奇瑞汽车：全域AI下的AI定义汽车

2025年3月20日，在第三届AI定义汽车论坛上，奇瑞汽车股份有限公司总裁助理、开阳实验室CTO尚进介绍到，开阳实验室致力于技术创新，尤其在技术领域展现特色，为实现技术、质量与品牌的持续提升，实验室聚焦产学研领域，构建良好的架构与集成，并探索新科技的应用。

尚进指出，汽车行业应主动迎接技术变革，引领变革而非追赶。他强调加快完善整车内的数字架构，实现AI技术的全面融入，使汽车成为与PC、手机等兼容的产品形态，这不仅有助于提升技术、质量和品牌竞争力，还能推动高科技产业的发展，实现关键领域的赋能。最终目标是使智能汽车成为一个庞大的产业，获取市场份额，并推动整个高科技行业的进步。

奇瑞汽车股份有限公司总裁助理、开阳实验室CTO

以下为演讲内容整理:

那么，如何进一步持续提升技术、质量与品牌？其源泉又在哪里？我将此称为第二次革命，或许要回归技术创新的本源，更多地聚焦于产学研领域，这是开阳实验室极为重大的创新方向。我们不仅要自主开展研发工作，主机厂也要构建好架构并做好集成，针对重点部分深入研究。在此基础上，要思考如何充分发挥学研的作用，使我们在科技前沿的兼容产品架构中，更好地应用新科技。

开阳实验室的工作重点一方面在于车内数字化架构的关键部分，另一方面，不仅要实现AI赋能，还要涵盖整个全域，探索如何运用新科技技能。例如，区块链技术备受关注，如何将其应用于实际工作，开阳实验室旗下的阳光实验室承担此项任务。开阳实验室是一个开放平台，不仅致力于产品落地，还涉及企业孵化与资本输出，是一个综合性平台。

当谈及全域AI，或者AI定义汽车时，需要注意的是，其范畴不仅仅局限于智能驾驶和座舱。AI本质上可视为一种工具，更是一种辅助手段或计算能力的提升。在某种程度上，AI与软件定义并不矛盾，它实际上是在软件定义基础上的进一步提升。

因此，我们常说整车OS支持AI，进而实现从支持AI到兼容AI，最终演变为AI OS。我们当前所讨论的一切，包括AI定义汽车，都离不开产品架构。当我们探讨AI定义汽车时，一方面要考虑车规级要求，另一方面，所有应用于车内的技术都必须满足高质量、高安全、高性价比与低成本等面向B端产品的质量标准。清晰的产品架构、良好的软硬件解耦以及系统集成是实现这一目标的根本，AI也不例外。

主机厂肩负着重要使命。作为自主品牌，我们不仅要扩大企业规模以避免被“卡脖子”，还应具备输出技术，“卡别人脖子”的能力，主机厂更有责任推动AI领域的发展。目前，AI大模型存在两大主要问题，即模型算力和数据。

AI研究的推进应主要集中在两个方面。例如，DeepSeek在整体性能方面，尤其是训练和推理性能的提升，是一个很好的标志。另一方面是安全问题，所有AI产品需要从传统的正三角模式转变为倒三角模式。就如同移动互联网时代诞生了众多巨头企业一样，在AI领域，一旦涉及应用和商业模式，就离不开产品的可靠性和质量。

AI本身存在safety和security方面的问题，而任何应用于汽车领域的技术都必须解决这两个问题，同时实现高性价比和高安全性。这也是汽车行业能够反哺AI行业的原因，我们能够为AI行业在训练和推理阶段面临的高性能与可靠性问题提供解决方案。从产品结构角度看，硬件平台固然重要，但我们更应关注新的推理架构，探索如何以高性价比的方式实现软硬件解耦、集成与优化，从而将相关技术应用于车内。

实际上，上述内容涉及整车OS的延伸，无论是全域AI，还是AI对所有域的赋能，不仅体现在产品设计开发阶段，更体现在产品运行阶段。然而，这里存在诸多问题，例如整车可能仅有一个大型AI引擎，如何让AI服务于多个域？这有点类似于整车外设，即逻辑上单一、物理上可能分布在多个设备上运行的单一整体OS，如何支持全域整车开发？在进入AI时代后，加入AI因素后该如何实现？

我们提出了AI OS的概念，多个域可能会有各自的基础大模型，也可称为AI大模型。我们常说，基于Transformer的大语言模型并非AI的终点，如何持续支持更多AI模型融入，在多个域之上构建生态，是我们需要思考的问题。但我更关注的是在产品开发的整个生命周期内，如何将相关技术应用于车内，这才是AI定义汽车的内涵。

图源:演讲嘉宾素材

智能驾驶层面，我们讨论过许多关键词，如端到端、两段式和一段式，世界模型在仿真验证中具有重要作用，我们也将开展相关研究。进一步思考，空间模型能否应用于智能驾驶领域？我们要重架构、重集成，在全域统一架构下更好地应用各种模型。此外，感知领域仍存在许多corner case需要解决，车内显示也是如此。

在安全方面，若无法清晰阐述AI在L3级自动驾驶中的安全问题，L3级自动驾驶将难以实现，这是我们的责任，我们所做的工作不仅涉及流程和管理体系，更要将安全理念融入产品中，从模型出发，解决AI模型的功能安全问题，进而解决基础大模型的通用安全问题。

谈及全域，先回归到产品开发阶段，仿真、热管理热设计、轻量化、新材料等领域，实际上不难理解，正如AI技术广泛应用于各个行业一样，在汽车行业应用AI技术，无论是用于减少人力、提高效率，还是突破技术瓶颈，都具有重要意义。

提及英伟达，其最大的优势并非自动驾驶，而是数字孪生和仿真，这也是大量GPU被应用的原因，相比之下，将其应用于自动驾驶只是“牛刀小试”。在我们看来，传统设计中的许多仿真，如热管理仿真，都可转化为数据模型，并且数据模型的精确度可能更高。进一步进行降阶处理后，可应用于车内。无论是机械专业人员还是后来进入汽车行业的IT人员，都会发现许多传统设计中的仿真如今可以应用于车内，这将显著提升车内的整体预测和监控能力，这也是AI定义汽车的最大赋能体现。

图源:演讲嘉宾素材

智能底盘中，我们会发现其中存在两个关键问题，即数据闭环和SOV。如今，数据闭环已从智能驾驶域扩展到全域，以实现影子模式。而SOV问题，实际上又回到了前几年我们讨论的话题，即建立完整的内部数字架构，这是实现AI定义汽车的前提。数据要件可以简单理解为，在软件定义和整车OS的基础上，使用的工具从模型算法发展到数据模型再到AI模型，实现赋能手段的升级。

另一个方面是生态扩展。如今，飞行汽车、人形机器人以及其他未来交通形式，都代表着新的庞大产业生态，与汽车制造产业生态具有相似性。那么，为什么整车厂要涉足这些领域？为什么说这是AI定义汽车的扩展？这些领域同样需要电动化和智能化，智能化部分可能与我们的模型相关，甚至在产品栈方面，从芯片到软件，再到部分算法以及整个数据驱动格式，都具有相似性。因此，我们不仅能够参与这些领域，还能实现反向赋能，例如在机器人AI方向的研究成果，反过来可以应用于自动驾驶领域。

在AI芯片方面，我们也得到了很好的启示。在车载推理阶段，仍有很大的创新空间。通过对大模型的深入理解，回到硬件架构层面，无论是moe还是其他推理架构，都有可能打破GPU架构的垄断，实现更高的性能和模型优化，推动芯片架构的升级。数据隐私问题近年来备受关注，从AI角度来看，数据量更大，但问题的本质并未改变。

我们不应仅仅处于追赶状态，汽车行业或主机厂应主动迎接新的技术变革。我们不应该在新的技术概念出现后，才去思考其如何定义汽车，而应主动引领变革。就持续发展而言，我认为仍需加快完善整车内的数字架构。前几年我们已提出整车OS、整车集中式架构以及SOA等概念，但目前仍未完全实现。

对于汽车行业而言，AI的应用绝不局限于智能驾驶域。前几年我们就曾指出，智能化不等于智能驾驶，智能驾驶也不等于无人驾驶。智能化的目标是使汽车成为与PC、手机、数据中心、服务器兼容的产品形态，从而使所有科技，包括数据，都能融入其中。

在此基础上，AI定义汽车才能实现多域应用，多域不仅涵盖研产供销服务以及汽车的几大核心域，还包括产品开发阶段，这只是AI应用的初步提升。升维提升则是将AI技术全面融入车内，使车内架构实现数字化，不仅是软件层面，机械和机电部分也将转变为数据驱动的架构。如此畅想，这才是真正的AI定义汽车，AI赋能车辆，实现从技术、质量、品牌竞争到将智能化提升至预期目标的跨越。这一目标不仅在于使智能汽车成为一个庞大的产业，获取市场份额和高额利润，更重要的是，我们不仅不会被“卡脖子”，还能凭借新技术实现对关键领域的赋能，推动高科技产业的发展。

关键词：