今天小編分享的汽車經驗：一汽紅旗：整車智能體的發展與思考，歡迎閲讀。
随着生成式大模型的發展，AI 技術已成為汽車行業的焦點，标志着行業從硬體參數競争轉向 AI 智能化的轉變。智能汽車與人形機器人在硬體、軟體算法、數據通信及軟體架構上有許多共通點，產業鏈更新将為企業帶來機遇，特别是芯片算力的提升和大模型生成技術的發展，預示着智能汽車向智能體發展的新階段
在軟體定義汽車的發展中，行業面臨功能豐富但操作繁瑣的痛點。2025 年 3 月 18 日，在第六屆軟體定義汽車論壇暨 AUTOSAR 中國日上，一汽紅旗數字座艙軟體技術總監倪志俊分享了關于整車智能體建設的思考。
為了滿足整車在安全性和性能方面的更高需求，倪志俊還分享了建設整車專用作業系統的構想。該系統将通過四個主要引擎——工具引擎、記憶引擎、規劃引擎和執行引擎，實現對整車狀态的全面掌握和高效操作。
倪志俊 | 一汽紅旗數字座艙軟體技術總監
以下為演講内容整理：
整車 AI+ 發展趨勢
近年來，生成式大型模型的發展勢頭極為迅猛。2023 年，華為公司推出了鴻蒙盤古大模型，随後，小米、蘋果及 vivo 等廠商也相繼發布了搭載相關 AI 技術的智能手機。這一趨勢清晰地預示着，未來 AI 手機将成為旗艦機型的标準配置。
今年春節期間，宇樹機器人在春節聯歡晚會上的驚豔亮相，也引發了廣泛關注。自去年以來，" 具身智能 " 這一概念逐漸進入公眾視野。可以明确的是，當前終端設備的競争本質已經發生了深刻變化，從以往單純依賴硬體參數的迭代比拼，全面轉向了對 AI 智能化的追求。
圖源：演講嘉賓素材
深入分析人形機器人與智能汽車領網域，我們可以發現兩者在多個層面存在顯著的共通性，涵蓋了硬體基礎、軟體算法、數據通信以及軟體架構設計等多個維度，展現出了協同發展的技術趨勢。機器人作為一類智能體，而智能汽車同樣正面臨向智能體進化的重要契機。
目前，眾多芯片公司已經成功量產了具備數百 TOPS 算力的 NPU 芯片，在與這些公司的交流中，我們了解到他們下一代產品的算力将實現飛躍式的提升，從最初支持 CNN 逐步擴展到支持 Transformer 等更復雜的模型架構。
與此同時，生成式大型模型的發展也為我們帶來了諸多機遇。無論是輕量化模型還是雲端大型模型，在汽車領網域都能實現一系列有趣且實用的應用。例如，AIGC 類的應用，包括智能問答、文本生成影像、文本生成音樂以及文本生成視頻等，這些技術的成熟與應用，标志着我們正處于一個汽車向智能體轉變的關鍵時期。
整車智能體建設思考
在數字座艙領網域，我們針對智能汽車向智能體轉變的機遇，形成了一些思考。我們規劃了三個實施路徑：一是推動去 APP 化架構的發展，二是構建 AIOS，三是從產品形态的角度思考智能化策略。前兩個路徑側重于技術層面的實施，最後一個路徑則側重于產品化層面的實施。
所謂的去 APP 化架構，并非意味着未來将徹底摒棄 APP，而是在保留傳統 APP 互動基礎的同時，引入 AI 能力，為用户探索一種全新的互動模式。這一思考源于軟體定義汽車的發展趨勢，随着該趨勢的深入發展，我們發現汽車行業所集成的功能日益豐富多樣。
在功能日益豐富的背景下，我們發現存在一些亟待解決的痛點。以用户規劃長途旅行為例，他們通常需要跨越多個終端，如手機、PC 及車機，并操作十幾個 APP，才能完成一次完整的旅行規劃。鑑于此，我們提出了一種創新性的架構，其核心在于通過去 APP 化架構，構建一個服務化架構。該架構将原有功能重新設計為服務化形式，涵蓋地圖服務、充電樁服務、音樂服務及車控服務等，并通過服務整合與 AI 技術的結合，靈活滿足用户不斷變化的動态需求，實現服務的直達與個性化。
在具體實施層面，我們的架構主要包含兩部分變革：一是服務總線，二是超級大腦。服務總線負責将所有相關服務進行服務注入，實施統一管理，并響應超級大腦的請求與指令。超級大腦則與雲端實現無縫連接，雲端設計了一個全場景覆蓋、可搜索、多模态、可編排的技術架構。這一架構能夠支持復雜場景下的服務搜索與編排，進一步提升用户體驗的智能化與便捷性。
當用户在車内發出 " 我想去長白山滑雪 " 的指令，車輛便能迅速響應，自動完成行程規劃、酒店預訂、充電樁布局規劃，乃至滑雪裝備的租賃服務。這一流程極大地滿足了用户的即時需求，顯著提升了用户體驗。
除了推動去 APP 化架構的發展，我們還深入考慮了建設整車 AIOS 的必要性。盡管當前已有眾多 AIGC 大模型可供選擇并進行合作，但基于整車的安全性與性能考量，我們意識到，汽車行業的發展最終仍将回歸于性能體驗。目前，AIGC 的應用體驗主要側重于生成式内容與大眾娛樂方面，雖然在感官上帶來了更佳享受，但在性能層面，尤其是安全性能方面，尚存在明顯不足。
因此，我們計劃構建專有的整車大模型，旨在實現整車安全性與操作速度的雙重提升。我們将部署四大核心引擎，首先是工具引擎，該引擎将負責讀取整車的狀态信息，無論這些信息來源于螢幕顯示、信息搜索還是本地感知數據的獲取，我們都将進行工具引擎的深入開發，以确保信息的準确與高效利用。
接下來，我們将開發記憶引擎，分為短期記憶與長期記憶兩大模塊。長期記憶專注于保存用户的用車習慣。例如，用户在工作日與周末的用車模式可能存在顯著差異，這種差異将被長期記憶模塊所捕捉并記錄。而短期記憶則聚焦于實時變化的感知數據，涵蓋交通信息、車内人員狀态及行車動态等多個維度，以确保車輛能迅速适應當前環境。
此外，我們還将構建規劃引擎。該引擎基于思維鏈 CoT，能夠将復雜任務進行精細化拆解。以規劃一次 318 國道旅行為例，該任務可能涉及十多個不同服務，此時，規劃引擎将充分利用前述服務化架構的優勢，通過對話引擎與用户進行互動，将復雜任務拆解為具體可執行的服務步驟，如充電樁服務預約等，從而确保服務的順暢運行與高效執行。
最後，我們将打造執行引擎，其核心任務是确保由工具引擎、記憶引擎及規劃引擎所制定的策略與計劃能夠得以有效實施與落地。
為建設 AIOS，我們将主要依托座艙系統作為基石。我們将對整個座艙系統及其作業系統進行全面的迭代與更新，旨在部署相關的大模型與核心模塊。這些模塊包括輕量化的流水線、卡片系統、向量數據庫以及算子庫等。同時，在基礎中間件層面，我們也将進行深度優化，通過整合車端日志、行車數據，并借助邊緣計算技術，為大模型提供豐富的數據輸入，從而推動大模型的持續優化與更新，使整車的專有端模式日益智能化，更好地滿足用户需求。
在更為底層的跨網域 SOA 框架上，我們同樣将進行迭代更新。為了實現對用户感知與行為數據的毫秒級響應，我們将對 SOA 框架進行性能提升，以确保系統的高效運行與用户體驗的顯著提升。
前面主要講了兩個技術的實施路徑，第三點呢是我們智能化產品設計的思考，這一塊核心邏輯主要是基于用户、合作夥伴及 OEM 三者之間的價值重構。我們希望引導用户從傳統的功能使用者轉變為數據共創者。以智能能耗管理為例，車輛将向用户提供能耗提示，而用户則能根據自身偏好反饋數據，這些數據将被用于模型的進一步學習與優化，最終實現更加個性化的節電管理，從而更好地滿足用户需求。
對于 OEM 自身而言，我們也正在進行從傳統制造交付向服務運營的轉型。借助 AI 能力，我們致力于提升售後服務的效率與質量。傳統的售後服務方式往往效率低下，而通過應用 AI 診斷技術，我們能夠提前發現并解決潛在問題，避免問題更新至影響整體質量的程度。這樣一來，我們不僅能提升用户體驗，還能有效降低售後服務成本，實現雙赢。
合作夥伴層面，我們正從以往的單向接入模式轉變為雙向賦能的產品形态。以與充電樁企業的合作為例，過去，充電樁企業主要向我們共享充電樁數據。未來，我們計劃利用 AI 技術對充電樁進行動态規劃與管理，旨在提升充電樁的利用效率，并為充電樁企業創造更高的經濟效益，這無疑是雙向賦能的積極成果。
下面呢，會舉兩個例子，來和大家分享一下我們正在設計的產品形态；我們會基于各種用户使用場景設計相關的產品體驗，比如在 " 露營前夜 "，車輛能夠自動檢查胎壓、電量以及裝備清單，為用户的愉快出行提前做好充分準，在 " 旅途過程 "，實現 AI 路徑規劃，實時根據交通信息，停車信息，充電樁信息，行車狀态信息，以及駕駛員以及乘客情況動态規劃好路徑，在 " 旅途結束 "，行程各種精彩 vlog，讓用户記錄下美妙時刻，幫助他們珍藏旅途中的美好瞬間。
第二個例子，在售後過程中，當整車軟體發現問題時，往往需要投入巨大的售後資源以及嚴重影響用户體，盡管車輛本身的品質至關重要，但售後的用户口碑維護同樣不可忽視。在最近的 315 消費者權益日，不少汽車品牌因質量問題被曝光，這再次凸顯了售後維護的重要性。
我們将從車端開始，建設 AI 軟診斷能力。這種 AI 軟診斷并非傳統的 DTC，而是基于預先構建的數據模型，能夠提前發現潛在問題。當然，并非所有問題都能提前解決，因此我們采取了兩種策略：一是對于能夠提前解決的問題，将盡早處理；二是對于無法提前解決的問題，将通過适當的報警機制，讓售後人員能夠提前做好準備。整個流程設計充分考慮了端雲結合，旨在提升售後服務的效率與質量。
（以上内容來自一汽紅旗數字座艙軟體技術總監倪志俊于 2025 年 3 月 18 日 -19 日在第六屆軟體定義汽車論壇暨 AUTOSAR 中國日發表的《整車智能體的發展與思考》主題演講。）
