ResearchAndMarkets.com baru-baru ini merilis laporan komprehensif yang berfokus pada integrasi model berbasis AI di sektor otomotif, khususnya dari tahun 2024 hingga 2025. Laporan tersebut menyelidiki secara mendalam kemajuan dalam kemampuan inferensi dalam model-model ini, yang secara signifikan meningkatkan kinerjanya dalam tugas-tugas kompleks dan proses pengambilan keputusan. Secara khusus, model inferensi yang menggabungkan kerangka kerja seperti Chain-of-Thought (CoT) memberikan kontribusi yang signifikan untuk meningkatkan kemampuan AI otomotif, seperti pengenalan maksud untuk asisten kokpit dan akurasi prediktif untuk mengemudi secara otonom.

Laporan tersebut juga mencatat bahwa akan ada peralihan ke teknologi inferensi multimoda pada tahun 2025, dengan teknik pembelajaran seperti penyempurnaan instruksi dan pembelajaran konteks multimoda memainkan peran penting. Kemajuan ini diharapkan dapat memperkuat kepercayaan antara sistem AI dan pengguna dengan meningkatkan kemampuan menjelaskan pengambilan keputusan AI. Misalnya, sistem mengemudi otonom Level 3 Li Auto menggunakan "teknologi visualisasi inferensi AI" untuk menampilkan proses berpikir AI secara transparan, sehingga meningkatkan kepercayaan pengguna pada sistem mengemudi cerdas.

Selain itu, laporan tersebut juga menyinggung dampak biaya dari pengintegrasian model inferensi tingkat lanjut ke dalam kendaraan. Bertentangan dengan ekspektasi, perusahaan seperti DeepSeek telah menunjukkan bahwa peningkatan kinerja AI tidak selalu berarti biaya yang lebih tinggi. Pada awal tahun 2025, beberapa OEM mengadopsi DeepSeek untuk meningkatkan kemampuan model berbasis kendaraan mereka sekaligus mengelola biaya secara efektif. Adopsi ini didorong oleh kinerja inferensi yang unggul dan efektivitas biaya dari model seperti DeepSeek R1, yang menyamai dan terkadang melampaui pesaing dalam tugas inferensi logis.

Terakhir, laporan tersebut menyoroti kemajuan teknologi yang memungkinkan model AI berkinerja tinggi untuk ditempatkan pada chip dalam kendaraan dengan daya komputasi rendah. Hal ini mendemokratisasi akses ke kemampuan tingkat lanjut di semua segmen kendaraan. Teknologi ini, seperti algoritma DualPipe dan pembelajaran presisi campuran FP8, mengoptimalkan penggunaan daya komputasi dan meningkatkan kinerja waktu nyata, sehingga memungkinkan bahkan kendaraan kelas bawah hingga menengah untuk menawarkan fitur kokpit dan pengemudian otonom tingkat lanjut. Hal ini diharapkan dapat mempercepat adopsi kokpit cerdas dan berkontribusi pada pertumbuhan pasar AI otomotif secara keseluruhan.