《智能网联新能源汽车产业发展“十五五”规划》（以下简称《规划》）中的“人工智能+汽车”发展行动提出，深化人工智能技术车端应用，加强人工智能在整车能量管理、运动控制、多模态人机交互、智能故障预判等方面的应用，并通过车内跨域协同，实现舱驾融合、全场景自适应调控等功能。这意味着汽车AI的发展重心，正从座舱娱乐交互，向整车安全关键域迁移。

　　目前，人工智能渗透至车辆核心运行环节。能量管理领域，吉利星睿AI云动力2.0大模型通过实时感知环境与路况数据，智能匹配油电策略，整车综合节能10%以上；运动控制领域，理想全线控底盘、华为乾崑数字底盘引擎实现了多执行器AI协同调度；故障预判方面，东软睿驰智能云BMS依靠云端AI模型可作出电池老化、内短路风险动态研判，推动电池管理从被动响应转向主动预警。

　　在单点能力陆续上车的基础上，跨域融合的量产方案正加速推进，并开始向整车级协同演进。千里科技联合吉利、阶跃星辰打造的“超级Eva+G-ASD 4.0”已量产上车，德赛西威舱驾一体方案、东风天元智舱Plus已明确定点。不过，从跨域融合到整车级原生协同仍有明显跨度，行业要实现这一跨越面临重重障碍。

　　产业能力迎来全新标尺

　　人工智能深度上车，并非简单加装AI模块，而是推动汽车由传统机电系统向AI定义的安全关键系统转型，由此对系统集成、AI工程化、数据闭环、生态协作与人才储备提出了全新要求。

　　千里科技相关负责人表示：“AI深度上车，本质上是从功能叠加走向系统重构。”过去，智驾多为车型定型后追加的功能模块，而AI需要在整车立项阶段即介入，成为贯穿感知、决策、执行、交互的整车“神经系统”。以应用于极氪8X的“超级Eva”为例，其打通了智驾、智舱、底盘多域技术栈，从架构顶层实现舱驾协同。

　　“AI模型再强，如果不能在车端受限算力下稳定运行、毫秒级响应就无法量产。这是很多技术型团队容易忽视的问题——实验室中的模型表现与量产产品的实际体验之间，隔着巨大的工程鸿沟。”千里科技相关负责人强调，只有在底层预训练阶段开展深度协同，才能跳出“通用大模型+微调”的能力局限。据介绍，在千里科技与阶跃星辰的合作中，双方不仅采用“端云协同”的工程化解法，而且创新性地提出“含模量”概念，即智驾系统中AI模型化覆盖的广度与深度，作为衡量系统智能化水平的可量化指标。含模量越高，系统智能上限越高，但同时也对工程化落地能力提出更高要求。

　　千里科技相关负责人还表示：“AI深度上车的本质是数据驱动。没有规模化量产车队持续回传真实场景数据，模型迭代就是无源之水。这也是我们强调量产交付能力重要性的原因，而数据闭环更关键的是数据质量、标注效率、场景挖掘和闭环验证的体系化能力。”

　　在中国生产力促进中心协会常务副理事长兼秘书长王羽看来，AI介入车辆安全控制后，传统分布式架构已难以适配。“系统集成正从分布式协同升级为中央集权式融合。传统分布式电子电气架构下不同的域各自为政，但AI进入运动控制后，跨控制器通信至少10毫秒的延迟已不可接受。”这意味着零部件交付物也从独立硬件执行器，转变为嵌入整车AI模型的可编程节点。

　　架构迭代之外，从实验室演示走向车规量产同样面临多重显示阻碍。以车辆AI能量管理为例，策略要求切换毫秒级无中断，其工程难度远非座舱应用可比。数据闭环迎来EB级（艾字节，1EB=1024PB）挑战，单车日均数据采集可达10TB，动力、座舱、智驾域的数据诉求各不相同，行业大多仅完成单域闭环，跨域闭环仍是难题。

　　人才结构性短缺则成为最大瓶颈，既懂车辆动力学又掌握AI算法的跨学科工程人才、能够甄别真实需求与伪需求的产品人才、精通安全合规的专业人才供给不足，现有高校学科划分难以匹配产业交叉化的用人需求。

　　MathWorks中国区汽车行业负责人周斌告诉记者，随着感知、决策、控制、动力、底盘和座舱加速融合，企业需要在新的电子电气架构下统筹算力、通信、实时性、功能安全与网络安全。

　　与此同时，AI也必须真正走向工程化。一个模型在实验室中表现良好，并不意味着可以直接装车；从数据准备、模型开发与优化，到系统集成、代码生成、软硬件部署、仿真测试和运行监测，每个环节都需要纳入可验证、可追溯、可重复的工程闭环。

　　周斌提出：“只有把AI创新与严谨、确定性的工程方法结合起来，汽车行业才能在提升创新速度的同时，守住安全、质量、可追溯性和可维护性的底线。”

　　跨越AI工程化落地鸿沟

　　根据《规划》的要求，AI深度上车已不是选择题，而是如何安全高效规模化落地的必答题。尽管技术方案快速迭代，但产业整体准备尚有不足，多重风险同样需要提前防范。

　　千里科技相关负责人表示，整车能量管理、运动控制等领域属于安全关键域。AI模型本质上是概率性的，这与汽车行业传统的确定性安全验证体系存在根本性矛盾。行业不能直接套用传统功能安全标准，亟需建立面向概率性AI的安全保证框架。

　　舱驾融合的跨域架构标准尚未形成共识，融合尺度拿捏十分关键。千里科技选择渐进式融合路径，优先完成交互层舱驾协同，再向底层控制延伸；坚持L4自动驾驶统一技术架构，L2/L3/L4自动驾驶区分责任边界而非模型边界，实现高阶技术向下赋能、量产数据向上反哺。

　　王羽认为，很多车企的组织架构依旧按动力、底盘、智驾进行划分，这种壁垒将成为舱驾原生融合的现实阻碍。此外，安全验证逻辑也要从穷举式测试转向论证式保证。他直言：“大模型本质是‘黑盒’，座舱场景可容忍，运动控制场景下不可解释意味着无法安全论证、无法通过审批。”

　　行业共识已经形成，需要发展面向车用AI的可解释性工程方法论，不要求每个决策被人类理解，但决策边界与失效模式应被系统性定义和验证。与此同时，AI介入车辆控制也倒逼行业厘清事故处置逻辑，明确AI决策引发事故时的责任界定规则。

　　即便上述问题得以解决，产业落地依旧绕不开多项基础能力短板：整车级算力调度中间件目前仍是行业空白，各域算力需求相互冲突，紧急工况下的功能降级尚没有成熟可行方案；统一的跨域数据底座也尚未建成，与之配套的复合型人才培养体系同样亟待重构。

　　周斌也强调，行业的最大短板在于单点算法之外的完整工程体系：“AI模型具有概率性，因此不能只看实验环境中的平均准确率，还要充分考虑极端工况、长尾场景、鲁棒性、可解释性、失效降级和运行时监测。” 他提出，企业需运用多级仿真测试手段把风险前置，打通需求追溯、仿真、自动化测试流水线。合规治理要前置设计，安全关键链路的AI输出，必须经过严格约束与审批，不能绕过现有质量安全流程。

　　从模型竞争到体系竞争

　　AI深度上车是技术范式、组织形态与治理体系的系统性变革。王羽提醒，要平衡监管与创新的关系：“技术应用不能跑在监管前面，监管也不能扼杀技术创新。安全监管正从条款合规转向安全论证，但标准制定需与产业实践同步。过严恐抑制创新，过松则积累系统性风险，需建立敏捷治理机制，在安全底线与创新空间之间取得动态平衡。”

　　企业则要警惕核心技术空心化风险。车企缺失系统集成能力、零部件企业无法完成AI工程化升级，就可能沦为硬件代工商。算力降级策略，必须优先保障安全关键功能；“出海”车企还需应对ISO 8800、欧盟CRA法案等全球化合规挑战；跨域数据融合要兼顾隐私保护，车用AI的伦理决策边界亟待社会共识。

　　技术层面，端到端“黑盒”问题、跨域实时调度、算力功耗平衡、弱网数据接入仍是未来两三年必须攻克的难题。产业端，软件价值提升重构供需关系；治理端，标准、伦理、事故责任划分仍待完善；人才结构性缺口则将长期存在。“谁率先建立体系化能力，谁就能在‘十五五’智能网联新能源汽车市场竞争中占据制高点。这不仅是企业竞争，更是国家产业生态竞争。”王羽说道。

　　周斌提出，跨域融合会持续抬升系统复杂度，算力能耗、异构部署、模型迭代后的合规验证都是长期课题。汽车AI的竞争将不仅是模型能力的竞争，更是系统工程、验证能力、数字资产复用和持续运营能力的竞争。他告诉记者：“深化AI上车，重点不在于盲目做大模型，而是把算法转化成可验证、可维护、可持续迭代的车规级产品能力。”

　　AI深度上车的大幕已经拉开，《规划》为行业指明了今后5年的发展方向。整个产业生态实现突破的速度、广度与深度，将直接决定中国汽车未来发展新高度。