導讀：木衛四正式發布新產品“蝴蝶”——汽車安全Copilot，推進大模型的行業垂類應用。“蝴蝶不是要取代人工，而是要做汽車安全工程師的副駕駛。”
AI from Day 1
木衛四從成立的第一天起就秉承“AI驅動汽車安全”的理念。網絡安全是攻防雙方的持續成長和對抗，利用人工智能可以快速定位發現未知威脅、應對持續變化的新型攻擊。在與汽車行業客戶密切互動的過程中，我們發現了以下痛點需要人工智能的輔助：
1、風險分析和定位能力不足：
傳統手段分析問題時缺乏準確、迅速和有效的風險分析和定位能力，難以及時識別和解決可能對車輛安全（包括網絡安全、數據安全、質量安全等）產生影響的潛在問題。
2、合規性理解存在缺口：
行業缺乏持續評估和改進風險的產品，來有效地識別和縮小與行業規范（如GDPR數據合規、R155安全合規等）之間的差距。
3、高效發現問題是關鍵：
如何從海量數據中及時發現問題，如車機黑屏、應用重啟、付費失敗等，成為提升運營能力的關鍵。
4、故障處理不及時：
故障處理上可能面臨復雜的情況，如何利用多樣的數據隨時發現諸如100KM的電量消耗異常、大量的功能失效、剎車片磨損異常等問題。
5、技術更新和員工培訓是剛需：
汽車行業需要不斷更新自己的技術棧，并對員工進行持續的培訓。然而，技術更新和員工培訓可能會面臨資金、時間和資源的限制。
為了滿足客戶需求，木衛四正式發布了“蝴蝶”——百億參數汽車安全垂類大模型。
如果你是汽車的安全工程師或質量工程師，“蝴蝶”將成為你的得力助手。它可以幫助你像經驗豐富的高級專家一樣快速準確地分析問題，讓你在處理車輛問題時更加游刃有余。
人機協同是汽車安全的未來
通過分析大量的數據，人工智能可以快速識別出異常狀態，并采取相應的措施。然而，人工智能并不是萬能的，人工智能和專家知識的結合將成為未來的工作模式。
“蝴蝶” 是一個汽車安全Copilot。無論你是新手還是資深專業人員，“蝴蝶”都能成為你值得依賴的助手。“蝴蝶”可以提供專業的指導和建議，幫助做出更精確的決策，大大縮短對關鍵事件的響應時間。
“蝴蝶”產品架構
木衛四自有的百億級規模數據和上百個機器學習、深度學習模型，通過預訓練和微調沉淀到“蝴蝶”大模型底座當中，利用“蝴蝶”的代碼生成能力、汽車異常推理能力、汽車安全場景意圖識別能力，并結合木衛四開發的代碼生成Self Debug模塊、汽車異常分析約束模塊，來保證AI生成的安全性和可靠性。“蝴蝶”推理結果通過系統接口層輸出到蝴蝶New Chat、V-SOC、V-DSP、VTI等木衛四汽車安全系統，并私有化部署到車企私有大語言模型。
蝴蝶大模型基于標準 Transformer 結構，在數十類與汽車異常處理相關的高質量token的訓練數據上，訓練了130億參數大模型，支持中英文，上下文窗口大小為16K。
與ChatGPT-4相比，蝴蝶基于清晰的數據庫表和字段操作，以及對車聯網知識積累的自然語言理解能力，數據處理任務錯誤總數減少了約11%，特別是在車輛故障和安全分析相關的數據處理任務上，錯誤比例下降了34%，這說明木衛四蝴蝶大模型在校準底座模型偏差方面效果顯著。
在網絡安全、故障維修等知識庫注入模型的過程中，我們對這些知識進行了特殊處理和加強，在推理時引入多個檢索模塊，將通識模型、專業模型和車型知識庫融為一體，并對模型推理邏輯進行了約束，盡可能減少模型幻覺，為木衛四蝴蝶大模型帶來超過20%的準確率提升，在很大程度上提高了模型反應的可靠性。
一次創新嘗試，一場行業颶風
“蝴蝶”的交互方式簡單直接： - 會話上下文繼承和理解； - 對所提問題直接給出答案，答案支持圖、表格和文字輸出結果； - 對答案可以生成Excel、PDF文件，并支持下載； - 對所提問題生成SQL和Python，可以復制便于工程師復用。
每個事件都可成為日常任務： - 對于安全專家來說，蝴蝶可自動執行數據收集、提取以及異常檢索和分析等重復且繁瑣的任務。 - 通過簡單的自然語言提示，可以使用蝴蝶針對某一類問題提供的SQL、Python生成日常任務，無需重復編寫。
通過可私有化部署的大模型實現自然語言環境下針對汽車異常問題的深度分析，協助不同部門的工作人員進行網絡安全、數據安全、功能安全和預測性維護問題的快速定位，提供解決方案，提升工程師的效率。
今天，蝴蝶只是扇動翅膀，帶來一點小小的改變，未來或許會給行業帶來颶風級的影響。
