人工智能用到什么程度才算过量？
- SBD Automotive
- 2025年12月11日
- 16 分钟阅读
更新日期：2025年12月15日
考虑采用记分卡方法来推动人工智能的负责任与可持续部署
作者：
莱利·基恩 – 高级顾问，法规与政府事务部
安迪·邱 – 高级经理兼人工智能/机器学习领域专家 SBD Automotive
第0节：人工智能是圣杯还是警示故事？
让我们先承认一个简单却残酷的事实：企业的商业需求很少与消费者的需求相契合。长期以来，汽车行业 试图调和这种矛盾，却陷入了日益复杂的困境——技术发展日新月异，监管政策摇摆不定，贸易成本不断累积。
该行业正面临前所未有的压力：
全球经济紧缩与不断演变的贸易政策正挤压着主机厂 供应商主机厂 利润空间，导致供应链审查与改革进入紧张时期。
与此同时科技巨头 比以往任何时候都更像一台"计算机"，投资者要求品牌差异化程度更高，正推动汽车制造商向硅谷科技巨头 行列迈进。
此外，各国政府也施加着压力，它们正将汽车制造商定位为区域政治和国内保护主义的支柱，期望其能为保障劳动力市场安全作出贡献；成为抵御不断演变的隐形全球威胁的网络安全堡垒；并设计、制造和销售比"竞争对手"更多、更优质的产品——而各地对此类举措的支持力度各不相同。
在所有这些事物的交汇处，人工智能（AI）的"灵丹妙药"正静静地伫立着。
上述因素及其他因素正推动主机厂 软件定义汽车（SDV）和数字化营收模式，因此乍看之下，人工智能似乎能完美契合所有问题的解决方案。
它能优化软件开发供应链；能实现新型互联功能与SaaS模式；能降低不断攀升的劳动力成本；能以创纪录的效率管理和分析日益深化的数据湖；能推动智能制造转型；能让数日研究成果触手可及；简而言之：它能为企业提供他们苦苦追寻的竞争优势。
表面看来，这似乎好得难以置信——而遗憾的是，这类事情往往确实如此。当整个行业、企业乃至个人都争相试图利用人工智能承诺带来的好处时，一些关键问题（以及潜在后果）却被草率地忽略了。
对于所有渴望并经常使用人工智能的人而言，反对人工智能的情绪同样日益高涨。这种情绪源于诸多不满：从基础层面而言，人们感到被冗余的人工智能功能过度淹没，"技术膨胀"对建议零售价的影响；到更复杂的议题，如信任问题、责任框架不明确，以及人工智能数据中心对土地、能源和水资源的消耗成本。而人工智能可能并非 引发两极分化，但对某些品牌和特定应用场景而言，它可能根本不适用。
有些日子，仿佛整个世界都准备好为人工智能创新做出这些牺牲——但我们真的应该这样吗？我们必须这样吗？
要解决这个问题，我们必须探索一种更审慎的人工智能方法——这种方法应承认决策者的独特地位 以及 终端用户。
本文通过一个框架汽车行业 审视其人工智能的实施，该框架着重关注用户影响、品牌契合度和需求持久性，同时平衡资源成本、风险和治理，以确保 负责任的 部署和 可持续 收益。
第一部分：以目标为先导，而非技术
在制定评估指标之前，主机厂 首先回归其"为什么"的初衷。
当新闻周期充斥着尖端产品发布和概念时，压力是不可否认的。没有公司愿意落后，因此他们迅速自问：
“我们该如何实施？是选择内部开发还是外包？” “这在我们的运营中处于什么位置？” “何时能交付类似产品？” “该采用何种商业模式？”
在将人工智能像俗语所说那样扔向墙壁、看什么能粘住之前，请按下暂停键，再次问自己：为什么？ 为何选择这个领域？这个品牌？这个团队？这个产品？还是个人用途？
一种日益加深的思想分歧正在形成，尤其在美国，这反映出人工智能发展缺乏目标导向，且忽视了"为什么"这一根本问题。
一方面，一项新的 皮尤研究中心最新调查 显示，约5000名美国受访者中，半数（50%）对人工智能在日常生活中的日益普及表示担忧，而57%的人认为人工智能对社会构成高风险。
另一方面，人工智能的积极应用正在快速增长。在样本量相当的情况下（约5,000名美国公民）， 门洛创投的研究 发现61%的成年人过去六个月曾主动使用AI，约五分之一（19%）的用户每日使用，且覆盖所有年龄层。 对于39%的非使用者，其理由各异：多数人更倾向人际互动（80%），另有部分人担忧数据隐私与知识产权（71%）、准确性与可靠性（58%）、责任归属与法律风险（53%），还有人认为没有符合自身需求的合理应用场景（63%），这些观点总体上与皮尤研究中心报告中反映的情绪相吻合。
这种分歧——即多数美国成年人对人工智能持不信任态度，认为其"风险高"或认为其无价值，却又日益主动接触它——表明引发担忧的未必是技术本身，而是其应用的场景、方式以及是否经过深思熟虑。
对于主机厂而言，这意味着潜在收益的流失。 当门洛创投将研究范围扩展至全球时，发现约20亿人正在使用人工智能，但消费者支出仅约121亿美元。该市场呈现低普及率，仅3%的消费者正式购买人工智能服务。在这121亿美元中，通用人工智能助手贡献了绝大部分（81%）收入，其中OpenAI的ChatGPT单占该细分市场70%份额。
这意味着汽车制造商在通用人工智能助手领域仍有约29亿美元的消费支出（按当前普及率计算）可供争夺。该领域已存在诸多成熟产品竞争，包括微软Copilot、谷歌Gemini、 Meta AI、亚马逊Alexa、苹果Siri、三星Bixby、Claude等成熟产品展开竞争。其中部分服务已通过智能手机镜像功能（如AAOS、GAS和CarPlay）或开发合作引入车载系统。主机厂 若主机厂 开发原生虚拟个人助理（VPA），最终主机厂 蛋糕份额微乎其微。因此该行业尚未形成成熟商业模式：当前多数车载虚拟助理均由主机厂 免费提供主机厂 捆绑在现有联网服务订阅中。
若将视野拓展至AI助手之外，全球范围内面向消费者的其他AI产品领域总支出仅剩24.2亿美元主机厂 语音助手领域的既有玩家、新晋竞争者以及彼此之间主机厂 相较而言，这块蛋糕实在太小。SBD Automotive 类似现象，例如在AI导航领域同样存在这种竞争格局。
需要注意的是，门洛创投的研究未涵盖企业级人工智能应用——该领域在2024年实现显著增长，但2025年其应用普及率与营收增长均出现放缓。面向消费者的产品及其所体现的消费者情绪、实用性与需求，仅是针对专用人工智能更广泛评估体系中的一个维度。
第二部分：采用平衡计分卡方法
主机厂 采用多因素评估模型，确保其人工智能开发符合预期目标。虽然本记分卡示例侧重面向消费者的AI应用，但该框架可向上游供应链延伸，用于评估企业级AI、工程支持服务、智能制造等领域的AI应用。
任何此类评分卡至少应考虑以下加权维度：
客户需求与实用性——确保人工智能响应真实需求
第一部分简要探讨了消费者需求与实用性的若干关键案例，这些案例涉及公众对人工智能的普遍认知与接受程度，以及面向消费者的产品和应用程序在创收方面的潜力。然而，影响需求与实用性的多重因素同样应纳入本次评估考量。
评估车载人工智能时面临的持久挑战在于区分真实用户需求与行业驱动的热潮。尽管技术发展迅猛，许多消费者早已高度依赖车外的人工智能生态系统——例如Copilot、Gemini和ChatGPT——这引发了车载人工智能能否切实提升日常体验的质疑。早期证据表明，跨设备重复的功能往往会削弱用户感知价值，尤其在车厢这种受限且易受干扰的环境中。
行业观察还表明，用户对车载"智能"的期待并不统一。有人期待高度拟人化的对话式助手，也有人更倾向于工具化的体验——要求系统高效完成任务，而非扮演虚拟人格。然而当前多数汽车AI系统将智能视为固定设置，无法让用户自主调节系统的主动性、情境感知能力或"个性化"程度。
当涉及隐私问题时，情况就变得更为复杂。更高水平的智能通常需要更深入地获取个人情境信息——包括习惯、偏好、位置及沟通模式。然而，这些情境信息恰恰是许多用户犹豫的根源。在缺乏信任基础的情况下，部分驾驶员不愿向车载系统暴露如此程度的信息，无论该系统具备何种能力。
因此，用户期望的多样性与部署的人工智能体验的统一性之间正出现日益扩大的脱节。部分用户重视简洁性与最小化干扰，另一些则期待更丰富的辅助功能。功能能否维持长期参与度，越来越取决于其与这些不同偏好的契合程度，而非底层模型的先进程度。
地域差异在理解人工智能受众方面也起着重要作用。这与其他新型汽车技术（如电动化及数字化生活功能）的地域分化并无太大区别。中国消费者对汽车等产品所期待的功能性和便利性水平远高于欧洲，而欧洲本身又比美国更高。
2025年9月 麦肯锡公司的一份报告 指出，在中国市场，“智能驾驶舱功能和语音助手”是“关键优先事项”，而在美国和欧盟地区，这些功能仍属于“锦上添花”的配置。
这种预期（或缺乏预期）也带来了不同地区对新技术的相对理解度和采用率。这表明人工智能发展未必需要采取全球统一的策略，或者至少 引入 更应采取区域化策略。
例如，美国驾驶员对先进技术了解甚少或持更谨慎态度，若能通过主机厂官网或经销商获得更多教育指导，或在体验全人工智能驾驶舱前逐步接触简单应用，他们长期采用人工智能技术的可能性会更高。 这类似于驾驶员先熟悉L2级自动紧急制动和车道保持辅助系统，再信任乘坐L4级自动驾驶班车的情况。
可负担性与生命周期成本——单车成本与感知价值、维护及数据的对比
汽车人工智能的经济性仍是该行业最未解决的问题之一。尽管虚拟个人助理（VPAs）如今已广泛亮相，但车载人工智能服务的可行商业模式尚未形成。当前许多服务要么捆绑在联网套餐中，要么直接由主机厂承担成本，而非产生独立收益。这使得业界对人工智能长期运营成本能否通过其创造的价值得到合理化，产生了日益增长的不确定性。
这些担忧在业界广泛讨论中尤为突出，人们频繁质疑大型人工智能模型供应商收取的持续性费用。对众多汽车制造商而言，挑战不仅在于集成过程的即时成本，更在于当用户接受度与盈利机制尚不明朗时，难以构建具有说服力的商业案例。从一次性软件部署转向基于云端推理、托管服务及API调用的持续性服务模式，进一步增加了成本预测与预算规划的复杂性。
加剧这种紧张局势的是技术层面的现实：最新一代虚拟助手仍高度依赖云端模型。其规模和计算需求超出了车载本地处理能力，导致系统必须依赖外部基础设施。这反过来使汽车制造商面临与当前更广泛人工智能生态系统相同的连锁压力：高能耗、高水耗、数据隐私要求以及区域合规期望。 随着这些上游成本持续攀升，其带来的长尾财务负担已日益难以忽视。
综合来看，这些因素揭示出一种结构性失衡：新一代人工智能的复杂程度增长速度，已超过行业在经济层面支撑其发展的能力。在运营成本曲线与价值曲线趋于趋同之前，可负担性与生命周期可持续性仍将是车载人工智能普及进程中的核心阻力点。
正因如此，确保人工智能符合品牌与消费者的需求至关重要：既要证明短期、中期和长期的成本投入合理，又要从另一个角度确保成本可持续，从而最大限度减少服务和质量中断，避免长期损害用户信心。
环境影响——人工智能的推广与碳排放及资源预算有着内在联系
一项由 康奈尔大学 于2025年11月10日发布的一项全国性研究发现，仅美国境内的人工智能数据中心到2030年每年将排放2400万至4400万吨二氧化碳，相当于美国道路上新增500万至1000万辆汽车。对汽车制造商而言，这形成直接对比——与减碳指令、承诺及当前进展相比，这种情况难以调和。
美国环境保护署报告显示，2014至2024年间尾气排放量改善达64克二氧化碳/英里，据SBD Automotive可持续发展专家罗伯特·费舍尔估算，这相当于同期减少278万辆汽车上路行驶。
鉴于此，尽管并非直接因果关系，但在开发和供应链上游阶段引入人工智能，以及在最终产品中部署和维护人工智能，其影响可能抵消全国范围内十年或更长时间的平均尾气排放改善成果。
尽管交通运输仍是全球污染最严重的行业之一，尾气排放问题在政治目标与监管重点之间反复摇摆，但人工智能主机厂 环保活动家和监管机构提供了审视主机厂 的新途径。这对那些以环保理念为立身之本的品牌——例如纯电动汽车制造商——可能构成特殊挑战。
同一项研究估计，每年用水量在7.31亿至11.25亿立方米之间，其重要性与空气质量同等关键——主要主机厂ESG报告正聚焦于大型制造中心周边的资源保护工作。
还有能源问题。不仅是数据中心的能源消耗， 皮尤研究中心 预计到2030年仅美国就将达到426太瓦时，更涉及车辆架构本身的能源需求。
来自一系列专家 访谈 中，35%的受访者表示担忧"计算密集型的人工智能计算负载可能导致高能耗"，主机厂构成显著威胁，并可能削弱近期在电池效率和续航里程方面的改进成果。
风险与治理——安全、隐私及责任归属的模糊地带
人工智能系统的责任与问责机制在多数情况下仍未明确界定，各国/各省在人工智能治理、数据隐私及法律责任方面的政策处于不同发展阶段，且严格程度各异。责任归属不明的风险叠加超高速的发展与部署进程，正形成一个日益严峻的复合性问题。
人工智能事件数据库 该数据库通过一项记录部分印证了这一点：自2020年建立以来，累计记录了29亿美元的和解金及其他相关罚款。汽车制造商也未能幸免，数据库中就收录了特斯拉因自动驾驶系统致死黄沃尔特案达成和解的知名案例。
截至2025年7月，根据审计委员会报告显示，仅有25%的组织表示已全面实施人工智能治理计划。 AuditBoard报告 该报告对美国、加拿大、德国和英国进行了调研。尽管准备时间相当充裕——自2010年代初以来，人工智能已呈现可识别的形态并持续发展，而当前我们所处的AI爆发期也始于约五年前（即2020年左右）——但现状仍令人担忧。
更进一步，仅有三分之二的企业表示已建立针对第三方语言模型及供应商的人工智能专项风险评估框架并完成评估，这意味着约三分之一的企业在缺乏风险管理规划且存在重大漏洞的情况下，过度自信地依赖外部人工智能系统。
请谨记，治理不仅关乎安全、保障和法律要求，更是商业道德的重要体现。 人工智能应用的独特风险在于算法偏见，其成因主要取决于模型训练数据的质量——这些数据要么存在偏见，要么未能准确反映终端用户群体特征。由组织内多元身份、角色及职责代表组成的治理委员会，配合持续的数据审查机制，可有效识别并消除产品中存在的感知偏见与脱节现象。
通过循序渐进地推进人工智能发展，并确保健全的责任、风险及治理政策成为任何人工智能开发框架的基础要素主机厂 自身定位为这项技术的可信托管者。
品牌差异化——人工智能如何定义主机厂
所有上述评分卡因素最终都与品牌差异化这一核心问题相关：
人工智能功能应契合消费者对产品和品牌的真实需求与期望。
人工智能开发与维护的生命周期成本应由消费者需求和品牌契合度来证明其合理性。
应结合现有环境承诺及以可持续发展为先的品牌理念，审视人工智能资源成本（水、能源、土地）及其相关排放量。
全面的风险、治理和责任框架将保护主机厂安全、保障和问责方面的品牌形象。
汽车行业的非官方同质化现象——无论是车辆外观设计，还是车载娱乐系统默认采用AAOS和Apple CarPlay——已被众多消费者察觉，并最终波及股东利益，因为市场对新车型的反应始终冷淡。
人工智能及其应用方式，在行业品牌差异化重新成为首要任务的关键时期，可能决定主机厂 形象的成败。
第三部分：持续审查与监测
随着全球监管环境、数据可用性、技术能力、能源效率及公众情绪的同步演变，评分卡中内置的权重以及人工智能对业务的最终影响将持续发生变化。
这可能带来一定程度的不确定性，但通过采取主动的持续审查和监控措施，可以降低这种不确定性带来的风险。主机厂 定期审查其每个AI应用场景及记分卡中的指标，并结合以下考量进行评估：
该产品及其性能是否仍符合客户的期望？
它是否仍在创造可衡量的品牌差异化？
上游成本（资金、资源）是否仍具可行性？
风险与责任框架在实践中是否有效（数据是否安全、是否存在漏洞、驾驶任务是否仍保持安全）？
在此次审查过程中，确保建立以人为本的反馈机制至关重要，切不可仅依赖人工智能或其他数字系统来评估人工智能。正如OpenAI自身所建议的 建议：企业领导层应主动直接参与"学习如何创建符合组织需求和运营环境的特定情境评估"。人工智能治理文化应自上而下形成共识，自下而上付诸实践。
第四部分：负责任人工智能采用评分（RAAS）
决策的定量指标
为实现从定性哲学到定量决策的转变，我们提出负责任人工智能采用评分（RAAS）。该公式整合了前述各维度——既针对现代人工智能模型能耗高、云端依赖的技术现实，也考量了社会现实：即不存在适用于所有消费者的单一、统一的人工智能解决方案。
RAAS公式定义如下：
RAAS = 用户影响 × 品牌契合度 × 持久性 × ESG贡献
能源成本 × 治理风险 × 冗余
关键变量与约束条件
用户影响（区域加权）： 该评分需根据地区进行调整。由于文化差异、监管环境及消费者认知不同，某款对话型虚拟形象在中国可能获得高分，但在美国却可能表现不佳。
ESG贡献： 该功能是否能主动降低车辆碳足迹（例如AI优化路线规划），还是与注重可持续性的品牌形象相冲突？
能源成本（云端倍增器）： 这是关键的制约因素。由于当前生成式人工智能依赖云端托管，该变量必须计入 上游 数据中心的水电消耗，而不仅限于车辆电池耗电量。高昂的能源成本将显著降低车辆的实际使用成本（RAAS）。
冗余度（"智能手机"因素）： 若用户智能手机已配备"强大AI代理"，冗余度评分将提升，从而拉低整体RAAS。主机厂 为用户已拥有的功能重复投入。
治理风险： 该指标较为复杂，旨在考量风险与责任的多重影响因素。 最终，该指标应评估主机厂内部治理流程的建立情况、完整性及执行力度，对照国家与地方层面的人工智能责任及报告法规，据此评定主机厂在人工智能相关事故发生时的准备程度、应对灵活性及潜在责任风险等级。例如，若某企业已因人工智能滥用支付过和解费用，其风险评分可能较高。
决策门
本次评估结束后，主机厂 面临两种结果：RAAS评分较高或较低。
高RAAS值表明输入与输出之间存在合理主机厂 据此推进开发。高RAAS产品的典型案例：人工智能驱动的BMS系统。
低RAAS水平表明主机厂 暂停或推迟开发，直至解决其中一个影响因素。这可能意味着押注更高效的人工智能芯片、为数据中心提供服务的新可再生能源、空气质量法规，或区域消费者信心的回升。低RAAS产品的示例：为经济型车辆开发的通用ChatGPT封装程序。
汽车行业 整合人工智能技术，但企业雄心与消费者现实之间的鸿沟正在扩大。从"技术膨胀"到数据中心常被忽视的环境成本，我们必须自问：我们是在解决用户问题，还是仅仅增加了复杂性？本文介绍了负责任的人工智能采用评分（RAAS）——这一战略框架旨在帮助主机厂 炒作。
第五节：结语——RAAS将价值与炒作区分开来
在平衡计分卡和RAAS模型框架下，我们发现并非所有人工智能都能成为主机厂 "灵丹妙药"。剥离营销炒作的喧嚣，聚焦实际商业价值，一条清晰的道路逐渐显现主机厂 可据此根据最终目标主机厂 其人工智能投资。
至关重要的是在组织内部建立一个安全稳定的基础架构——而最具可持续性的AI通常并非与驾驶员对话的那种，而是默默在后台运行的"隐形"AI。
在试图用复杂且往往冗余的虚拟形象以高计算成本取悦消费者之前主机厂 着眼上游——运用人工智能解决供应链复杂性问题或加速软件开发与工程进程——抑或彻底重新思考人工智能的应用方向。上游应用通常更少出现"幻觉"现象，不会直接引发客户挫败感或困惑，更能为后续实验提供所需的预算稳定性。
人工智能无疑令人振奋，但围绕它的市场压力常常令人窒息。如果汽车行业 保持冷静，以理性的态度对待人工智能，它将有机会实现效率提升，并开发出重新定义行业的服务，从而汽车行业 改变汽车行业 。 把握这一机遇并负责任地引领变革，需要我们所有人的共同努力——确保我们投资的不仅是时髦词汇，更是为自身与消费者创造的切实战略价值。
人工智能无处不在，决策者们正全力推进其发展，但并非所有人都持相同态度。消费者往往敏锐地意识到，当人工智能被嵌入几乎所有设备和应用程序时，随之而来的环境、社会及经济成本。为赢得消费者信任并维持发展势头，我们需要以更负责任的态度对待人工智能。希望本文能成为开启这场对话的起点。
不断更新
SBD Automotive《汽车行业人工智能指南》 深入剖析生成式人工智能在车辆全生命周期中的应用场景，并预测其未来五年将如何重塑行业格局。本指南不仅探讨上游应用的功能垂直领域，更通过真实案例研究，系统梳理短期、中期及长期发展机遇。同时列举潜在合作伙伴，详述行业领军企业当前采取的多样化策略，助您在瞬息万变的市场中保持领先优势。
针对SBD Automotive 专业的 汽车人工智能咨询服务 助力客户构思、规划、部署并评估人工智能在车辆及企业全流程中的应用成效。