術研發企業、方案與零部件供應商等）需關注如何落實AI大模型“上車”相關合規要求，應對AI大模型這一新技術新應用帶來的合規風險和挑戰。

（一）          分類分級監管

如果說數據是AI大模型的血肉，那么算法就是AI大模型的骨架。針對AI大模型的該兩大核心要素，我國均提出了分類分級監管要求。

1.     數據分類分級

2021年以來，《數據安全法》與《個人信息保護法》等數據保護法規相繼出臺，中國確立了數據分類分級監管的基本思路。

與AI大模型“上車”帶來的應用革新伴生的是相關企業收集數據的種類愈發多元化，收集數據的數量呈指數級增長，對所收集數據的分析利用更加復雜。相應的，相關企業面臨的數據安全風險更高，帶來的數據分類與分級工作的壓力也更大。

(1)    智能座艙場景涉及的主要數據種類

如今，智能座艙已從觸摸式中控大屏時代躍入人車交互時代。在新一代智能座艙中，通過基于多模態大模型的新一代人機交互技術與互動設計，車內人員可以僅通過語音或動作方式發送指令，甚至，可以僅通過“給一個眼神”來向智能汽車傳達需求。

根據不同的人機交互技術，新一代智能座艙可能收集的數據主要可分為以下四類：

l   視覺反饋數據

在搭載車內人員監控系統（DMS/OMS）的智能座艙內，車機系統可以通過攝像頭追蹤車內人員瞥向某一屏幕的視線，隨即自動亮屏或喚醒車載助手；或者通過眼動追蹤與面部狀態監控，識別駕駛員是否分心或者疲勞駕駛，從而適時發出提醒。

在智能座艙捕捉并分析車內人員的視線過程中，涉及收集車內人員眼睛位置、眼球反光點、眼球移動指標、視線停留時長等多種數據。

l   語音感知數據

通過AI語音與語義識別技術，智能座艙整體已經可以較好實現在自然環境中識別車內人員的指令，并作出正確響應。為了實現良好的語音交互效果，智能座艙需要收集車內語音，并對其進行語義分析，再根據語義分析結果對語音指令作出反饋。語音指令中可能包括家庭地址、公司地址、聯系人姓名和電話、通訊錄、住宿信息、行程等個人信息。智能座艙還可能收集車內人員的聲紋信息，從而根據不同聲紋判斷聲音的來源。

l   行為感知數據

新一代智能座艙可以通過攝像頭收集車內人員的手勢、面部朝向、身體位置、頭部轉動方向等數據，并根據該等數據分析車內人員的意圖作出反饋。例如，對著車載屏幕揮手實現不同應用之間的切換。

l   其他常規數據

新一代智能座艙一般仍保留傳統中控大屏，車內人員可通過中控大屏實現用戶注冊，查詢信息，更改車內參數等功能，這個過程中可能涉及收集車內人員的姓名、電話、住址、住宿信息、行程等個人信息。

由此可見，智能座艙收集的車內數據中包含不少個人信息，其中還涉及聲紋、面部識別特征、通訊錄、住宿信息、行蹤軌跡等敏感個人信息。若收集的個人信息數量較大，大規模的個人信息作為一個整體可能構成重要數據。

(2)    自動駕駛場景涉及的主要數據種類

自動駕駛技術的關鍵在于賦予車輛以“眼睛”和“大腦”，促使車輛可以像駕駛員一樣收集、識別和理解車輛周邊的道路、信號燈、車道線、指示牌、其他車輛、行人、其他障礙物等信息，并進行相應的決策和執行環節。

培育AI大模型這一自動駕駛“大腦”的過程中，需要集采和測試車輛收集大量數據，實際自動駕駛的過程中，亦需要通過攝像頭、雷達等車輛的“眼睛”收集大量數據，可能收集的數據主要包括以下幾類：

l   面向車外的攝像頭數據

攝像頭將收集車輛周邊的道路、信號燈、車道線、指示牌、其他車輛、行人、其他障礙物等圖像、視頻格式的數據，其中可能涉及人臉信息和車牌信息。

l   雷達數據

激光雷達、毫米波雷達、超聲波雷達等雷達可以收集車輛周圍障礙物的尺寸、位置、形狀及與障礙物的距離等數據。

l   從車輛本身獲取的數據

包括車速、轉向方位、轉向角度、GPS位置、剩余油量等從車輛本身獲取的數據。

l   時間與位置數據

此類數據作為附加信息，反映了以上各類數據記錄的時間與地理位置。

不同于智能座艙收集的多為個人信息，用于訓練自動駕駛相關算法的數據主要為車輛周圍的道路狀況、建筑物、車輛密度、行人數量等非個人信息，僅包括少量個人信息如人臉信息、車牌號等。

自動駕駛過程中收集的部分非個人信息可能構成重要數據，如包含人臉信息或車牌信息等的車外視頻或圖像數據，以及某區域的車輛流量或人員流量等經濟運行數據（自動駕駛技術往往需要海量數據用于訓練和迭代AI大模型，通過對海量技術的綜合分析，可能掌握某區域的車輛流量或人員流量等經濟運行數據） [10] 。 

為了更好地應對數據分類分級的合規要求，相關企業首先可以盤點車內外收集的數據資產并標記不同數據的“類別”與“級別”，在標記數據“類別”與“級別”時，可以參考對數據分類分級的相關規定和指引，如《汽車數據安全管理若干規定（試行）》以及數據分類相關國家標準和行業指南；然后，企業可以根據標記實施不同管理措施，例如對不同類別、級別的數據采取訪問權限控制等措施，對于特別敏感、重要的數據，例如GPS信息、通訊錄信息、人臉信息、車牌信息等，可以不上傳到云端僅在車內處理或者脫敏后再上傳到云端處理。

2.     算法分類分級

除了對數據分類分級監管，中國也正在推進算法分類分級監管機制。

不久前施行的《生成式人工智能服務管理暫行辦法》中明確提出，將“針對生成式人工智能技術特點及其在有關行業和領域的服務應用，完善與創新發展相適應的科學監管方式，制定相應的分類分級監管規則或者指引” [11] 。這呼應了2021年國家網信辦等九部委發布的《關于加強互聯網信息服務算法綜合治理的指導意見》中提出的要“堅持風險防控，推進算法分級分類安全管理，有效識別高風險類算法，實施精準治理”的要求 ^[12] 。

我國雖然尚未出臺算法如何分類分級及實施監管的具體制度，但從我國目前對算法的監管思路（請見下文分析）可以看出，我國對風險相對較高的且具有輿論屬性或者社會動員能力的算法采取了算法備案和安全評估等監管手段，該手段是一種對高風險類算法實施精準治理的專門措施。

參考以上監管思路，我們理解智能汽車場景下具備一定風險的算法包括可能具有影響意識形態、威脅人身安全、違背道德倫理等不利后果的算法。就智能座艙而言，AIGC類相關算法根據車內人員提示輸出的回復可能具有影響輿論、意識形態的風險，這要求相關企業就智能座艙中搭載的AI大模型輸出的內容進行合規風險控制。就自動駕駛而言，相關算法可能影響自動駕駛感知環節信息識別和理解的準確性，一旦感知環節識別和理解的信息不準確，可能會對車內外人員的人身安全帶來嚴重威脅，因此，開發者們需要在開發相關AI大模型的過程中采取適當措施保證AI大模型的可靠度和安全性。此外，在緊急場景下，如在車輛面臨“有軌電車難題”時，AI大模型的決策還可能會帶來道德倫理方面的風險，開發者在設計自動駕駛決策相關算法時需考慮如何處理該等特殊場景。

歐洲也提出了一種算法分級監管的規則。2023年6月，歐洲議會通過了《人工智能法案》（Artificial Intelligent Act）（草案）（“AI法案草案”），其提出了一種基于風險的分級管理方法 ^[13] 。AI法案草案參考功能、用途和影響將人工智能的應用分為四個風險級別，即不可接受的風險、高風險、有限風險和低風險 [14] 。不同風險級別對應不同的監管要求，例如，對于高風險類人工智能，要求進行事前評估后才可投入市場 [15] 。AI法案草案還列舉了特定領域的高風險類人工智能系統，包括道路交通、供水、供氣、供熱和供電關鍵基礎設施的管理和運營等八類 [16] 。后續中國在制定算法分類分級監管規則或者指引時，歐洲立法經驗或可成為有益的參考。

（二）          算法備案與安全評估

我國目前對算法的主要監管手段包括算法備案和算法安全評估。對于具有輿論屬性或者社會動員能力的推薦性算法，我國要求此類算法的互聯網服務提供者、算法推薦服務提供者、深度合成服務提供者及生成式人工智能服務提供者履行算法備案手續 ^[17] ，并開展安全評估 ^[18] 。此外，對于深度合成類算法，若涉及生成或者編輯人臉、人聲等生物識別信息的，或者涉及生成或者編輯可能涉及國家安全、國家形象、國家利益和社會公共利益的特殊物體、場景等非生物識別信息的，深度合成服務提供者和技術支持者也應當開展安全評估 ^[19] 。

推薦性算法包括生成合成類、個性化推送類、排序精選類、檢索過濾類、調度決策類等算法。針對智能座艙場景，其使用的AIGC相關算法屬于生成合成類算法，通常屬于具有輿論屬性或者社會動員能力的算法，因此需要完成算法備案和安全評估。而自動駕駛場景下，其使用的算法不必然“具有輿論屬性或社會動員能力”，因此相關企業可能不一定需要就該等算法進行算法備案和安全評估。

對于企業如何開展算法安全評估，我國尚未出臺具體細則和指引。2023年8月6日發布，并將于2024年3月1日實施的《信息安全技術 機器學習算法安全評估規范》（GB/T 42888-2023）對算法推薦服務提出了一套詳細的評估方法，具有一定參考價值。該標準提出，服務提供者可以從算法主體責任、信息服務、權益保護等方面開展評估工作，并詳細列出了各項評估事項下具體應開展的工作以及評估要點，例如應當查閱哪些文件、審核哪些合規義務是否完成等 [20] 。此外，該標準也建議了對于生成合成類、個性化推送類、排序精選類、檢索過濾類、和調度決策類五類算法的評估方法 ^[21] 。

其他國家目前也正在建立算法影響評估制度。例如，2022年2月，美國提出《2022算法問責法案》（The Algorithm Accountability Act of 2022）（以下簡稱“美國算法問責法案”） ^[22] ，也可在一定程度提供參考價值。美國算法問責法案提出了算法影響評估制度，其規定的評估內容包括：應評估算法應用過程中的隱私風險和保護措施、用戶權利保障水平、對用戶可能產生的風險及應對策略等 [23] 。

（三）          科技倫理審查

隨著《科技倫理審查辦法（試行）》公布，我國的科技倫理監管規則變得更加清晰?！犊萍紓惱韺彶檗k法（試行）》主要規定了科技倫理審查的適用范圍、責任主體、主要程序，以及各類主體的監督管理職責。

根據《科技倫理審查辦法（試行）》，企業開展涉及AI的科學研究活動（包括智能座艙、自動駕駛相關AI大模型的研發與應用），較可能屬于開展對“生命健康、生態環境、公共秩序、可持續發展等方面帶來倫理風險挑戰的科技活動”，從而需要開展科技倫理審查 ^[24] 。

如果企業的人工智能科技研究內容涉及科技倫理敏感領域，該企業應設立科技倫理（審查）委員會 ^[25] 。對于應用AI大模型開展自動駕駛研發活動的企業，由于自動駕駛技術本身的高度倫理敏感性，相關技術的研發企業有可能屬于應當設立科技倫理（審查）委員會的義務主體。

此外，《科技倫理審查辦法（試行）》還提出要建立需要開展專家復核的科技活動清單制度，對可能產生較大倫理風險挑戰的新興科技活動實施清單管理 ^[26] 。清單上的企業通過本單位科技倫理（審查）委員會的初步審查后，需由本單位報請所在地方或相關行業主管部門開展專家復核。根據目前已公布的清單，智能座艙相關AI大模型研發可能屬于“具有輿論社會動員能力和社會意識引導能力的算法模型、應用程序及系統的研發”，自動駕駛相關AI大模型研發可能屬于“面向存在安全、人身健康風險等場景的具有高度自主能力的自動化決策系統的研發”，因此可能需要開展專家復核 ^[27] 。

目前，對于不同類別的科技活動應當遵循何種審查標準，仍是有待討論和解決的問題。一些國家和地區正嘗試明確何為“符合科技倫理”的科技活動。

以自動駕駛為例，德國提出了“自動駕駛算法倫理準則二十條”（以下簡稱“倫理準則二十條”），旨在規定自動駕駛算法研發中應遵循的原則 ^[28] 。自動駕駛算法開發活動中的核心倫理問題之一是，是否允許量化比較生命的價值。比如多人的生命是否比一個人的生命更富有價值，或者生命的價值是否能以年齡、性別、外表等因素衡量。倫理準則二十條對這種倫理困境提出的解決方案可概況為四點：首先，人的生命優先，動物與無生命的財產可以被犧牲；第二，生命與生命之間不可衡量；第三，不得基于人群特征預先設定方案；第四，面對真正的倫理困境，應當交由人類決策。盡管倫理準則二十條的上述倡議未直接明確何為“符合科技倫理”的科技活動，但該等原則性的解決方案對于判斷何為“符合科技倫理”的科技活動提供了一定框架和參考。

就目前而言，企業如果希望開展科技倫理審查，除了依據有限的法規以外，也可考慮聘請外部專家協助企業設立科技倫理（審查）委員會，制定企業內部的科技倫理審查標準。對于可能需要上報開展專家復核的較大倫理風險的科技活動，企業可考慮盡早與相關監管部門溝通，并對行業內的科技倫理審查具體標準保持關注。

（四）   數據語料的有序合法流動

數據是AI大模型的核心要素之一，數據質量和數據規模很大程度決定了AI大模型的整體效率和質量。AI大模型開發企業目前使用的數據語料的主要來源有三個方面，一是點對點從第三方處購買，二是購買數據交易所內公開上架的產品，三是使用開源數據集等免費公開數據。

1.     點對點數據流動

從第三方點對點購買大量數據是獲取數據語料的途徑之一。然而，對于希望訓練汽車行業AI大模型的開發者而言，購買訓練所需數據并非易事。

如前文所述，用于迭代自動駕駛相關AI大模型的訓練數據可能含有重要數據。根據《工業和信息化領域數據安全管理辦法（試行）》，提供重要數據和核心數據的，應當與數據獲取方簽訂數據安全協議明確雙方的法律責任，對數據獲取方數據安全保護能力進行核驗，并需要采取必要的安全保護措施 ^[29] ，如校驗技術、密碼技術、安全傳輸通道或者安全傳輸協議等措施 [30] 。企業獲取重要數據后，也需履行作為重要數據處理者的一系列合規義務，包括履行不同維度的申報、備案義務、采取更嚴格的安全保障措施、制定并執行重要數據處理活動全生命周期的管控制度和流程等。

對于應用于智能座艙的AI大模型，則更需要大量個人信息用于訓練模型。我國個人信息保護制度對個人信息的共享活動提出了一系列要求。例如，《個人信息保護法》要求個人信息處理者將個人信息對外提供的，應當告知個人并取得同意，還需進行個人信息保護影響評估 ^[31] 。《信息安全技術-個人信息安全規范》（GB/T 35273-2020）則明確指出，在共享或轉移個人信息時，應通過合同等方式規定數據接收方的責任和義務 ^[32] 。關于數據處理協議應當具備的主要內容與注意事項，請參考我們的文章《個人信息流動中的數據處理協議，你準備好了嗎？》。

2.     數據場內交易

隨著我國大力推進數據交易所的設立，越來越多企業選擇將優質數據產品上架至數據交易所進行交易，其中不乏以數據集、API、數據報告、數據模型為交付形態的相關產品 ^[33] 。

對于購買方，其獲取數據的過程需同時遵守法律法規規定的數據保護合規義務以及數據交易所的交易規則。對于出售方，其上架的數據產品還需通過數據交易所對數據產品的合規評估。

如果相關企業考慮將自身擁有的數據集、算法、模型等上架數據交易所，可能需要提交關于數據來源、數據授權使用目的和范圍、數據處理行為等方面的說明材料以及第三方服務機構出具的數據合規評估報告。該等數據合規評估報告一般包括對交易主體經營風險、交易標的的來源合法性、可交易性和可流通性等事項的評估結論，出售方企業需對此預留時間完成相應準備。

3.     使用開源數據集

在汽車行業，使用開源數據集訓練AI大模型較為普遍。目前市面上已有不少高質量的開源數據集，幫助開發者“站在巨人的肩膀上”進行研發。

但是，開源并不代表毫無限制。開源數據集往往配套數據集許可協議，旨在規范他人對數據集的利用，保護作者的權益，以及促進數據的開放共享。數據集許可協議一般約定使用者是否應當保留原作者姓名、是否允許商用、是否允許基于商業目的傳播、改編或者二次創作，是否要求基于原作的新作品也使用相同的許可協議等內容。企業使用開源數據集進行AI大模型科研活動的，除了應遵守法律法規規定的合規義務外，還需留意數據集許可協議中約定的義務。

五、 結語

AI大模型為汽車行業實現高度智能化帶來了新生力量，同時也為企業帶來新的合規風險敞口?，F有的數據、算法、科技倫理等相關監管要求相對復雜，對企業的法律解讀能力與合規實踐水平提出了較高要求。在汽車行業擁抱AI大模型的時代，相關企業不僅應追求技術領先地位，同時也應提升合規經營水平，方能保持長期健康發展。