从软件定义到人工智能定义车辆：汽车的下一次演变
从软件定义到人工智能定义：汽车的下一次演变
汽车不再只是变得更加智能，而是变得更加智能。他们开始理解、适应并采取行动。该行业已经为这一转变奠定了数字基础。 2024 年 1 月，高通报告称，全球有超过 3.5 亿辆配备骁龙数字底盘解决方案的车辆正在运行。下一步是人工智能定义的车辆，它利用智能来解释路况、个性化驾驶室、预测组件故障并优化能源消耗。这种演变已经融入到车辆开发计划中。 2025 年 1 月，NVIDIA 宣布丰田将使用其支持 AI 的 DRIVE AGX Orin 平台和经过安全认证的 DriveOS 制造下一代汽车。竞争优势将越来越不取决于车辆包含多少软件，而是取决于软件如何安全、持续地学习和创造价值。
这种转变在以生产为导向的技术中很明显。 2024 年 1 月，博世和高通展示了一款中央车载计算机，能够在单个片上系统上运行信息娱乐和高级驾驶辅助功能，从而减少对单独的特定领域计算系统的需求。 NVIDIA 的 DRIVE Thor 平台证明了车辆对更高计算强度的需求不断增长。中央车载计算机的性能高达 2,000 teraflops，可支持驾驶舱、停车和自动驾驶工作负载。
软件更新也已成为受监管的生命周期责任。联合国第 156 号法规，1 月 22 日生效ND2021 年，要求汽车制造商建立正式的软件更新管理系统，并保持对安全相关软件版本的控制。
传统的车辆软件主要遵循预定义的规则，在各个功能域内运行，并且仅对开发过程中预期的条件做出反应。人工智能定义的车辆增加了感知、情境推理和持续的车队学习功能。 NVIDIA 将这种转变描述为朝着更大的 AI 模型、更大的计算能力和更广泛的车辆数据使用迈进。
打造人工智能定义的汽车的竞赛不是由单一的突破来决定的，而是由制造商如何有效地将智能应用到车辆及其更广泛的生命周期来定义。五个相互关联的领域中出现的机会最多：驾驶安全、驾驶舱体验、车辆健康、能源管理以及汽车开发和制造。
智能驾驶与预测安全
人工智能正在改变车辆安全，从对检测到的危险做出反应，转变为预测道路使用者和交通状况可能如何演变。摄像头、雷达、激光雷达、驾驶员监控系统和车辆运动传感器可以与基于人工智能的传感器融合相结合，以识别行人、解释车道行为、评估驾驶员注意力并启动预防措施。
自动紧急制动展示了人工智能支持的感知和干预的潜在价值。美国国家公路交通安全管理局估计，其2024年自动紧急制动标准每年可避免至少24,000人受伤，挽救至少360人生命，并避免超过50亿美元的财产损失。
人工智能定义的车辆将这一想法更进一步。它将制动、转向和驾驶员监控视为独立的功能，而是将它们结合在一起以创建共享的风险视图。这使得车辆能够更好地了解周围发生的情况并更有效地做出响应。
自适应和情境感知驾驶舱
数字驾驶舱正在从基于屏幕的控制中心演变为能够理解自然对话、用户偏好和旅程背景的智能界面。人工智能助手可以连接导航、娱乐、气候控制、充电和车辆信息，而无需驾驶员导航多个菜单。
宝马宣布，其支持人工智能的智能个人助理（通过 Amazon Alexa+ 功能增强并基于亚马逊 Alexa Custom Assistant）将于 2026 年下半年在 BMW iX3 上首次亮相。该系统使用大型语言模型来理解自由形式的语音，在一个句子中处理多个问题，响应后续请求。用户可以提出与车辆功能和一般知识主题相关的问题。随着时间的推移，驾驶舱可以识别日常行程，建议充电或休息站，适应驾驶室设置，并根据驾驶员过去的行为解释车辆功能。
预测车辆健康状况和正常运行时间
人工智能还正在将维护从固定的时间表或警告灯响应转变为对组件状况的持续评估。通过分析温度、振动、故障代码、运行负载和历史维修信息，车辆可以在导致故障之前识别异常行为。 2026 年 3 月，Mack Trucks 报告称，其人工智能驱动的 GuardDog Connect 平台可以以 95% 的确定性解读故障代码背后的含义并需要维修，同时通常会在代码出现在仪表板上之前对其进行预测。 Mack 还报告说，自适应维护合同已将计划停机时间减少了 38%，而优化的换油间隔每年可为每辆卡车节省约 6,000 美元。
能源和动力总成智能
在电动和混合动力汽车中，人工智能可以通过预测电力需求、管理能源分配和减少不必要的能源消耗来优化能源使用。它可以评估交通、坡度、温度、驾驶行为、电池状况和充电器可用性，以生成更准确的里程估计和充电建议。机器学习模型也正在开发中，以估计电池的充电状态、健康状态以及在不断变化的操作条件下的剩余使用寿命。
宝马利用对之前充电站数据的后端分析来改进路线指导。该公司报告称，这一分析为其系统中记录的约三分之一的充电点提供了更精确的位置信息。
跨工程和制造的人工智能
人工智能正在应用于生成设计、编码、模拟、虚拟验证、工厂物流、质量检验和供应链规划。这可以缩短开发周期，同时允许工程师在生产物理原型之前检查各种设计和测试场景。
在宝马雷根斯堡工厂，GenAI4Q 系统每天为大约 1,400 辆生产的车辆生成单独的质量检查建议。人工智能分析车辆规格和实时制造信息，以确定每个车辆单元的适当检查顺序。同样，通用汽车也正在整合人工智能、数字孪生、机器人技术和仿真，以加速虚拟测试并优化制造流程。
AI定义的汽车竞争将不再局限于谁造出最智能的汽车，使应用更加广泛。它还取决于谁最有效地开发、制造、支持和持续改进该车辆。
AI定义的车辆是多种智能功能的集成；云和开发生态系统作为一个持续学习循环运行。传感器首先捕获有关道路、驾驶员、乘客、电池、动力系统和周围环境的信息。然后，车内的高性能计算机在本地处理安全关键信息，即时决策不能依赖于云连接。
集中计算为这种智能提供了基础。 2026年1月，高通和零跑汽车宣布为D19推出统一的中央计算系统，该系统结合了驾驶舱、先进的驾驶员辅助系统、车身控制和连接功能。整合这些功能将降低架构复杂性，同时允许人工智能模型跨先前分离的车辆域使用信息。
云扮演着不同的角色。它支持大规模数据存储、模型训练、车队分析、软件分发以及数千辆车辆的模式比较。例如，现代汽车集团正在与 NVIDIA 合作开发 AI 模型，以支持个性化助理、智能信息娱乐和可通过无线更新不断发展的自适应舒适功能。然而，构建这个学习周期需要制造商连接通常在车辆遥测、经销商、服务记录、客户平台和联络中心之间保持分离的信息。
数字孪生通过提供虚拟表示来完善堆栈，在将更改引入物理原型之前可以在虚拟表示中测试车辆系统、工厂和操作场景。宝马正在 30 多个生产基地扩展数字孪生应用，从而可以对以前需要数周物理测试的修改进行虚拟评估。
汽车人工智能的关键挑战不再是证明模型可以执行，而是证明模型可以执行。这是为了确保它能够在数百万辆车辆上安全、一致且经济地运行。试点可能会在选定的路线、工厂生产线或数据集上取得成功，而生产系统必须在不同的气候、路况、语言、车辆配置和连接水平下运行。下图展示了过去几年自动驾驶规模的不断增长。 Waymo 公布的仅限骑手的里程基础从 2023 年 1 月的约 100 万英里扩大到 2026 年 3 月的 2.206 亿英里。
制造商需要证据证明系统可以识别不确定性，管理罕见场景，并在传感器、数据或模型不足时进入安全回退状态。
ISO/PAS 8800:2024 解决了批量生产道路车辆中与安全相关的人工智能问题，并支持防止因人工智能系统的限制和故障而产生的不合理风险。 随着这些系统的扩展，网络安全和软件治理必须在车辆的整个生命周期中进行持续管理。 UNECE 第 155 号法规要求网络安全管理和持续风险评估。监管期望也变得更加苛刻。对于相关的高风险系统，欧盟人工智能法案要求生命周期风险管理、适当的数据集、文档、人工监督、准确性、稳健性和网络安全。
与商业化相关的挑战也同样重大。汽车制造商必须协调半导体供应商、软件开发商、云平台和零部件制造商，同时监控计算成本、集成复杂性和更新责任。将人工智能模型、安全案例、网络安全控制、数据治理和更新流程设计为一个生产系统而不是单独的技术项目的公司将成功扩展。
随着车辆从简单地响应驾驶员命令发展到代表驾驶员独立做出决策，汽车智能的下一阶段将会出现。代理系统可以规划路线、识别充电站、调整客舱设置、管理批准的付款以及根据情况变化修改行程。 2025 年 1 月，梅赛德斯-奔驰和谷歌云为 MBUX 虚拟助手推出了汽车人工智能代理，利用谷歌地图数据实现多轮对话和个性化导航支持。
人工智能定义时代的领导地位将不再依赖于孤立的功能发布，而是更多地依赖于构建可扩展的智能生态系统的能力。汽车制造商应将集中式车辆计算与受监管的数据、模拟、云基础设施和制造系统连接起来，同时优先考虑能够在安全、效率、质量和客户价值方面带来可衡量改进的应用程序。
