Von softwaredefinierten zu KI-definierten Fahrzeugen: Die nächste Evolution von Automobilen
Von Software zu KI-definiert: Die nächste Evolutionsstufe der Automobile
Autos werden nicht mehr nur intelligenter; Sie beginnen zu verstehen, sich anzupassen und zu handeln. Die Branche hat bereits die digitale Grundlage für diesen Übergang geschaffen. Im Januar 2024 berichtete Qualcomm, dass weltweit mehr als 350 Millionen Fahrzeuge mit Snapdragon Digital Chassis-Lösungen im Einsatz seien. Der nächste Schritt ist das KI-definierte Fahrzeug, das mithilfe von Intelligenz die Straßenbedingungen interpretiert, den Innenraum personalisiert, Komponentenausfälle vorhersagt und den Energieverbrauch optimiert. Diese Entwicklung findet bereits Eingang in die Fahrzeugentwicklungsprogramme. Im Januar 2025 kündigte NVIDIA an, dass Toyota Fahrzeuge der nächsten Generation mit seiner KI-fähigen DRIVE AGX Orin-Plattform und dem sicherheitszertifizierten DriveOS bauen werde. Der Wettbewerbsvorteil wird zunehmend nicht mehr davon abhängen, wie viel Software ein Fahrzeug enthält, sondern davon, wie sicher und kontinuierlich diese Software lernen und Werte schaffen kann.
Der Wandel zeigt sich in der produktionsorientierten Technik. Im Januar 2024 stellten Bosch und Qualcomm einen zentralen Fahrzeugcomputer vor, der Infotainment- und erweiterte Fahrerassistenzfunktionen auf einem einzigen System-on-Chip betreiben kann, wodurch der Bedarf an separaten domänenspezifischen Computersystemen verringert wird. Die DRIVE Thor-Plattform von NVIDIA verdeutlicht die wachsende Nachfrage nach höherer Rechenintensität in Fahrzeugen. Der zentralisierte Fahrzeugcomputer wurde mit einer Leistung von bis zu 2.000 Teraflops eingeführt, um Arbeitslasten im Cockpit, beim Parken und beim automatisierten Fahren zu unterstützen.
Auch Software-Updates sind zu einer regulierten Lebenszyklusverantwortung geworden. UN-Verordnung Nr. 156, die am 22. Januar in Kraft tratnd, 2021, verlangt von Fahrzeugherstellern, formelle Software-Update-Managementsysteme einzurichten und die Kontrolle über sicherheitsrelevante Softwareversionen zu behalten.
Herkömmliche Fahrzeugsoftware folgt in erster Linie vordefinierten Regeln, agiert innerhalb einzelner Funktionsdomänen und reagiert nur auf bei der Entwicklung antizipierte Bedingungen. Ein KI-definiertes Fahrzeug sorgt für Wahrnehmung, kontextbezogenes Denken und kontinuierliches Flottenlernen. NVIDIA beschreibt diesen Übergang als Übergang zu größeren KI-Modellen, größerer Rechenkapazität und einer breiteren Nutzung von Fahrzeugdaten.
Der Wettlauf um den Bau KI-definierter Automobile wird nicht durch einen einzelnen Durchbruch bestimmt, sondern durch die effektive Anwendung von Intelligenz im gesamten Fahrzeug und seinem gesamten Lebenszyklus durch die Hersteller. Die meisten Möglichkeiten ergeben sich in fünf miteinander verbundenen Bereichen: Fahrsicherheit, Cockpit-Erlebnis, Fahrzeuggesundheit, Energiemanagement sowie Automobilentwicklung und -fertigung.
Intelligentes Fahren und vorausschauende Sicherheit
KI verändert die Fahrzeugsicherheit von der Reaktion auf eine erkannte Gefahr hin zur Vorhersage, wie sich Verkehrsteilnehmer und Verkehrsbedingungen entwickeln könnten. Kameras, Radar, LIDAR, Fahrerüberwachungssysteme und Fahrzeugbewegungssensoren können mit KI-basierter Sensorfusion kombiniert werden, um Fußgänger zu identifizieren, das Spurverhalten zu interpretieren, die Aufmerksamkeit des Fahrers zu beurteilen und vorbeugende Maßnahmen einzuleiten.
Die automatische Notbremsung zeigt den potenziellen Wert einer KI-gestützten Wahrnehmung und Intervention. Die US-amerikanische National Highway Traffic Safety Administration schätzt, dass ihr automatischer Notbremsstandard für 2024 mindestens 24.000 Verletzungen verhindern, mindestens 360 Leben retten und jährlich Sachschäden in Höhe von mehr als 5 Milliarden US-Dollar vermeiden könnte.
Das KI-definierte Fahrzeug führt diese Idee noch einen Schritt weiter. Anstatt Bremsen, Lenken und Fahrerüberwachung als separate Funktionen zu behandeln, werden sie zusammengeführt, um eine gemeinsame Sicht auf das Risiko zu schaffen. Dadurch kann das Fahrzeug besser verstehen, was um es herum passiert, und effektiver reagieren.
Adaptive und kontextsensitive Cockpits
Das digitale Cockpit entwickelt sich von einem bildschirmbasierten Kontrollzentrum zu einer intelligenten Schnittstelle, die natürliche Gespräche, Benutzerpräferenzen und Reisekontexte verstehen kann. KI-Assistenten können Navigation, Unterhaltung, Klimatisierung, Laden und Fahrzeuginformationen verbinden, ohne dass der Fahrer durch mehrere Menüs navigieren muss.
BMW kündigte an, dass sein KI-gestützter Intelligent Personal Assistant, der um Amazon Alexa+-Funktionen erweitert wurde und auf dem Alexa Custom Assistant von Amazon basiert, in der zweiten Hälfte des Jahres 2026 im BMW iX3 eingeführt werden könnte. Das System nutzt ein großes Sprachmodell, um freie Sprache zu verstehen, mehrere Fragen in einem einzigen Satz zu verarbeiten und auf Folgeanfragen zu reagieren. Benutzer können Fragen zu Fahrzeugfunktionen und allgemeinen Wissensthemen stellen. Mit der Zeit könnte das Cockpit Routinefahrten erkennen, Lade- oder Raststopps empfehlen, sich an die Kabineneinstellungen anpassen und Fahrzeugfunktionen entsprechend dem bisherigen Verhalten des Fahrers erklären.
Prädiktive Fahrzeuggesundheit und Betriebszeit
KI verändert auch die Wartung von einem festen Zeitplan oder einer Warnlichtreaktion zu einer kontinuierlichen Bewertung des Komponentenzustands. Durch die Analyse von Temperatur, Vibration, Fehlercodes, Betriebslasten und historischen Reparaturinformationen können Fahrzeuge ungewöhnliches Verhalten erkennen, bevor es zu einer Panne kommt. Im März 2026 berichtete Mack Trucks, dass seine KI-gestützte GuardDog Connect-Plattform die Bedeutung von Fehlercodes und erforderlichen Reparaturen mit 95-prozentiger Sicherheit interpretieren konnte und den Code oft vorhersagte, bevor er auf dem Armaturenbrett erschien. Mack berichtete außerdem, dass adaptive Wartungsverträge die geplante Ausfallzeit um 38 % reduziert hätten, während optimierte Ölwechselintervalle jährlich etwa 6.000 US-Dollar pro Lkw einsparen könnten.
Energie- und Antriebsintelligenz
In Elektro- und Hybridfahrzeugen kann KI den Energieverbrauch optimieren, indem sie den Strombedarf vorhersagt, die Energieverteilung verwaltet und unnötigen Energieverbrauch reduziert. Es kann Verkehr, Steigung, Temperatur, Fahrverhalten, Batteriezustand und Ladegerätverfügbarkeit bewerten, um genauere Reichweitenschätzungen und Ladeempfehlungen zu erstellen. Es werden auch Modelle für maschinelles Lernen entwickelt, um den Ladezustand, den Gesundheitszustand und die verbleibende Nutzungsdauer der Batterie unter sich ändernden Betriebsbedingungen abzuschätzen.
BMW nutzt Backend-Analyse früherer Ladestoppdaten, um die Routenführung zu verbessern. Das Unternehmen berichtete, dass diese Analyse genauere Standortinformationen für etwa ein Drittel der in seinem System erfassten Ladepunkte ermöglicht habe.
KI in der gesamten Technik und Fertigung
KI wird für generatives Design, Codierung, Simulation, virtuelle Validierung, Fabriklogistik, Qualitätsprüfung und Lieferkettenplanung eingesetzt. Dies kann Entwicklungszyklen verkürzen und es Ingenieuren gleichzeitig ermöglichen, verschiedene Design- und Testszenarien zu untersuchen, bevor physische Prototypen hergestellt werden.
Im BMW-Werk Regensburg generiert das GenAI4Q-System individuelle Qualitätsprüfempfehlungen für täglich rund 1.400 produzierte Fahrzeuge. KI analysiert Fahrzeugspezifikationen zusammen mit Echtzeit-Herstellungsinformationen, um die geeignete Inspektionssequenz für jede Fahrzeugeinheit zu bestimmen. In ähnlicher Weise integriert auch General Motors KI, digitale Zwillinge, Robotik und Simulation, um virtuelle Tests zu beschleunigen und Fertigungsprozesse zu optimieren.
Der KI-definierte Automobilwettbewerb wird sich nicht darauf beschränken, wer das intelligenteste Auto baut, wodurch die Anwendung breiter wird. Es wird auch davon abhängen, wer das Fahrzeug am effizientesten entwickelt, herstellt, betreut und kontinuierlich verbessert.
Ein KI-definiertes Fahrzeug ist eine Integration mehrerer intelligenter Funktionen; Cloud- und Entwicklungsökosysteme funktionieren als kontinuierliche Lernschleife. Sensoren erfassen zunächst Informationen über die Straße, den Fahrer, die Passagiere, die Batterie, den Antriebsstrang und die Umgebung. Hochleistungsrechner im Fahrzeug verarbeiten dann sicherheitskritische Informationen lokal, sodass unmittelbare Entscheidungen nicht von der Cloud-Konnektivität abhängen können.
Zentralisiertes Computing bildet die Grundlage für diese Intelligenz. Im Januar 2026 kündigten Qualcomm und Leapmotor ein einheitliches zentrales Computersystem für den D19 an, das Cockpit, fortschrittliche Fahrerassistenzsysteme, Karosseriesteuerung und Konnektivität kombiniert. Durch die Konsolidierung dieser Funktionen wird die Komplexität der Architektur verringert und es gleichzeitig ermöglicht, dass KI-Modelle Informationen über zuvor getrennte Fahrzeugdomänen hinweg nutzen.
Die Cloud übernimmt eine andere Rolle. Es unterstützt umfangreiche Datenspeicherung, Modellschulung, Flottenanalyse, Softwareverteilung und den Vergleich von Mustern über Tausende von Fahrzeugen hinweg. Die Hyundai Motor Group entwickelt beispielsweise gemeinsam mit NVIDIA KI-Modelle, um personalisierte Assistenten, intelligentes Infotainment und adaptive Komfortfunktionen zu unterstützen, die durch Over-the-Air-Updates weiterentwickelt werden können. Der Aufbau dieses Lernzyklus erfordert jedoch von den Herstellern die Verknüpfung von Informationen, die häufig über Fahrzeugtelemetrie, Händler, Serviceaufzeichnungen, Kundenplattformen und Kontaktzentren getrennt bleiben.
Digitale Zwillinge vervollständigen den Stapel, indem sie virtuelle Darstellungen bereitstellen, in denen Fahrzeugsysteme, Fabriken und Betriebsszenarien getestet werden können, bevor Änderungen in physische Prototypen eingeführt werden. BMW skaliert Digital-Twin-Anwendungen an mehr als 30 Produktionsstandorten und ermöglicht so die virtuelle Evaluierung von Modifikationen, die bisher wochenlange physische Tests erforderten.
Die größte Herausforderung bei der KI im Automobilbereich besteht nicht mehr darin, zu zeigen, dass ein Modell leistungsfähig ist; Es geht darum sicherzustellen, dass es in Millionen von Fahrzeugen sicher, konsistent und wirtschaftlich funktioniert. Ein Pilot kann auf einer ausgewählten Route, Fabriklinie oder einem Datensatz erfolgreich sein, während Produktionssysteme in unterschiedlichen Klimazonen, Straßenbedingungen, Sprachen, Fahrzeugkonfigurationen und Konnektivitätsstufen funktionieren müssen. Die folgende Grafik veranschaulicht den wachsenden Umfang des autonomen Fahrens in den letzten Jahren. Die von Waymo veröffentlichte Kilometerbasis nur für Fahrer stieg von etwa 1 Million Meilen im Januar 2023 auf 220,6 Millionen Meilen im März 2026.
Hersteller benötigen den Nachweis, dass das System Unsicherheiten erkennen, seltene Szenarien bewältigen und in einen sicheren Fallback-Zustand wechseln kann, wenn Sensoren, Daten oder Modelle unzureichend sind.
ISO/PAS 8800:2024 befasst sich mit sicherheitsrelevanter KI in Serienfahrzeugen und unterstützt die Absicherung gegen unverhältnismäßige Risiken, die sich aus Einschränkungen und Ausfällen eines KI-Systems ergeben. Da diese Systeme skalieren, müssen Cybersicherheit und Software-Governance während des gesamten Lebenszyklus des Fahrzeugs kontinuierlich verwaltet werden. Die UNECE-Verordnung Nr. 155 erfordert ein Cybersicherheitsmanagement und eine kontinuierliche Risikobewertung. Auch die regulatorischen Erwartungen werden anspruchsvoller. Für relevante Hochrisikosysteme erfordert das KI-Gesetz der Europäischen Union ein Lebenszyklus-Risikomanagement, geeignete Datensätze, Dokumentation, menschliche Aufsicht, Genauigkeit, Robustheit und Cybersicherheit.
Ebenso bedeutend sind die Herausforderungen im Zusammenhang mit der Kommerzialisierung. Autohersteller müssen Halbleiterlieferanten, Softwareentwickler, Cloud-Plattformen und Komponentenhersteller koordinieren und gleichzeitig die Rechenkosten, die Integrationskomplexität und die Verantwortlichkeit für Updates überwachen. Die Unternehmen, die das KI-Modell, den Sicherheitsnachweis, die Cybersicherheitskontrollen, die Datenverwaltung und den Aktualisierungsprozess als ein Produktionssystem und nicht als separate technische Projekte entwerfen, werden erfolgreich skalieren.
Die nächste Phase der Automobilintelligenz wird entstehen, wenn sich Fahrzeuge von der bloßen Reaktion auf Fahrerbefehle hin zur eigenständigen Entscheidungsfindung im Namen des Fahrers weiterentwickeln. Agentensysteme könnten Routen planen, Ladestopps identifizieren, Kabineneinstellungen anpassen, genehmigte Zahlungen verwalten und Fahrten ändern, wenn sich die Bedingungen ändern. Im Januar 2025 führten Mercedes-Benz und Google Cloud einen Automotive AI Agent für den MBUX Virtual Assistant ein, der Multi-Turn-Gespräche und personalisierte Navigationsunterstützung mithilfe von Google Maps-Daten ermöglicht.
Die Führung im von KI definierten Zeitalter wird weniger von der Einführung isolierter Funktionen als vielmehr von der Fähigkeit abhängen, ein skalierbares Intelligenz-Ökosystem aufzubauen. Autohersteller sollten zentralisiertes Fahrzeug-Computing mit kontrollierten Daten, Simulation, Cloud-Infrastruktur und Fertigungssystemen verbinden und dabei Anwendungen priorisieren, die messbare Verbesserungen in Bezug auf Sicherheit, Effizienz, Qualität und Kundennutzen liefern.
