儘管圍繞前沿人工智慧模型進行了大肆宣傳，但大多數非技術經濟仍然依賴電子表格、手動搜尋和遺留系統。
在汽車維修領域尤其如此，人工智慧承諾的內容與實際提供的內容之間的差距正在讓產業付出真金白銀的代價。
全球汽車維修市場價值超過1兆美元，但光是美國每年就佔據超過1,800億美元，分佈在超過25萬家公司中，沒有一家業者擁有超過5%的市場份額。
最新影片來自科技雷達
Partly 的執行長兼共同創辦人。
目前，美國汽車的平均車齡為 12.6 年，是有史以來最古老的車隊，這意味著更頻繁的維修、更複雜的零件以及本已利潤微薄的商店的更大壓力。
自2022年以來，維修費用上漲了25%，遠高於整體通膨率。儘管如此，該行業仍然主要透過手動目錄搜尋、經驗和猜測來匹配零件。這會導致訂購錯誤的零件、車輛停放在商店和車間、產生退貨、返工成本並浪費技術人員的時間。
這個問題在所有市場都存在，但美國是這個問題最明顯的；該市場規模龐大、高度分散，並且在沒有專門為其設計的原生人工智慧基礎設施的情況下運作。這反映了通用人工智慧尚未能夠解決並且以其當前形式無法解決的真正技術挑戰。
為什麼通用人工智慧模型會失敗？
通用模型專為最佳化而設計 語言、思維和創造力，但不嚴格侷限於某一特定產業。在汽車維修等行業，容錯率接近零。例如，如果某個車型建議的車頭燈不合適，就會妨礙技術人員修理車輛，延誤客戶的時間，並使保險公司支付更多的修理費用。
當您將領先的通用模型與特定行業的汽車零件分配進行比較時，結果是顯而易見的。最好的通用模型在零件識別參數方面可達到約 5% 的準確度。訓練有素的人表現得更好，但受到記憶體、目錄複雜性和時間的限制。
專門針對此問題設計的模型，經過原始設備製造商 (OEM) 數據、標準目錄圖表、入職規則和直接交易反饋的訓練，在相同基準上實現了 90% 以上的準確率 — 不僅僅是微小的改進，而且是不同級別的能力。
資料問題和架構
這種差距如此之大有結構性原因。汽車零件和維修資料不是通用文字的放大版本，而是不斷發展的關係圖：
VIN 號碼、裝飾、子型號、特定地區的變型、替換件、售後替換件和車間特定偏好。其中許多都存在於開放網路上不可用的零碎 OEM 目錄和專有格式中。
這 所需的架構也不同；真實車間中的零件決策必須同時考慮車輛的歷史、保險公司法規、供應商庫存、合約定價和技術人員偏好，需要一個旨在適應結構化目錄和嚴格約束的模型，而不是為了廣泛的對話利益而優化的模型。
建設使擴張成為可能的基礎設施
建立特定於領域的基礎模型並不是設定經驗法則的問題，因為資料集必須經過多年的 OEM 協議、模式規範化以及維修、索賠和庫存資料的持續整合來聚合。
該模型必須連結到運行業務的系統，以便隨著時間的推移，每項建議、回報和可接受的業務成果都能得到準確的反映和倍增。透過專有數據、深度整合和持續學習的結合，競爭優勢隨著時間的推移而累積。模型運行的時間越長，效果越好。
對於美國市場來說，這一點比其他任何地方都更重要；機會的規模、250,000 名維修人員、每年老化的車隊、成本增長速度快於通貨膨脹，意味著一次性獲得正確零件的綜合價值是巨大的。
歐洲和亞太地區部署該技術的市場已經證明，生產力的提高是真實且可衡量的。到目前為止，美國還沒有類似的基礎設施來訪問它。
買家和投資人該問什麼？
對於複雜行業的技術買家來說，向任何人工智慧供應商提出的正確問題不是他們的模型的整體能力如何，而是它在導致行業損失的特定故障模式中的表現如何。在汽車維修領域，這意味著一次性成功率、返修率和週期時間壓縮。
同樣的邏輯也適用於投資人：模型規模並不能衡量取代一家公司的難度。相關問題包括資料集的編譯難度、模型與操作工作流程的整合程度以及領域內推理能力的普遍程度。
通用模型將繼續改進，並且對於廣泛的任務仍然有價值。但隨著模型不再是通用實用程序，而是開始成為隱形基礎設施，並經過優化以一次解決一個難題，人工智慧最深刻、最持久的價值將被創造出來。
在汽車維修領域，這意味著解決數十年來困擾該行業的零件問題。特別是在美國，規模擴大了問題的成本和解決問題的價值，這種轉變早就該發生了。
本文是作為 TechRadar 專業視圖，我們的頻道旨在突顯當今科技業最優秀、最聰明的人才。
這裡表達的觀點是作者的觀點，不一定是 TechRadarPro 或 Future plc 的觀點。如果您有興趣做出貢獻，請在此處了解更多資訊： https://www.techradar.com/pro/perspectives-how-to-submit
