打造大模型离不开三个关键点，数据、算力和算法。
其中，数据是最关键的因素。算力和算法可以用技术手段去解决，只有数据，需要长时间积累才能获得。而关于数据，有一个问题已经形成了行业共识，就是如何获取高质量数据。
科大讯飞智能汽车副总经理李卫兵曾表示，目前判别式大模型的决策无论是基于场景还是规划，都是基于人类的先验意识，很难具有类人的自主进化，也就是说自主性较差。毫末智行的数据智能科学家贺翔也认为，想要收集到高精度可用数据是比较难的。
大模型的意义就在于能够通过大量的数据采集，实现车辆智驾的不断进化，不断完善，最终的意义是能达到“车人合一”的效果，即每辆车的智能驾驶习惯是跟随驾驶员的实际驾驶习惯衍生过来的。
这就出现了一个问题，能够解释为什么好的数据非常难采集。打个比方，如果需要智能驾驶能够达到代替人驾驶的效果，智能驾驶要基于基本的驾驶逻辑，先制定出一套安全的驾驶习惯，在这个基础上，再逐渐通过数据，自学习人类的驾驶习惯。但问题是，高质量的数据并不是每位驾驶员在驾驶中都能提供给车辆用以自学习的。比如在辅助驾驶过程中，遇到需要接管车辆的问题，每个人对车辆的操作意识都不一样，这就意味着如果驾驶者是个新手，很可能自己就会出现错误的驾驶判断，这样车辆收集到的驾驶指令也会是错误的，也就形成了一个低质量数据。所以大模型自学习的核心要求是需要人类能有高质量的驾驶习惯。
可以理解为，在现阶段，数据量远远不够是导致大模型还不成熟的主要原因。就比如车辆在分析用户的驾驶习惯时，发现用户喜欢加塞，而搜索数据库自学习时，发现这样的数据太少，也就无法学习这样的驾驶习惯。
另外，单纯地靠车企采集数据是远远不够的，如何将行业内的数据整合起来，完成共享，并形成统一标准，也是AI大模型能否成型的关键。
现阶段AI大模型“上车”，意义有多大现阶段大模型的主要应用在于两个维度，上述内容表达了大模型对智能驾驶提供自适应自学习能力的意义，下面将说明大模型能为智能座舱提供更简便又丰富的操作模式。
现阶段大模型的意义，对于智能座舱的帮助更大，而智能驾驶由于上述的问题还需要时间解决，实际对用户的影响不大。
就智能座舱而言，车企将大模型“上车”，就需要从资本端、产品端以及生产端进行分析。
资本端说的就是在大模型上车后，除了大模型是目前资本投资的风口，更重要的是其在落地后，能引发新的盈利模式。
目前，新能源时代主机厂主要的盈利模式还是看销量和单车利润，但这种单一的模式已经很难为车企带来大幅的利润增长。还有一部分盈利是来自卖服务，就是B to B的服务，比如现在能想到的可能存在的换电等服务。还有很微小的一部分，是来自车机衍生的付费订制服务，类似于数码产品的付费订制一样，这类服务虽然有车企在做，但收效甚微。
大模型能够给车企带来的意义就在于，虽然付费订制服务目前不成气候，但通过大模型的赋能，打造出更多的能够激起用户买单的更多增值服务，大模型对于主机厂的实际意义就达到了。当然这种付费订阅不止包含智能座舱，也包括智能驾驶。