作者 / 路 行

编辑 / 黄大路

设计 / 柴文静

编者按：

全球范围内，汽车制造商已经在人工智能领域投入了数十亿美元，预计从2023年到2030年，这一数字将以22.7%的复合年增长率（CAGR）增长。现如今，人工智能技术正在深刻重塑汽车产业，覆盖自动驾驶、智能座舱及企业运营全链条，并推动商业模式与产业生态的深层次变革。

依托于AI技术的发展，自动驾驶正迎来技术架构转型，行业正从基于规则的算法框架转向以“端到端”神经网络为核心的新架构，大幅提升系统泛化能力与场景适应力；智能座舱交互体验升级，大模型推动语音助手理解力、多模态融合及主动服务能力跃升，实现“工具”向“伙伴”的转化。

对于企业来说，AI深度融入汽车设计、制造与质检环节，大幅降低开发成本，实现研发与生产优化，企业财务、人力、供应链等各个领域实现流程效率提升。然而，车企在实现AI技术规模化落地过程中，仍需突破数据隐私、安全伦理、研发成本高企等关键瓶颈。

6月15日，第十七届轩辕汽车蓝皮书论坛上，商汤科技联合创始人、首席科学家、绝影智能汽车董事长兼CEO王晓刚，火山方舟模型策略产品高级总监向凯，面壁智能商业化副总裁周树峰，中国电子信息行业联合会数据与治理专委会执行委员、未来创意实验室主任皇甫秉京，理想汽车操作系统架构负责人黄震，广汽集团平台技术研究院负责人梁伟强，在德勤中国企业技术与绩效事业群总裁周令坤的主持下，就“AI+将给汽车产业打开什么新版图”话题展开了精彩的讨论。

周令坤指出，从人车关系的维度，“AI+”在汽车产品应用方面有情感智能、主动式的智能体和实现“人”“车”“生活”三个维度的跨设备大模型打通这三个潜在的演进方向，它可能会带来人车关系的一些情感化的深层次变化。这背后映射的不仅是生态合作、重构整体能力，也涉及到车端模型、云端多个模型和智能体的配合。

王晓刚表示，仅提供基础模型的商业模式难以持续，必须将AI技术嵌入到客户业务闭环形成完整解决方案。AI公司构建可持续的商业模式时一定要找到自己的核心价值和差异化。如果去做通用大模型，各个大厂都在提供的这些东西，是很难持续的，因为它的可替代性非常强。一定要想清楚，在未来AI发展的过程当中有哪些是核心要突破的点。

向凯表示，不认为AI的能力最终会走向同质化。首先，距离真的实现AGI还是有比较大的距离；其次，AGI背后既有算法、算力，也有数据，每一块投入都是巨大的，最终能够朝AGI投入的玩家非常少。

周树峰表示，对于大模型的投入产出应锚定长期价值。由于大模型引入的复杂度，在短期内增加了产品研发需求，例如操作系统的适配、底层工程链的重构，但大模型的收益会在中长期得以体现，而且人使用大模型做研发，其实是有一个学习过程，组织也有一个学习过程，所以它的效率展现应该是在未来。

皇甫秉京认为，在模型能力不断提升的今天，比起解决问题，能够问出一个好问题是重中之重的事情。在这个领域里面文科生迎来了非常好的机遇，基于文科生对这个世界的洞察，你能问出更好的问题，你可能从大模型中得到答案就会更好。原来专属理科生的一些能力可能会被大模型吞噬掉，得到80分很容易，反而后面谁会有洞察，谁能问出那个更有深度的20分的问题，可能谁就能够更接近这个领域。

黄震表示，车企跨界具身智能是很自然的延伸。第一，自动驾驶和具身智能的技术有一定的同源性；第二，车企本身在做智能化的过程当中，会有很多在AI上面的积累，这些积累让它往具身智能这个方向上拓展会很有利；第三，车企具备优秀的供应链与制造能力，把车做好了，自然延伸到具身智能上。

梁伟强认为，中长期看，AI赋能汽车产业的标志性的时刻应该是to C的L4真正落地。它的落地背后隐含了很多的信息。首先是政策法规的完善；第二，数据安全、信息安全、隐私这些问题已经得到很好地解决；第三，基础大模型技术和现在一些技术的迭代足够成熟，包括刚才提到的仿真、强化学习的赋能，代表了整个技术栈的完善。

下面是尖峰辩论的实录，略有删节。

周令坤（德勤中国企业技术与绩效事业群总裁）：正如开场所讲，今天除了有四位的主题演讲以外，我们有两个尖峰辩论。在邀请嘉宾上台之前，我想给大家回顾一下，蓝皮书论坛在2015年的时候曾经提出汽车“四化”，在后面几年也谈了很多比较热的话题，比如SEV，软件定义汽车，包括我们今天提得比较多的AI重塑智能移动空间。这其中一个很重要的点，就是人车关系。从人车关系的维度，“AI+”在汽车产品应用方面有几个潜在的演进方向，它可能会带来人车关系的一些情感化的深层次变化。

第一个是情感智能，大模型可以实现情绪的感知和表达，未来可能会综合语义、语音、语调，包括微表情等多模态大模型的应用继续探索。

第二个是主动式的智能体。未来智能大模型应该可以让座舱内的环境变化来主动发起对话或者是服务，包括关心乘客，包括提醒日程，这些都可以作为新的场景。

第三个是实现“人”“车”“生活”三个维度的跨设备大模型的打通，特别是手机、电脑、车共享同一套AI的助手。这是未来“人、车、生活”，再加上整体生态构建的重要方向，但是也会面临巨大的挑战。

这背后映射的不仅是生态合作、重构整体能力，也涉及车端模型、云端多个模型和智能体的配合，所以未来的AI助理很普遍的时候，消费者也期望每天和他互动的AI助理在不同的端会是同一个助理，相信这也是车企希望能达到的一种跟客户建立高粘性的方向。

接下来我们开启第一个panel，主题是“AI+将给汽车产业打开什么新版图？”，我们要围绕当前大模型上车，如何重构座舱和智驾，如何全面赋能企业经营，这个过程里面临的核心问题和挑战，拥抱大模型所必须经过的技术变革以及由此催生的新兴商业机遇等话题展开讨论。

首先欢迎大家参与这场讨论，我们的题目也非常的直击，就是“AI+将给汽车产业打开什么新版图？”我想很多时候我们谈大模型上车，回顾一下，很多人会把2023年作为大模型上车的元年，从2023年-2025年，经过两年的时间后，AI大模型上车到底到了什么阶段，重点领域的应用取得了哪些进展和突破，又面临哪些瓶颈和挑战，我们将围绕这些话题展开讨论。我在最近几年主持了好多论坛，今天也搞一个创新，为了让每位嘉宾专注于我要问的问题，所以我不会按顺序来问了。

首先，在讨论之前，还是请大家让我们在座的各位听众和嘉宾，以及线上关心汽车行业与AI的朋友们了解一下各位，所以我想从这边开始，介绍一下您自己，也介绍一下最近在AI相关的事情里面忙什么，我们先跟大家介绍一下。

梁伟强（广汽集团平台技术研究院负责人）：各位嘉宾好！线上的朋友好！我是来自广汽集团平台技术研究院的负责人梁伟强。平台技术研究院主要是负责整车的平台化开发和创新开发，所以今天整个论坛的主题，其实也是我目前正在推进的一些业务。尤其现在智能网联汽车让用户感受到两大核心体验，就是智驾和座舱。大模型AI技术对智能驾驶和智慧座舱而言，有非常大的赋能。

过去我们做技术的一些规划经常叫“2、5、10”，2年、5年、10年，这两年，尤其这半年、一年以来，我认为AI技术赋能我们这两大块的业务，是2个月、5个月、10个月就是一个版本。在这个过程当中面临非常多的挑战，等会儿我也想听听各位专家在这方面有什么更好的见解。

周令坤：梁总是第一个发言，因为今天我们这个论坛在广州，也是您的主场，所以很多话题由您这边来开始，谢谢。有请黄总。

黄震（理想汽车操作系统架构负责人）：大家下午好，我是理想汽车的黄震，我在理想汽车主要是在做操作系统，也就是刚才讲过的星环OS的架构设计，还有一些技术规划工作。理想汽车现在也属于很典型的All in AI的企业，我们在操作系统这个领域刚好是上下都相关。向下是负责将车上有限的AI算力灵活分配——就是一辆车上无论AI算力多大，它都是不够用的，因为智驾希望帧数更高、图像分辨率更高、模型参数量更大——所以我第一个要解决的问题是把车上有限的AI算力用好。

向上是支撑智能驾驶整条链路的优化，让它做到实时性、安全、可靠，我最近都专注在这些方面，所以对自动驾驶整个业务流、模型有一些了解。

周令坤：感谢黄总。有请皇甫主任。

皇甫秉京（中国电子信息行业联合会数据与治理专委会执行委员、未来创意实验室主任）：刚才在演讲中我已经介绍得比较详细了，我们在具身智能这一块也在布局。因为汽车我们理解就是一个四轮的轮足机器人，包括人形机器人的产业链和汽车的产业有80%的上游是重合的，所以我们现在也在做一些共性的研究，在共性的生态上也进行一些推进，跟一些链主企业一起在做这部分的工作，谢谢。

周令坤：欢迎您，有请周总。

周树峰（面壁智能商业化副总裁）：大家好，我是面壁智能的周树峰，主要是负责端侧商业化相关的工作。面壁智能作为一家初创的大模型公司，从2024年开始把战略方向基本上调整到了专注于端侧业务上来。我们现在在端侧智能上除了手机、PC和一些边缘的智能设备以外，很重要的一个赛道就是汽车。因为相对于其他设备来说，汽车，尤其是座舱，它的整个传感器数量是非常多的，它要操控的原子能力也是非常多的，是大模型落地的一个非常好的场景。我们在过去12个月的时间里，也陆陆续续跟很多汽车企业签订了定点合作，我估计在最近两三个月内就会有一些把大模型、端侧模型放到座舱里边，定点量产的车型出来，都是跟国内一些传统车企和新能源车企合作。

周令坤：欢迎向总。

向凯（火山方舟模型策略产品高级总监）：大家好，我叫向凯，我的经验相对比较杂一些，刚刚回想了一下，感觉和AI、汽车都是比较有关系的。我博士期间研究锂电池方向，当然我博士毕业之后，其实没有继续从事相关的工作，而是去做AI方向的投资。后来看到AI领域蓬勃发展，我就进入了Momenta，在Momenta是负责飞轮产品，主要是加速智驾的迭代。最近我是在字节的火山方舟，主要负责模型策略产品。

所谓模型策略产品，核心就是把企业客户的需求转化成对模型的需求，转化成对模型的评估，让我们字节的大模型能够更好满足企业客户的需求。我们非常关注汽车领域，目前在大模型相关领域，不管是和座舱的结合、和营销的结合、和智驾的结合，还是通用的企业内部生产力的结合，我们都非常关注，目前也有一些项目持续在落地中。非常感谢今天能够和各位专家一起交流。

周令坤：欢迎向总，有请王总。

王晓刚（商汤科技联合创始人、首席科学家，绝影智能汽车董事长兼CEO）：我是王晓刚，2014年的时候跟我们的创始人汤晓鸥一起创立了商汤科技，绝影是商汤里面专注在汽车方向的一个板块，我们的业务范围包括自动驾驶、智能座舱、基础云服务等。刚才您提到车和人的关系，去年11月份绝影的技术日上，我们发布了新的座舱产品，叫New Member，家庭的新成员，从一个工具到助手到我们家庭的一员。接下来我也非常期待跟大家一起探讨相关的话题，谢谢大家！

01

AI大模型如何赋能汽车行业？

周令坤：欢迎王总，由于您刚到现场，让您喘口气，让您最后一个介绍自己。

我们本次AI+的话题嘉宾里面有来自OEM的两位，来自AI技术赋能的三位，讲的是不同维度，也不是完全重叠的，包括皇甫主任是站在第三方，做研究的，所以我想我们今天一定能够把AI+的课题，在刚才四位演讲的基础上进一步去探讨。我准备了好几个问题，我把规则先简单讲一下，我想创新一点点，每个问题指定一位嘉宾来回答，就不按顺序了，另外的嘉宾可以就刚才嘉宾发言的同一个问题来补充发言，或者是有自己不同的见解，欢迎提出来不同的观点，是这样的形式。

第一个问题，为了给大家破个冰，我直接指定两位嘉宾来回答。

第一个问题是，刚才我们提到了大模型，AI大模型如何彻底重构智能座舱的概念和人机交互体验，它如何超越当前的语音助手和屏幕交互，创造出更具情绪化、拥有推理和思考能力，并且主动服务能力的移动智能空间，在技术落地过程当中面临哪些关键挑战，包括通用大模型在适应车载这一特殊环境下存在哪些局限性和不足，我们如何应对？这个问题我想问两位嘉宾，先问周总，另外问皇甫主任。首先请问周树峰周总回答一下这个问题，因为您也是从事这方面的工作。

周树峰：谢谢。我们现在看到在座舱内，事实上我们现在已经超越了语音助手和屏幕交互最开始的选择。因为我们两三年前的智能汽车就已经在车内配备了大量的传感器，现在车内、车外有大量的传感器，这些传感器实时感知车内或者车外的场景，它其实是可以做出一些对于环境、对于人物、对于发生事件的一些理解。这些理解，它可能触发的是向我们的用户提供不同体验的服务，或者向他们做一些推荐，这个我们今天说得比较多的就是主动性的Agent。

这里面也会面临一些挑战，比如我刚才听到黄总讲资源抢占的问题，这些挑战会一直存在，包括通用模型，你如果把它放在云端，它可能面临延时的问题、隐私的问题，但如果把它放在端上，它可能面临算力不足的问题。这些问题我们现在正在持续地解决。但是事实上我们看到简单的基于语音交互和屏幕交互的方式，它并不是基于大模型智能座舱的未来，甚至今天就已经在改变这件事情，这是我们看到的一个现状。

周令坤：如果语音不是，什么会是呢？您有预判了吗？还是在研究当中？

周树峰：对的，我们对于舱内人物和行为的感知，比如说有儿童在舱内，你下车以后遗留了宠物、遗留了物品，它会主动提醒你，你是不是要取一下。再比如你的车停在路边了，可能有人过来，在你的车周边做一些有危险性行为的时候，你的人不在车上，它是不是能够尽快通知你，这些其实并不是由乘客或者是驾驶员来去触发的反应，它可能更多的是主动式的服务。这个其实是要基于音频、视觉和文本的一种全模态的融合，你要感知到情绪、感知到微表情等等的东西，这个我们其他嘉宾已经提到过了。

周令坤：谢谢周总，基本上还是多模态的形式会是一个未来。皇甫主任，您有什么补充或者不同的意见？

皇甫秉京：刚才周总其实已经说得比较全面了，我从另外一个角度讲一下这个问题。第一，具身智能是人工智能的一个前沿领域，所以我们从人工智能的根本来讲，模型还是取决于算力和数据，尤其是刚才我反复也在提数据的重要性。因为如果单单从数据量的叠加，Scaling Law（规模化法则）这件事情都可以让我的模型结果更好，咱们先不说智能这部分的叠加。后面数据的量，包括现在我们的传感器，刚才周总也提到了，传感器不断地增加，整个数据量，我觉得后边肯定模型会越来越好用，这是第一点。

第二，算力包含了计算、传输和存储，在这个大的范畴里面，大家都会有不同的解决方案，算力不断再有一个叠加的供给，会让这个模型更加聪明。所以后面其实汽车作为这么一个智能空间来去看的话，可能它能够想象的东西确实是非常多的，包括它的交互可能就远远不只是语言的交互，因为现在从模型的角度来讲，大语言模型现在在朝着世界模型的方向发展。

周令坤：谢谢两位的回答，也谢谢皇甫主任的补充。

下面我想请问理想汽车的黄总，刚才您的演讲里面重点提到了开源的OS，包括提出了四大矛盾，通过你们自研操作系统，解决这四大矛盾。我的问题和您的演讲内容有点相关性，就是大模型技术如何赋能自动驾驶在感知、决策、规划方面的突破？它能否解决长尾场景的难题，加速高级辅助驾驶的落地和普及？同时，这对算力，包括云端，也包括车端，数据的采集和管理以及算法的验证和评估，提出了哪些更高的要求？这个您有什么见解？

黄震：这个我讲一点我的看法吧。首先，答案是肯定的，就是这个大模型，尤其在2023年开始用在智能汽车上，它基本上是颠覆性地重新重构了智能驾驶系统在传统的感知和决策方面的整个范式。因为我们看到在2023年之前，这个决策可能是基于传统的CV，就是计算机视觉领域一些专用任务的解法，我去识别一个物品，做各种物品的分类、检测这些工作。这是以前自动驾驶感知的模式，以前也是通过Rule-based（规则库）这种硬件写代码的规格化方式去做规划。有了这个大模型以后，整个方式就变了，我觉得这里面，可以总结两点。

第一点，在感知领域，大模型技术让智驾的感知系统从“看到场景”变成“看懂场景”，这是非常关键的，它不是2D的，虽然这个摄像头可能是一个平面的东西，但是它一定能看到3D，站在空间的视角去理解这个世界，这是大模型先天的优势。总体来说，给我们的感觉，它更像一个人，更像一个真正的司机。在感知层面，它能理解世界。

第二点，在规划和决策层面，大模型技术让智驾的决策系统从“规则驱动”变成“逻辑推理”，车会有自己的判断，这跟我们用DeepSeek，尤其是R1这个模型一样的，它有自己的推理步骤，当然车上可能没有像使用R1的时候那样，它给你Thinking很长时间，车上最多三五步，这是实时性的问题。但是它是能够有判断的。

所以基于以上两点，智能驾驶在大模型应用以后，它对于这新场景、对于这种它前所未见的这些新场景的corner case，解决起来要比以前游刃有余得多。以前遇到新的东西，全是规则化的，遇到新场景就傻了。现在更像一个司机一样，它有应变能力，所以大模型对于智能驾驶的corner case，以前业界可能存在很多年的问题，是非常有帮助的。用了以后当然是有代价的。代价，我大概理解有简单的几点，可能用Scaling Law会比较好理解。

一个是算力，这个我刚才也说了，各种算力，车端、云端现在的算力，这是一个大需求，从供电到成本。第二个就是数据，车企要有一套数据闭环系统，识别、收集并积累大量的传感器数据片段。第三个有点意思的是用了大模型以后，我觉得对仿真模型，也就是在云端用来训练智能驾驶系统的这套世界模型提出了很多新的挑战。根本的原因是大模型为什么能在自动驾驶这儿这么好用？因为它有推理能力，这个推理能力怎么激活出来，就是靠DeepSeek-R1给我们的启发，就是一定要有非监督的强化学习训练过程，像打游戏一样，有一个引擎在云端构造仿真环境，车在里头自由地开，环境给出反馈，开得好不好，舒适程度怎么样，有没有破坏交通规则。这个是通过强化学习引发的一些新的要求。

我基本上感觉首先它很有用，其次它有很多新的挑战。

周令坤：所以您回答的是“yes”。关于您提到自动驾驶路测的问题，结合实测、路测和仿真环境，到底多少公里是能够清除所有的corner case，之前也用过好多辩论和论证，目前所有的企业都还没达到那个里程。基于刚才您的分析，如果有了AI这些技术应用之后，仿真的速度会不会更快，清除corner case是不是可以更快地实现，这个回答是yes还是no？

黄震：我觉得是yes，有了仿真环境的强化学习之后不再仅仅依靠实车在路上来回跑了，以前我们提的是10亿公里或者100亿公里，现在提的更多的是在仿真环境里需要有多少多少clips，所以这个趋势能加速解决corner case的过程。

周令坤：谢谢黄总，这个问题看看另外五位嘉宾有没有补充或者不同的意见？

向凯：我来补充一下。一方面我同意大模型对于提升智驾的天花板有帮助，但另一方面我也比较同意带来的挑战是非常大的。包括从云端到车端算力的需求会进一步增加。

如果给定算力不变的话，其实是很难说是一定会加速产品性能的提升，它一定是需要算力角度有更大量级的投入，但我相信从性能天花板的角度会有更大的提升。比较大的挑战在于它其实是学的白名单机制，就是学过的物体或者白名单里面的物体是可以解除的，比如说在高速上碰到一个不规则的物体，它没有学过就经常不能解除。但是，大模型因为学习了非常广泛的世界知识，所以使得它对于识别 corner case有一定的优势，所以从这个角度来讲的话，我是相信对于智驾天花板有帮助的。

02

AI融入企业运营

周令坤：谢谢向总的补充。

下一个问题问广汽的梁总，第一天开题里面贾可博士提到第五个“决断”的时候，提到了AI要全面融入企业运营这个话题，除了产品端，大模型和生成式AI技术也开始渗透到汽车研发、采购和制造经营环节。以研发为例，生成式AI在代码生成、设计优化、仿真模拟等方面如何显著提升汽车研发的效率，是否能够结合您的工作情况举个例子说明一下，让大家加强了解？

梁伟强：谢谢主持人这个问题。首先AI赋能我们分成两个层面，第一个层面是产品，刚才大家都谈了很多对座舱的赋能，对智驾的赋能。第二个赋能我们研发的过程，研发的效率，广汽从去年开始建立AI中台，下面链接了很多垂类，包括通用类的模型，包括今年我们接入DeepSeek，包括千问，包括之前还有盘古等来赋能各个领域。

我们从需求定义开始，各个领域其实都会用到相关的技术。回到研发方面，我举几个例子，是我们现在亲身实践的，我们去年也找了一些软件的开发部门，包括智驾和车控的一些部门，做AI代码的开发实践。对于一些创新性比较少的这种模块化的领域，AI代码的生成基本上能提升20%—30%的效率。

第二，我们在去年落地了GIDS，就是广汽的一个智能诊断系统，我们基于过去10多万条的故障类型，把这些数据都收集起来，同时训练故障诊断模型，目前能达到一个效果，就是它可以诊断出这个故障，把一个原因定位到哪一个点，可能排除点，这对我们研发中的排查和售后的排查中起到一个非常好的效率提升作用。

第三，我们的案例，像车控域那边的开发，目前他们也应用了生成测试案例，比如说之前一两天才能完成的任务现在可能几个小时就能完成，相当于我们是通过过去的一些经验来做的事情，现在我们都是通过数据和智能化来驱动我们的一些工作。

周令坤：谢谢梁总，我想接着问一下刚才你提了一个非常量化的数据，能提高20%到30%的效率，假如说原有的工作像是100个工程师做的事情，目前相当于有一些时间空出来，现在提高效率以后多出来的时间你们怎么安排，安排更多工作量还是减少人，还是什么样子？

梁伟强：你这个问题有一点像财务问我们的问题，我可以分享一下，从过去机械式的汽车到电动汽车到智能网联汽车，尤其在智能网联这些领域，做软件开发的领域，功能需求是几何式的急速增长。我举一个例子。过去我们做车机的开发，很早的时候我们可能几个人就可以了。现在数十人一款车，因为里面有很多应用。所以，我们是通过这样优化我们的效率来满足未来需求的一些增长。我也是这样回复我们财务同事，就是说我们通过这样挤出来一些人开发更多的车型和更多的功能。

周令坤：这个回答很好，我们的财务也这么问我们。通过未来需求增加反冲了效率提升之后的工作空间，这是非常巧妙的回答，我希望是真的。刚才梁总回答的问题看看另外5位嘉宾有否有补充或者不同意见。

周树峰：由于大模型引入的复杂度，在产品研发侧，短期需求比原来更多了，你提效抵消的可能是短期需求的增长，因为你可能对于操作系统、对于底层工程链入的重构会更多一些，它的收益会在中长期，而且人使用大模型做研发，其实是有一个学习过程，组织也有一个学习过程，所以它的效率展现应该是在未来。

周令坤：感谢周总。我有一个疑惑没有找到例子，比如说在企业管理里面无论哪个环节研发或者生产制造某个环节里，使用了大模型，而且用得不错的情况下，是否真的能够重构流程、重构业务模式？我不知道你们在实际业务运营里面是否有了这样的例子，用了大模型、用了类似于ChatGPT或者DeepSeek这些AI的工具以后，工作的流程发生变化，而且业务模式有改善，现在有了吗？或者谁手上有这样的例子吗？

周树峰：我觉得在办公领域非常明显，因为你会在整个内部协同中的每一个单点去引入AI的能力，你的会议、你的汇报这些东西都会产生一个范式的转变，整个工作方式跟原来不太一样，我们今天不需要人再去搜集总结这些东西，开一个会有一个智能纪要给到你，你添一些汇报内容自动去组织这些东西，非常明显。

周令坤：您那边认为已经发生改变了？

周树峰：对，非常明显。

向凯：我可以举一个例子，公司我就不说了，其实周围很多公司都发生了这样的情况。典型的案例就是当开始用即梦的生图之后有一些设计需求、设计流程发生了很大变化。以前一些市场营销团队，包括有一些品牌团队要设计LOGO衫，都是找供应商设计，然后可能过一两周或者过几天返回一版设计稿，不满意再改一改。但是现在大家最开始讨论方案的时候基本上就是用AI，比如说用即梦一下生成很多版，然后拉着老板一拍一决策，进一步优化有可能还需要去帮忙设计一下，但是整个流程发生很大变化，可能以前花一两个月的时间，现在有可能一周内就搞定了。

周令坤：非常好的例子。

梁伟强：这两年，也就是2023年开始大家对ChatGPT大模型会熟悉一点，但是在4—5年之前我们造型团队已经开始用了，主要做一些样式、范式的生成，然后通过我们造型专家在里面快速挑选，比如说前脸的一些特征、侧尾的一些特征，一下生成数百个然后在里面挑，其实这个会极大地提升效率，包括里面还有一些很好的创意未必是我们设计师能想到的。

周令坤：谢谢梁总的补充。刚才提到了大模型，从技术Demo走向车端量产化部署的时候，企业面临的不仅仅是模型本身的选择问题，还涉及到技术路线、技术架构、开发流程和开发文化这些变革，后面有几个问题与此相关。

下一个问题我想问王晓刚总，关于技术路线这个问题。我们观察到当前大模型上车存在两个主流路径：一种是“自上而下”，即采用开源或商业化的模型进行集成和适配；另一种是“自下往上”，在通用基座模型的基础上自研汽车垂类的模型能力。王总您实际在操盘这件事情，如何看待这两种技术路径背后的取舍，以及未来是否有走向融合的趋势？

王晓刚：这两种模式必须存在，2023年大模型刚开始的时候我们也是一直积极拥抱开源社区，那个时候我们发布了开源的大模型。包括我们自己在用开源的模型，DeepSeek出现以后的话，我们基于DeepSeek进行一些微调，做各种实验和场景的开发，它会推动整个社区快速基于我们大模型进行各种场景化的创新。你可能会发现这个能做到70～80分，但是它不能够非常完美地解决垂域里的问题，像比如说我们今年年初的时候有了DeepSeek，很多车厂也把DeepSeek直接部署了以后进行深度思考，但是你会发现它输入这些问题并不适合车上场景，内容很长，但是怎么让深度思考能够以更好的方式表现出来？

另外一方面是垂域的专业模型，训练的时候要根据汽车的场景。在座舱里面刚才提到多模态，那么，我们在训练我们基础模型的时候，就把积累出来的车载数据放进去，这种模型在后面微调，它的效果会更好。你这个模型没有任何基础预训练的时候，没有见过车相关的数据的时候，你后面再怎么对它进行微调，性能都会各种各样的问题，而且汽车这个行业里面有自己特定的要求。

刚才我们说世界模型，视频生成我们年初的时候就有Sora，你会发现它生成出视频的数据，其实没有办法保证在自动驾驶里面11个摄像头时空的一致性，如果能够去很好地解决自动驾驶里的问题，一定是把世界模型跟我们自动驾驶的研发团队相结合，不停地去迭代，最后才能产生一个有用的、比较好的世界模型出来，所以我觉得这两方面实际上都是发挥各自重要的作用。

周令坤：谢谢王总，对于这个问题各位有没有什么补充？

黄震：王总说得很对，我觉得这两种都存在的。说简单一点比如说生活助手这类Agent特别适合“自上而下”的路径，从现有开源大模型集成通用能力以后，比拼AI的Agent的能力，去拓展和跟物理世界的交互。

自动驾驶Agent目前来看还是非常典型的“自下而上”的路径，是垂域的专用模型的方式。从开源集成模型具备通用文本知识和思考的能力，但是，你用到自动驾驶，首先它输入的不是文字的token，输出也不是文字的token，所以你两边要做很多的动作，输入层要应用你对3D事件理解的这一套专用模型，把视频数据整合成token再做对齐，输出你要让大模型输出真正规划一些路径或者高层次车驾驶行为的决策。

现在都讲AGI，往后看一定往这个方向去，各种层面打通，我的生活助手Agent也理解我的驾驶行为，我的自动驾驶Agent也理解我交互多媒体的娱乐的东西，两者最终合并。但是我个人觉得这个现在还没那么快，因为在垂域模型里算力需求与成本的矛盾还挺大，如果有充分的算力，智驾模型一定是提升分辨率、提升参数量、提升输出的帧速，至少可能两三年内在车端还没AGI，云端应该是更快一些。

周令坤：谢谢黄总。下一个问题问向总，未来当 AI 能力，尤其是大模型能力可能趋于同质化时，主机厂和科技公司未来真正的核心竞争力将是什么？又或者说差异化竞争的核心在哪里？

向凯：首先我不认为AI的能力一定会趋于同质化。我讲一下从技术公司的角度怎么避免这个事情，当然从主机厂的角度，其实我觉得我可能不太有能力来回答这个问题，因为我觉得主机厂的生意非常复杂的。

我觉得如果从技术公司的角度的话，首先，AI距离真的实现AGI还是有比较大的距离，不管你对AGI预期是什么。假如说我们预期是它能够可靠的实现某一类人能够日常工作的话。其实离AGI还是比较大的距离的，而要实现AGI其实刚刚很多专家也提到背后既有算法、算力，也有数据，背后其实每一块投入都是巨大的。我觉得最终能够朝AGI投入的玩家非常少，我不认为最终会非常同质化。

周令坤：谢谢，看看两位主机厂的领导有没有补充？

梁伟强：我补充一下，我觉得刚才提到一个问题就是说，在这样的过程中整车厂和科技公司之间的关系是怎么样的？我先说整车厂的一些优势。

第一，我们对用户场景的理解，用车前、用车中、用车后，包括离车后的时候，我们如何把这种场景分析到其实就是一个需求。

第二，数据。我本身整车厂有很多的数据，这也驱动我们的大模型不停迭代和进化。

第三，我们的整合能力，工程化落地的一些能力。不管是座舱也好，包括智驾也好，汽车主机厂在这方面都有很多的研发部署落地，这是整车厂主要的优势，在大模型跟整个落地情况下。

我觉得整车厂和科技公司不是竞争关系，其实是一个合作关系。因为车里面未来所有的APP都是Agent化，这是一个趋势，也不是所有垂类我们都应该做。其实我们和在座的嘉宾在这方面有很多交流，在座舱端侧模型，包括云端的部分一些细分类的Agent我们也有交流，我觉得应该是联合合作，按照大家所长，把一些战略控制点控制住，才能做出更优质或者价廉物美的这样一个产品。

周令坤：谢谢梁总的补充。下一个问题问王总，为了实现AI（尤其是大模型）在汽车上的深度集成和持续进化，整车的硬件和技术架构包括电子电气架构、操作系统、算力平台需要做出哪些改变？这个您有什么建议？

王晓刚：我觉得接下来汽车座舱这个场景，它是面向我们智能化设备下一代，今天可以看到我们的智能化设备，是你打开电脑或者手机APP主动发送自己的请求，它给你答案。未来这种智能是基于环境式计算，人工智能就像空气一样，是无处不在的。它能够时刻感受到你的需求，主动给你提供服务，所以，在这里面有几个核心要素：

第一，要有AI的计算；

第二，多模态传感器；

第三，大模型；

第四，它需要有记忆的能力。

之前您提到我们有这种情感的连接，为什么人有情感的连接？因为有记忆。以前有一个电影叫作《50次求婚》，每天早晨女主角都会丧失她的记忆，所以在电影里面男主角一定要重新去追求她、唤醒她的记忆。对整体架构来说，人工智能能够变成像空气一样的存在，你的模型一直要跑在端上，今天我们的架构不支持这个，它是在云上的，你只有给它发送请求的时候它才响应你。所以，今天我们各种MOE（混合专家模型）的架构，端上的芯片要能够支持大模型一直去感知我们各方面的需求。另外就是数据的积累，能够去形成我们的这些记忆，这个里面实际上要软件和硬件相结合，在这里面形成新的架构，形成新的壁垒。

周令坤：相当于说主动服务的前提条件是要具备端侧的这些能力？

王晓刚：对，如果你看四个核心要素的话，他不光是汽车，将来具身智能的机器人或者穿戴式的设备，其实里面都具备核心要素，今天我们在汽车这个场景里面打造出来的这些新的交互方式、整套体系也有很大的机会能够去拓展到其他行业里面。

周令坤：我下一个问题想问刚才替文科说话的工科生皇甫主任，关于汽车开发文化与人才结构的转变的问题，在汽车行业，工程师主导的开发文化如何与 AI 驱动的“数据闭环” 范式融合？哪些岗位会被重构？

皇甫秉京：谢谢主持人。刚才那个问题我再说一下，刚才梁总也提到了，其实主机厂的优势在于场景的数据，包括生产的数据，现在智能制造领域其实这个数据非常匮乏的，所以，为什么我们讲大模型的前置条件是云计算和大数据，之前有这样的积累，包括像火山也好，他们能够实现非常好的应用。

刚才您说关于重构这件事，我认为在模型能力不断提升的今天，比起解决问题，能够问出一个好问题是重中之重的事情。我在大概一个月之前写过一篇文章，我们不要讲文科无用论，我们应该呼吁文理融合论，在这个领域里面其实我觉得文科生反而迎来了非常好的机遇，基于文科生对这个世界的洞察，你能问出更好的问题，你可能从大模型中得到答案就会更好。

刚才像您所说，其实原来专属理科生的一些能力可能会被大模型吞噬掉，刚才我讲得到80分很容易，反而后面谁会有洞察，谁能问出那个更有深度的20分的问题，可能谁就能够更接近这个领域。

所以，后面这种工作的模式、岗位的模式其实也都会被重构。现在我们在其他领域，比如说在营销领域，就在推进AI营销工程师人才标准，其实他不但要有基础的一些工具的使用能力，最重要的就是在提示词工程这一块他的一些能力怎么去应用。我们把它归为，由于AI大模型的出现文科生也可以成为工程师，这是我对这个问题的想法。

03

AI+时代新的商业机遇

周令坤：谢谢皇甫主任，非常有意思，文科生也能成为工程师，这个非常好，谢谢。我后面会从AI驱动的产业发展机遇维度再问几个问题，在AI的重新定义下，汽车产业链哪些环节有可能会被颠覆，会有哪些新的商业机遇，包括车企跨界具身智能是技术的溢出还是争夺泛智能体时代的入场券，我们想结合这些点进行一个讨论。

第一个问题，我想问一下向总关于产业链机遇的问题。AI的崛起进一步加速汽车的价值重心是向软件、数据和服务转移，您认为在AI驱动的汽车新生态当中，产业链的哪些环节将迎来最大的变革机遇，例如新的技术供应商的崛起等，不知道您这方面有没有思考？

向凯：我结合我们做的一些业务来讲一下吧。大模型的应用在整个汽车领域，不管是开发的链条还是各种职能的链条，我觉得都会产生比较大的价值。比如说从营销、从消费者洞察到实际销售例子的筛选，以及到售后服务等等，我们现在是比较明确地看到能够产生非常大的价值。

刚刚王总、梁总都提到在智驾领域大模型其实也在产生比较大的价值，能够带来更好的体验，包括王总也提到了，就是座舱在有了记忆之后，能够给人更主动、更个性化的体验等等。我总体上感觉几乎是方方面面，不管说是对于企业经营的效率，还是对于最终消费者体验，我认为都有非常大的帮助。

周令坤：谢谢您，我再补充一下，现在你们几位技术大拿都已经在大公司了，如果说让您再开一个公司，再做一个创业，您会选什么赛道？还有没有新的发展机遇？毕竟“AI+”今年在加速，在产业链里面会不会催生新的机会、新的角色？

王晓刚：我分享一下我的体会，过去几年我们作为AI的赋能者，今天的行业有这样一个共识，大模型的时代，它不再是简单地提供一个工具，你要deliver结果，过去几年里面我们做了好多这些事情，但我们最终要走向终端用户。比如说我们在座舱里面，你不能光提供模型本身，你最后要提供完整的体验。可能这里面是我们跟车厂一起合作，但是最终是面向终端用户，提供给他一个产品的输出。这样的话，我才能够形成在专业领域里面数据的壁垒。

另外，我们刚才也说到，未来的智能设备里面有几个新的要素，它会颠覆我们使用AI的方式，我觉得在这个里面可能也存在着比较大的机会，但是一定要软件和硬件相结合起来才有更好的商业模式和更好的机会。过去两年里面，我们一直想用Model as a Service，提供模型本身去赚钱，实际上现在证明它是不work的一个模式。我自己打了个比方，我们花了上亿元的资金，做出芯片以后是论斤卖的，它是按token来收费的，所以我们不能把它当成一个工具来输出。

周令坤：我理解王总，您是想从业务闭环里面触达消费者？

王晓刚：对，必须要闭环。

周令坤：谢谢向总和王总的回答。我下一个问题问周总，关于AI公司新兴商业模式的话题。就是AI的大模型公司、云厂商和新兴科技公司在与车企合作的时候，如何通过开发模式与商业机制的创新来构建可持续的商业模式？当前有哪些成功的实践和探索？

周树峰：因为我们是做端侧智能业务，所以我们在很多其他行业，不一定是在汽车行业，都会去寻找AI-Native的产品，去做一些深度的合作。在这样的合作过程里，你会发现那些AI-Native的产品当中，你的AI能力会是这个产品的灵魂和核心。当然你还有其他的软件、硬件、设计、概念、人物背后的故事，等等这些会影响，但是找到这种AI-Native以后，你会发现你跟产业链合作的时候，大家就不再是一个我向你出售我的技术，你花钱购买我的技术，这样的一个逻辑了，变成我们共同打造一款产品。我们做的AI能力可能是非常special的，基于special的架构、special的数据去做出来这款产品，我们面向市场以后可以一起去分享它带来的商业成果。

我为什么刚才强调AI-Native呢？因为合作方的两边都对于对方是强依赖，如果我只是加强我现在的产品，把上一代的产品做一个革新，那又变成了一个技术购买的逻辑。对于商业模式来说，它是我们看到比较有想象前景的。

周令坤：看看你们两位有没有什么补充？关于商业模式的话题。

王晓刚：在构建可持续的商业模式中一定要找到自己的核心价值和差异化。比如说今天我们作为供应商要做AI的操作系统，我想不会有主机厂去用的，因为每个主机厂都要有自己的AI操作系统。这个里面还有比较关键的内核，非常难的核心技术，刚才我们提到了，有记忆、多人多轮的对话、MOE这些架构等。这些里面，它是比较核心的也是我们擅长的，可能是我们给主机厂提供这些能力。在此基础上，主机厂结合它的场景，把对整体硬件控制的能力结合在一起。

我觉得在这个里面一定要找准自己的定位。如果我们去做这种通用大模型，各个大厂每家都在提供的这些东西，是很难持续的。因为它的可替代性非常强，我们自己在选择的时候，我看大家都在做的东西，我就说我们不要做，一定要想清楚，在未来AI发展的过程当中有哪些是我们核心要突破的点。

周令坤：我是不是能这么理解，您并不看好黑盒子交钥匙给到主机厂，您看好的是把自己擅长赛道的产品集成进主机厂的能力里面去？

王晓刚：其实最终它是将来的趋势。因为主机厂一定是要自主可控。

周令坤：向总有补充吗？商业模式。

向凯：在商业模式这块，可能不同的公司有不同的选择，我觉得核心是在交付价值的基础之上选择匹配自己公司竞争力的场景。其实从火山的角度来讲，Model as a Service对我们来说是不错的商业模式，我们基本上占了国内目前差不多接近50%的tokens的消耗，既有国内最强的闭源模型，也有国内最强的开源模型，service info的能力也是国内最好的。在这种情况下，就使得我们提供Model as a Service从性能和成本上都是有优势的，所以对我们而言，确实是一个不错的商业模式。

当然，刚刚王总、周总也都提到，汽车的很多场景，通用大模型可能不能够完全解决问题，这个时候就涉及到和其他的合作伙伴一起，不管是做端侧和云侧配合的解决方案，还是提供模型给其他垂类的模型厂商做一些Fine-tuning服务等等，我觉得其实是有很多合作的机会。

周令坤：谢谢三位的回答。

我下面还有一个问题是问主机厂的，想问梁总关于主机厂新的盈利模式的话题。AI会催生哪些新的盈利模式？比如说基于用户数据和AI能力个性化的订阅服务，包括车载的AI Agent应用商店、数据驱动的增值服务，我不知道您是不是已经开始有一些尝试或者是计划做这样的事情？

梁伟强：首先应该这样说，我们要洞察用户的需求，AI的赋能可以让冰冷的一些场景或者功能，让它带给用户更好的情绪价值，包括像最简单的辅助驾驶或者智能驾驶，从过去单一的场景到现在，我们的城区、高速辅助还是挺稳定的，这取决于整个AI大模型的赋能，所以用户才愿意用、敢用。通过它的性能提升、安全性提升，用户就会为之买单，这种例子应该是比比皆是的。包括我刚才说的，所有的场景都会Agent化，这样可以让用户在使用的过程中，更多去为新的、体验更好的功能进行买单。

周令坤：现在还没有商业化吧？

梁伟强：我可以这样说，所有这些能力，比如说生成式的HMI，其实这些就是为用户提供情绪价值，这些东西我们都正在开发。

周令坤：很快就能看到结果？

梁伟强：对，其实从技术的推断来说，这是可行的，只是什么时候部署上去而已。

周令坤：谢谢梁总。

我下一个问题想问黄总，是关于汽车产业跨界具身智能这个话题。AI让汽车公司开始寻找跨界的尝试，比如说很多汽车公司开始布局具身智能，当然也包括理想。这种跨界是源于汽车智能化技术的自然延伸，还是对智能体生态的前瞻性布局？这个不知道您怎么理解？

黄震：首先我还是偏向于它是很自然的延伸。首先就是从企业的战略来讲，主观意愿肯定都是做这样的扩展，每一个车企，像理想自己也说我们定位是一个AI企业，都希望在智能汽车做好以后，在未来的人工智能领域也站在一个核心的位置，所以车企在战略层面讲肯定是主观希望这么做的。我之所以觉得它偏向于自然延伸的主要原因是我觉得车企往具身智能上去拓展比较水到渠成，有三点比较适合说明这件事。

第一，自动驾驶和具身智能的技术有一定的同源性，它都是基于大模型有一些思考能力，对物理世界要能感知到，最后生成一些规划、一些高层次控制的结果。

第二，车企本身在做智能化的过程当中，就是我刚刚提到的“下半场”，它会有很多在AI上面的积累，有时候我们把它叫AI的智能基建，有时候在英伟达那边叫“AI工厂”。这些积累让它往新的比如说具身智能这个方向上拓展会很有利，它先天就有这些积累。

第三，这个就不光是车企了，我们整个产业链，包括工厂制造这套体系，车企现在这么“卷”，我觉得中国在整个这条线上其实是做到极致了，应该在全球，无论是车企，还是供应链，还是生产环节，这些东西它都做到极致了。你把车做好了，自然延伸到具身智能上，我认为也是非常自然的。

基于以上三点，我个人感觉是很自然的一个事情。

04

AI赋能汽车产业的展望

周令坤：谢谢黄总。由于时间原因，我还有最后一个问题，每位嘉宾都需要回答一下。我们把AI赋能汽车产业的未来做一个展望，AI大模型在汽车行业一定有被低估的地方，也有一些挑战是存在的，您认为在AI赋能汽车产业的道路上，在未来3-5年中，最值得期待的几个关键里程碑或标志性事件会是什么？我想每个人用1分钟左右展望一下，王总，要么您先开始。

王晓刚：我对像仿真引擎、世界模型是有它的期待的，因为之前端到端的自动驾驶，类似ChatGPT都是模仿训练、模仿人，有了世界模型之后，跟强化学习相结合，它就有希望能够去突破数据的瓶颈、突破人类的上限，之前是Scaling Law来驱动的，今天通过新的仿真和强化学习，能够把我们的智能带到下一个阶段。

周令坤：预判大概什么时间？

王晓刚：我觉得一两年之内，首先在今年，我们可以看到行业里面强化学习加上事件模型已经是大家认知的一个共识，而且在快速迭代。这个技术成熟之后，未来的机器人，还有其他的领域都有非常大的拓展空间。

周令坤：谢谢您，向总。

向凯：我可能比较期待的是两件事情。一件是消费者端的车能够实现完全无人驾驶，当然这个消费者端实现完全无人驾驶倒不一定是以Robotaxi服务的形式，我觉得更多的是我日常通勤常用的这些路线，在有消费者的授权之后，能够实现完全无人驾驶，就相当于无人驾驶做我的专有司机了，我上班不用自己老开车。

第二个点我比较期待的其实也和之前聊到的具身智能有关系。第二个期待，就是能够做一些通用任务的具身智能机器人，当然这个可能时间线会稍微长一些。

周令坤：时间长，大概是几年？

向凯：第二个我没有特别明确的时间预期。因为我觉得还是一个signs的问题。第一个点，大家看到了一些更明确的路径。但是第二个点，我现在很难说，我觉得随便拍一个，比如说5年的尺度吧。

周令坤：这是您的愿望，谢谢向总。周总。

周树峰：我可能从跟我们业务相关联的角度去说一下，是我们正在做的事情，也是我们的一个期待。我觉得我们有一个低估，就是低估了模型发展的速度。我们看到基本上3个月之前发布的世界第一的模型，今天就已经不是世界第一了。我们也持续在端上小参数的大模型上验证这个规律，所以我们希望在未来比如1-2年的时间，可以把相当于今天GPT-4o的水平搬到端上去做。这是我们第一个期望，因为它带来的感知的交互的体验，以及深度思考的能力是不太一样的。

第二点我们要解决资源的问题、算力的问题。因为我们今天12-36个月的端上的算力，基本上大家都知道的，芯片厂家的map基本就这个样子，我们要解决的是一个推理速度的问题，能不能有一个相对于今天通常做的推理速度的3-10倍的提升。

当然提升这件事情，你不能牺牲模型质量和模型水平，可能更多在算法和模型结构上去下功夫。听起来比较悬，像黑科技，但是如果我们倒退几个月，我们看到DeepSeek非常高效的训练技术以及它的推理架构出来之后给我们带来的震惊，我们看到大模型领域的技术还是没有完全收敛的，所以我们是有可能在模型能力和推理速度这两个点上做出非常大的进步。当然这个进步一旦发生，可能会对整个不管是汽车座舱还是具身智能相关的产品有非常大的提升。这是我们对行业的期待，也是对我们自己的期待。

周令坤：谢谢周总。皇甫主任。

皇甫秉京：刚才王总、向总、周总提到几点，正好在我这儿有一个小结。我关注的点是通用的人形机器人商品化的节点，我相对来说会比较乐观一点，觉得应该会在2028年左右，就是3年左右人形通用机器人进入到生活场景。因为我们知道所有的工厂是全监化场景，商用的这些环境是半监化场景，家用基本上是非监化场景。在商业化的角度，如果一个人形机器人能够以一个合理的价格进入到这个场景、证明它的功能，成本降到一个可用的范围之内，到那个点的时候，我相信在汽车领域也会实现更多的功能。所以那会儿基本上可以看到人工智能+具身智能AGI的起点，我觉得会是在2028年。我看的内容确实也比较杂，比如可控核聚变，包括能源角度的变化，其实都会催生这些事情的迅速发展。

周令坤：谢谢皇甫主任非常具体的预测。黄总。

黄震：我这边的期待跟向总刚刚提到的第一点一样的，我对未来这几年最核心的期待就是完全自动驾驶，车上什么时候没有方向盘了是个非常明确的爆发点，我们认为这就是智能汽车的iPhone4时刻。

一旦没有方向盘，它不单是省一个座位那么简单，整个车的空间体验完全可以重新组建。这里面我补充说一点，除了我们常说的数据、算力以外，还有一个很大的难点，在于大模型的可解释性。目前业界这方面也有一些研究，我们内部也有团队在跟踪，对于大模型的可解释性如果有了突破以后，这个时间点会比我们预想的来得更快。

周令坤：谢谢黄总，梁总最后做一个总结。

梁伟强：说不上总结，我的看法跟前面两位专家有点像，我认为标志性的时刻应该是to C的L4真正落地。它的落地背后隐含了很多的信息。首先是政策法规的完善；第二，数据安全、信息安全、隐私这些问题已经得到很好地解决；第三，基础大模型技术和现在一些技术的迭代足够成熟，包括刚才提到的仿真、强化学习的赋能，我觉得它是代表了整个技术栈的完善。

周令坤：谢谢梁总。

感谢六位嘉宾的精彩发言，我们一起回答了“Al+ 将给汽车产业打开什么新版图？”感谢大家头脑的激荡，也谢谢在座各位听众的耐心听讲和线上观众的支持，我们移步到前台拍一个留影纪念，结束我们的panel，谢谢各位。