9月9日，工信部等九部门联合印发《智能网联新能源汽车产业发展“十五五”规划》（工信部联规函〔2026〕305号）（以下简称“《规划》”）。《规划》首次将“人工智能+汽车”列为重点行动，明确推广50个左右典型应用场景，并提出优化多类型算力基础设施部署、加速异构算力调度共享、“车路云一体化”等部署。

　　9月16日，百度智能云与车百智库联合出品白皮书《中国汽车产业AI转型的路径》（以下简称“白皮书”），系统给出了车企AI转型的场景、数据、平台、组织、生态五层路径与“AI浓度”评估模型，为当下汽车产业的智能化转型提供了清晰可落地的行动框架。

　　根据白皮书披露的调研数据，目前已有超过60家车企和零部件企业完成DeepSeek本地化部署，但多数仍停留在"技术贴牌"阶段。这些企业面临的困境并非彼此孤立，而是集中在算力、场景、数据与组织等相互关联的层面：既要在数据安全、算力成本与资源效率之间寻求平衡，又要破解AI应用停留于单点试点、业务数据难以打通、跨部门协同不畅等难题；与此同时，行业评估与对标体系仍不健全，企业往往难以准确判断自身所处阶段和下一步投入重点。这些问题很难依靠单项技术单独破解，唯有多维度协同推进，才能真正实现从单点试点到规模化应用的跨越。

　　车企AI算力落地新路径

　　混合云破解行业普遍痛点

　　随着车企AI转型进入深水区，算力资源的供需矛盾已经成为全行业最突出的共性难题。对数据安全和隐私保密要求极高的汽车行业，同样无法绕开这一困境：完全依赖公有云，无法满足核心业务数据不出域的合规要求；如果全靠自建算力，又会陷入“算力卡供给不足、运行效率低、成本难以承担”的尴尬处境。针对这一行业共性痛点，百度智能云提出了一套兼顾安全可控与成本效率的混合云算力方案。

　　这套方案的核心逻辑是：车企不必勉强追求“全算力自建”，转而采用“私有算力打底+公有云补充”的弹性架构。在可采购的配额范围内，企业可采购昆仑芯P800等国产AI加速卡搭建小范围本地算力池，依托百度提供的百舸AI异构计算平台、千帆大模型平台等全栈软硬件能力，快速搭建起完整的私有化AI体系；从底层算力卡、调度运维平台到模型全生命周期运营，都有成熟的产品能力直接支撑，无需车企从零开始搭建技术体系。

　　在算力资源分配方面，该方案提出，企业自建的有限私有算力要优先供给内部高度保密的核心业务场景，如涉及生产核心数据、用户隐私信息的模型训练、敏感数据处理等环节，以此确保核心数据全程不出本地，完全满足安全合规要求。当本地算力资源紧张时，大量非保密的通用业务场景可以直接外溢，调用百度公有云的MaaS服务完成处理，无需额外投入硬件成本，性价比远高于自行采购芯片扩容。

　　通过这种“核心场景本地跑、通用场景云上跑”的弹性调度，车企可以把宝贵的算力资源全部用在“刀刃”上，既解决了“买不到足够芯片”的现实难题，也无需在安全合规和算力成本之间做两难选择。目前这套混合云算力模式已经在多个行业完成规模化落地验证，正在成为汽车行业破解AI算力落地困境的主流路径。

　　“快广深”场景规划方法论

　　让企业智能体落地不再踩坑

　　9月16日，百度集团执行副总裁、百度智能云事业群总裁沈抖在2026智能经济论坛上正式提出"产业智能体操作系统"理念，指出其能将通用智能体、专业智能体、定制智能体与企业的经营体系、云上资源组织在一起，让智能体真正跑在企业业务里。同时，百度智能云发布以百度搭子为基础的百度搭子开发平台，把搭子同款技术开放给企业，并承诺永远不向生态伙伴抽佣。

　　目前，百度搭子作为通用智能体平台，能力覆盖代码开发、全链路日常办公等绝大多数企业高频场景，已经具备规模化推广条件，可直接帮助企业将智能体嵌入实际生产环节，落地产生真实价值。

　　除此之外，百度还布局了胜算、一见、伐谋等多款垂直智能体产品，分别适配不同的细分业务场景。面对丰富的产品矩阵，不少企业反而陷入选择困惑：场景这么多，到底该先推哪个、后落地哪个，具体要怎么一步步推进？大量企业实践经验显示，智能体落地的优先级无法在办公室里凭空敲定，不少场景的真实价值，只有实际跑起来才能真正看清。

　　针对企业智能体落地的这一共性难题，百度智能云提出了“快、广、深”场景规划方法论，帮助企业避开“想太多不敢动、铺开太广做不深”的常见陷阱。“快”，即所有已经拥有成熟产品、经过大量用户验证的场景，无需反复论证纠结，直接上线使用即可。“广”对应DuMate这类通用智能体平台的灵活扩展能力：平台支持用户自定义Skill（技能包），可先用“DuMate+自定义Skill”的模式快速试跑，初步解决问题，再在大范围覆盖的过程中，沉淀出真正能创造价值的落地场景。“深”瞄准企业核心业务逻辑的深水区场景，这类场景不再局限于普通的办公提效，而是直接关联企业核心算法、核心业务数据的关键环节。

　　不难看出，“快、广、深”方法论已经形成了完整的落地闭环：“快”让成熟场景实现即插即用，帮助企业快速拿到第一波提效成果；“广”通过低门槛批量试错，筛选出企业内部原本未被发现的高价值隐藏场景；“深”则集中资源攻坚核心业务场景，推动智能体从“办公提效工具”真正进化为支撑企业核心业务的生产力引擎。三者结合，就能帮助企业避开智能体落地的常见误区，以最低的试错成本，实现AI智能体从试点到规模化落地的平稳过渡。

　　数据底座打底、组织变革配套

　　让AI价值真正跑进业务

　　白皮书指出，随着大模型能力趋同，车企AI转型的胜负手已从"追求更强的AI"转向"真正读懂业务数据"。难点在于，通用大模型靠公开语料训练，而车企核心数据沉淀在ERP、MES、PLM等系统里，两者存在"理解断层"。理解一旦浮于表面，智能体就会"按字段名猜含义"，把偏差变成业务风险。行业普遍面临数据质量、数据孤岛、新老系统打通难等系统性卡点。

　　为此，百度智能云主张以业务本体和知识图谱为基础构建企业级数据底座，打通语义断层、统一全域数据资产。数据底座越扎实，大模型与智能体在车企内部落地就越有根基。

　　如果说数据底座解决的是"AI能不能读懂业务"，那么组织管理变革解决的则是"AI价值能不能落进业务里"。白皮书强调，AI应用迭代快、跨部门数据依赖强、结果可实时呈现，其价值释放取决于业务流程、决策权限与责任边界能否同步调整。企业的AI化转型，绝不只是增加工具和项目，更是一场组织层面的深度变革。

　　AI的介入，能够从多个维度重塑组织效率。管理者可在授权范围内实时整合经营数据、会议记录与一线反馈，从"事后分析"转向"实时感知、前置干预"；决策依据被完整记录、可追溯可复盘，有效减少"经验拍板"；跨部门围绕同一车型、订单或质量问题形成共享信息视图，问题闭环明显加快；重复性事务交由AI承担后，骨干员工得以聚焦问题定义与创新设计。

　　从算力弹性调度，到场景"快、广、深"推进，再到数据与组织的双重升级，中国汽车产业的AI转型正走出一条从单点提效到全链路重构的系统性道路。当数据被真正读懂、组织被真正重塑，中国车企的核心竞争力也将从硬件优势转向"AI+整车"的体系化能力，跑出属于自己的快车道。