往期周刊 ☰ 往期周刊 ☰ 往期周刊 ☰ 往期周刊 ☰ 往期周刊 ☰ 往期周刊 ☰ 往期周刊 ☰ 往期周刊 ☰
公司内部内刊 · INTERNAL SHARING

11月第1期内刊

2026年11月第 1 期共 8 篇
投资3亿元!Momenta、上汽成立合资公司,加码高阶智驾

上汽把智驾合资公司的控股权,交给了一家算法公司。

11月5日,上汽集团董事会审议通过一项议案:拟与Momenta、延电科技共同设立合资公司,注册资本3亿元。其中,Momenta认缴1.53亿元,持股51%;上汽集团认缴7500万元,持股25%;延电科技认缴7200万,持股24%,上汽系合计49%。

在国内整车厂与智驾供应商的合资案例中,由算法公司控股的情况不多见。过去几年,车企主导智驾合资相对更多,供应商则是技术交付方。这次股权安排,意味着上汽在智驾核心能力建设上,选择了一条更相信外部技术伙伴决策权的路径。

01 · 这次合作到底意味着什么

先看三方各自是谁。

Momenta,为智驾供应商。根据其自身半年报显示,上半年新增装载量约32.1万台,累计突破100万台,保持城市NOA第三方供应商第一的位置,客户覆盖面确实广,截至上半年已与26家主机厂合作,累计量产车型105款,客户名单覆盖奔驰、宝马、大众、丰田、比亚迪等。

上汽集团是Momenta最早、最大的机构战略投资人,也是其第一大外部股东。可以理解为,上汽既是Momenta的股东,也是它最大的量产客户之一,现在又要成为它的合资伙伴。

上汽宣布与Momenta成立合资公司
上汽宣布与Momenta成立合资公司

容易被忽略的是延电科技。这家公司成立于2022年6月,唯一股东是延锋汽车饰件系统有限公司,实际控制人为上海市国资委,与上汽同属上海汽车工业集团体系。

延电科技的定位是延锋旗下自主电子业务平台,聚焦智能座舱,核心产品是座舱域控制器。把延电科技拉进来,意图不难读:智驾与智舱的域融合是电子电气架构演进的确定方向,如果能在合资公司框架内打通座舱域控与智驾算法的协同,上汽在下一代整车架构上的话语权会更完整。

根据公告表述,合资公司将服务于高阶智驾研发能力建设,推动智能化技术与整车产品需求结合。

简言之,上汽把场景、资金、供应链话语权摆上桌,Momenta把算法、工程能力、迭代节奏带进来,双方把合作关系从项目制推向了组织化的层面。

对上汽而言,让出控股权换取的是一条从算法到芯片再到整车落地的完整技术通道,以及Momenta在上汽体系内规模化复制的确定性。对Momenta而言,在IPO之后需要一个整车集团的深度绑定来支撑估值叙事中的“量产落地能力”这一章。

02 · 多年“双向奔赴”,上汽赚的不只是钱

要理解这次合资为什么发生在此时,需要回头看双方走过的路。

上汽与Momenta的接触始于2018年的技术验证,但真正的转折在2020年下半年。

当时智己品牌发布在即,上汽需要一套能支撑高端定位的全栈智驾方案,而Momenta尚未经历完整的前装量产验证。双方在短时间内便敲定了覆盖全栈软件与股权投资的合作框架,速度远超行业常规的一到两年POC周期。

上汽系资本对Momenta的布局更早,2017年1月便通过尚颀资本参与了Momenta的A轮融资,此后上汽集团在2021年C轮以战略投资人身份领投,成为其最大的机构战略投资人。

Momenta融资情况
Momenta融资情况

与此同时,Momenta反向持有智己汽车股份,形成了双向持股结构。这种安排在当时被解读为“资本绑定技术”,但后续几年的量产落地证明了它的实际价值。

智己L7是双方合作的第一款量产车型,也是Momenta从演示走向车规级交付的“首考”。此后,IM AD智驾系统逐步覆盖智己全系,并延伸至飞凡、上汽奥迪,再到上汽大众的行云智能辅助驾驶系统,后者搭载了Momenta R7强化学习世界模型,让合资品牌的智驾能力获得了提升。

在L2量产之外,双方在Robotaxi领域也展开了合作。2025年,上汽旗下享道Robotaxi与Momenta进一步签署战略合作,推动前装量产Robotaxi车队落地,复用智己LS6的硬件平台。

然后是上市。

2026年7月,Momenta正式在港交所挂牌,成为“物理AI第一股”,公开发售获得414倍超额认购。招股书显示上汽是Momenta第一大外部股东。根据投中嘉川数据,Momenta上市后,上汽持股约8.65%,对应股权价值52.18亿元,MOIC为3.56倍。

Momenta于今年7月上市
Momenta于今年7月上市

这笔资本布局,在Momenta上市后实现了相当幅度的账面增值。

作为股东,上汽乐见Momenta估值走高;作为客户,上汽需要Momenta的技术持续迭代并优先服务自己的产品节奏。合资公司恰好是平衡这两重身份的制度安排:股权上Momenta控股,保证技术决策效率;业务上上汽体系是最确定的需求来源,保证研发方向不偏离量产落地。

从L2量产到享道Robotaxi的L4运营,再到前装量产Robotaxi车队的规划,上汽提供的多品牌、多场景体系,一直是Momenta数据飞轮运转的燃料。

多年合作已经跑通了“资本绑定-量产验证-数据反哺”的闭环,合资公司希望把这套闭环延续下来。

03 · 结语

当然,风险并非不存在。Momenta同时服务多家车企的“供应商”身份,与合资公司框架下的“深度绑定”之间如何平衡,仍是需要观察的变量。

但至少从资本与组织层面,上汽和Momenta已经把彼此绑得比大多数车企与供应商的关系都更紧。在行业普遍收缩投资的当下,这种深度绑定的信号意义,或许比短期控股权的得失更值得关注。

来源 · 赛博汽车2026.11.05

(谈思汽车讯)大众汽车集团正在中国推进一场静默但实质性的渠道整合。11月4日,据蓝鲸汽车消息,一知情人士处透露,相关调整主要涉及大众安徽,并已从销售端延伸至售后端。

在销售端,目前全国已有20家一汽-大众门店可以销售大众安徽旗下悬挂金色车标的新能源车型,即“金标大众”。与此同时,部分进口大众门店开启双品牌模式,可同时销售金标大众和进口车。在售后端,70多家进口大众门店中已有40家获得“与众”(大众安徽产品序列)的售后授权,剩余门店仍在推进打通;前述20家可销售金标大众的一汽-大众门店,也有部分完成了售后能力的对接。

这一进展是大众安徽渠道策略从“独立建网”转向“借网整合”的延续。作为大众在华第三家整车合资企业,大众安徽自成立起便采用独立渠道,截至2026年5月,“与众”品牌拥有约140家独立门店及代理制网点,覆盖30个城市。

大众渠道大整合:一汽-大众借网卖“金标大众”

但这一规模与大众在华另外两家合资公司的网络体量存在显著差距:一汽-大众经销商网络超过900家,上汽大众约900家,两者合计超过3000家。

对于年产能规划达35万辆的合肥MEB工厂而言,140家门店所能支撑的终端触达能力,与产能爬坡和产品矩阵扩张的节奏并不匹配。2026年10月,大众安徽交付1597台,累计同比增长52%,但绝对规模在20万元级纯电市场中仍属小众。

渠道整合的制度框架早在4月已经搭好。2026年4月2日,大众汽车(中国)、大众安徽与一汽-大众签署经销商网络战略合作备忘录,约定在一汽-大众部分经销商处推出“店中店”模式,采用销售代理制,经销商不承担库存压力,仅负责展示、试驾与交付,合作初期优先覆盖大众安徽尚未充分渗透的约30个城市。

彼时披露的规划是借助一汽-大众的网络快速扩展销售触点,首款落地车型为旗舰纯电SUV与众08。从4月签约到11月落地20家门店,推进节奏并不激进,但方向已经明确:大众安徽不再将独立建店作为覆盖三四线市场的唯一路径。

大众渠道大整合:一汽-大众借网卖“金标大众”

选择“借网”而非继续扩张独立渠道,有其现实的成本与效率考量。在三四线市场,单凭大众安徽当前的产品线宽度,单店盈利难以覆盖建店与运营成本,强制推行独立建店模式只会加重经销商的重资产压力。

而对一汽-大众而言,在自有新能源产品迭代的空窗期,导入金标大众产品可以盘活闲置的展厅资源与销售团队,以轻资产的代理佣金开辟增量收入,同时保持终端团队对智能电动产品的话术与流程能力。这是一种在双方各自承压时达成的务实交换,而非单向的渠道救济。

进口大众门店的售后授权,则将整合从“卖车”推向了“养车”。售后能力的打通,意味着大众安徽车主可以在更广泛的既有服务网络中完成维修保养,而不必依赖有限的独立售后网点。

对于年销量尚在爬坡阶段的新品牌而言,售后网络的密度直接影响用户的购买信心和全生命周期体验。40家进口大众门店获得授权,虽然规模有限,但打开了一条利用存量服务资源补齐短板的通道。

大众安徽首席执行官刘展术此前曾表示,公司渠道数量每年翻倍增长,2027年至少保证300家以上,同时会继续推进与一汽-大众的“店中店”合作。从当前节奏看,独立渠道的扩张与借网销售将并行推进,大众安徽的渠道结构不会是单一形态。

这场调整的本质,是在大众集团“在中国,为中国”战略下,将原本分属不同合资主体的渠道资源进行重新配置。过去半个世纪,外资品牌在华的不同合资企业各自建网、互为对手,渠道隔阂被视为合资体系的默认规则。当大众安徽以“店中店”和售后授权的方式切入一汽-大众与进口大众的既有网络,这条规则正在被从内部打破。

整合能否真正转化为销量爬坡的推力,取决于20家门店的销售转化效率、40家售后网点的服务承接能力,以及后续是否有更多一汽-大众和进口大众门店跟进。大众在华渠道的这堵墙已经被推开一道口子,但墙两侧的资源能否流动起来,仍需时间验证。

来源 · 谈思汽车2026.11.05
一汽副总空降东风,不会要整合吧?

此前,长安升级、一汽广汽换股,那东风呢?

“整合商用车前奏”、“央企重组可能有新动向”、“要合并了吗?”

11月2日,东风公司发布消息,吴碧磊任东风汽车集团有限公司董事、党委副书记,卢放任东风汽车集团有限公司副总经理、党委常委。

资料显示,吴碧磊长期从事汽车行业研发与管理工作,曾在中国一汽集团担任党委常委、副总经理等职,主导过解放J6、J7等商用车项目的开发。

卢放主导了岚图品牌的创立与发展,此前职务是岚图汽车科技股份有限公司董事长、党委书记‌。并且,他也是在2018年从中国一汽调入到东风公司。

如果从以上两位高管的工作履历来看,再加上近期一汽与广汽的成功整合,很容易让外界天然的联想到,接下来一汽与东风会不会进行一次汽车央企整合。

照这个逻辑看,未来东风与一汽之间出现某种形式的战略协同安排,这种人员构成会降低沟通成本。但如果接下来双方始终没有进一步的动作的话,它也可能仅仅停留在高管调任的常态层面。

而实际上呢,东风与一汽的高管互通,或者说东风最近几年的高管变动,其实非常的频繁。

01 · 铁打的东风,流水的高管

据不完全统计,最近4年来,东风公司发生过十多起高管人事变动。

比如,黄勇从一汽丰田调任东风公司副总经理、党委常委,后又调任中国航空工业集团董事、党组副书记;周治平从一汽集团调任东风公司总经理、党委副书记,后又调任兵装集团总经理、党组副书记。

陈彬从神龙汽车调任中国一汽党委常委、副总经理;张小帆从东风商用车调任中国一汽党委常委、副总经理;王俊从长安汽车总裁调任到兵工集团副总,后又调任东风公司副总经理、党委常委。

其中周治平和王俊两人的职务变化,恰好对应在东风与长安整合的阶段。外界的解读是,熟悉双方体系的人被放到了关键决策位置,甚至连整合后谁管什么的过渡性兼任都被安排过。但即便如此,东风与长安的整合并没有成功。

那么现在回过头来看目前东风公司的领导团队,本轮人事调整完成后,东风汽车集团班子成员达到9名。

一汽副总空降东风,不会要整合吧?

其实,这一轮领导班子的组成,就是在东风与长安的重组终止之后。从时间线上来看,张祖同调中国一重、张小帆北上一汽、黄勇调航空工业、刘艳红调广西、周锋升副总、冯长军升任总经理、再到吴碧磊和卢放同日补位。

尤其是在时任总经理职位在周治平调走后空缺了八个月,直到冯长军从总会计师升任才补齐。然后是党委副书记刘艳红调走后,由吴碧磊补位;黄勇离开后的副总经理空缺,由卢放填补。由此,东风公司重新配置了一套能够独立运转的班子。

不过,有熟悉东风公司的知情人士对于这一系列的人事调整是这么说的:东风公司就是一个大熔炉,长安的来,一汽的来......

这句话看似在夸东风公司汇聚八方人才,但是背后其实隐藏着一个很重要的信息,那就是东风公司自己培养的高管持续往外调,结果在关键岗位又只能靠外部调入来补,最终人来人往,没有形成自己的封闭人才梯队建设。

当然,从个人角度出发,能够上任和升迁到更高的岗位,是能力的象征。但是对于东风公司来说,高管的频繁变动将直接导致战略执行缺乏连贯性。

但反过来说,东风公司作为副部级央企,本身就是央企干部交流中的一个节点,人才流通是组织调配的结果。甚至往大了说,高频的跨系统高管流动也在持续为东风公司输入不同体系的管理经验。

况且,像周锋就是东风公司自己培养出来的干部。冯长军、卢放、尤峥,也证明了即便不是老东风人,也依然能够在自己的岗位上为东风公司做出推动的贡献。

02 · 完整的领导班子有了新挑战

不难发现,当中国长安汽车正式挂牌成立为一级央企、东风与长安整合终止、一汽与广汽换股之后,东风公司也应该有所动作。而这套9人领导班子的呈现,就是东风公司给出的答案。

比如吴碧磊作为解放J6的总工程师,履历完全扎根于商用车研发与经营,他的加入对应东风最不能失守的利润根基,也有可能把东风商用车的技术优势拉到了新高度。

商用车是东风延续数十年的基本盘,也是当前行业里少有的能保持稳定盈利的板块。让最懂商用车研发经营的人进入决策层,是守成逻辑的体现。

卢放主导岚图从0到1创业并推动其以介绍方式登陆港股,代表了东风在自主新能源赛道的创业型能力。他进入集团决策层,意味着岚图所代表的自主新能源路线在集团战略中的权重被正式确认。

虽然2025年东风汽车新能源销量达105.3万辆,成为行业第5家新能源年销过百万的汽车集团。但是依然面临着盈利压力,以及2030年350万辆新能源的宏大目标。所以,能看出东风希望把岚图的经验复制到集团层面。

一汽副总空降东风,不会要整合吧?

加上此前冯长军走马上任,成为三大汽车央企中最年轻的总经理。拥有财务与资本运作的核心能力的他,被内部称为资源整合高手,在东风转型关键期承担财务止血、资源整合、资本赋任务。

再叠加尤峥、周锋的合资体系背景和王俊的长安背景,从资本、商用车、新能源、合资、到跨体系协同,这套班子的全维能力初见雏形。一旦领导成员稳定下来,也能够让东风公司这家老牌汽车央企重新找回稳定的节奏。‌‌

作为特大型央企,东风公司既要承担国家与社会的责任,又要在市场化的竞争下保持份额与盈利。所以外界总是批判东风的转型慢只是单一的标尺,在更多时候,东风的转型不是不想快,而是它的结构决定了它必须在很多方面反复权衡。

成形的高管团队对于东风来说,是件不容易的事,也是东风抓住机会的最好时机。毕竟,当前国内新能源汽车市场格局尚未完全固化,海外出海、商用车的增量空间仍在快速释放。面对这样的窗口,恰好需要一套相对完整的班子来承接。

所以,即便是否会发生东风与一汽之间的央企整合,对东风来说,对这套领导班子来说,考验也正式开始。

来源 · 汽车公社2026.11.03
旧模式失效了,新模式的答案不在德国总部手里
旧模式失效了,新模式的答案不在德国总部手里

有些决定,当时看只是止损,回头看是启新。

2026年10月26日,奥迪中国与一汽、上汽一纸联合声明,把悬了多年的南北奥迪之争一刀切开:四环回归一汽奥迪,上汽专心做AUDI字母标纯电品牌。十天之后,11月5日,奥迪创新技术中心(AITC)在上海开业,约300人的团队,从整车概念定义一路管到量产交付。

十天,两个动作,一个收尾,一个开局。前一个动作是承认过去走错了,后一个动作是告诉外界接下来怎么走。这种节奏不像德国企业的严谨排期,倒更像一个被逼到墙角的人,终于想清楚了要什么。

01 · 破的是“适配”,立的是“定义”

过去四十年,跨国车企在中国的研发逻辑基本只有四个字:本土适配。总部把车定义好,中国团队负责加长、调校、换供应商、做本土化落地。研发的“大脑”在英戈尔施塔特、在斯图加特、在底特律,中国是“手脚”,快是快,但永远慢半拍——因为你改的永远是别人已经想好的东西。

AITC要改的就是这个顺序。也就是说,中国从“产品落地的终点”,变成了“产品定义的起点”。工程目标直接来自中国用户场景,软件、智驾、座舱从项目立项第一天就并行开发,AI不是后装的配件,而是从底层架构长出来的东西。

专程前来的奥迪管理董事会主席高德诺明确表示:“要在中国市场取得成功,研发就必须更加贴近客户需求,并迅速将新技术转化为极具吸引力的产品。“

奥迪管理董事会主席 高德诺
奥迪管理董事会主席 高德诺

如果衍生来看,给AITC这件事定性,那就是继续深化合资1.0到合资2.0。1.0是“市场换技术”,2.0是“源头联合开发”。以前是德国出图纸、中国出工厂,现在是两边一起画图纸,而且第一笔落在中国。

更值得琢磨的是组织安排。AITC总经理冯思远和副总经理单云伟,一个德方一个中方,但冯思远的原话是“没有中方德方的传统界限,我们就是一个团队”。这话听着像场面话,但结合“不受双方母公司架构束缚”“自己制定技术和功能路线图”来看,AITC拿到的授权比以往任何合资研发中心都实。它不再是两个母公司之间的传声筒,而是一个有独立决策权的研发实体。

谁定义,谁存活:奥迪合资2.0大破大立

所以 AITC 的位置,不是一个研发中心,更像一次权力的搬家:把 “定义” 这个动作,从英戈尔施塔特搬到上海。当然,授权归授权,AITC能不能真“定义”,不看开业典礼上的话,看2028年ADP 2.0平台上那四款车落地时,有多少东西是上海说了算的。

02 · 造车门槛没有降低,只是少了稀缺性

供应链成熟之后,“攒一台电动车”确实容易了。电池、电机、电控、座舱方案,市场上全有现成的,拼装一台能跑的车,门槛低到令人不安。

堆砌能攒出一台汽车,但靠堆砌绝对攒不出头部车企。造车的门槛从来不会降低。

上半年,中国市场发布了600多款新车型,数量数倍于同期新手机。激进创新暴露的安全隐患,已经逼得四部委出手,专门发文加强创新设计和研发测试验证管理。行业跑得太快,快到监管不得不踩一脚刹车。

谁定义,谁存活:奥迪合资2.0大破大立

奥迪选择在这个节点强调“24个月以上完整研发周期”“AI不缩短验证周期”,表面看是逆潮流,实际是算过账的。当“快”成为行业标配,“稳”反而成了稀缺品。

冯思远说得很直白:智能化是在品质、安全、驾控的基础上做加法,不是替代基础。翻译一下:别人用AI省时间,奥迪用AI提质量,省下来的时间不拿去抢首发,拿去多做一轮验证。

AITC总经理 冯思远
AITC总经理 冯思远

这是一个赌注。赌的是中国消费者在经历了几轮“新车发布即翻车”之后,会重新把可靠性放回决策权重里。赌对了,奥迪的“慢”就是差异化,就是稀缺性。

03 · AI原生:第三条路能不能跑通

AI造车现在有三条路:全栈自研,像特斯拉和中国新势力,把智驾座舱软件全攥在自己手里;深度绑定供应商,快速补齐能力,但容易同质化;还有一条中间道路,供应商提供基础模型,品牌自己做调校和集成,追求“1+1>2”。

奥迪选了第三条。和火山引擎合作开发AIDV和下一代智能座舱,同时所有功能必须过奥迪整车级验证。冯思远的说法是“AI必须成为整车的核心,而不是附加的配件”,单云伟补了一句关键的:功能要从“被动响应”进化到“预测与主动服务”。

谁定义,谁存活:奥迪合资2.0大破大立

这条路的风险在于,中间道路最容易两头不靠。供应商的基础模型不够好,自研调校就是空中楼阁;自研能力不够深,调校就变成换皮肤。但真正的考验在2028年。ADP 2.0平台、四款新车、舱驾融合的EEA架构,这些画出来的饼能不能兑现,决定了AITC是“合资2.0的样本”还是“又一个研发中心”。

04 · 定义权搬到哪,企业就活在哪

把时间线拉长看,奥迪这一轮动作的底色其实很清楚:旧模式失效了,新模式的答案不在德国总部手里。

2026年上半年奥迪在华交付21.83万辆,同比下滑19%。南北内耗消耗的不只是销量,是品牌溢价。一个四环标装不下两套豪华需求,这件事奥迪用了好几年才承认,但承认之后动作够快——分家、换帅、建研发中心,一套组合拳在20天内打完。

谁定义,谁存活:奥迪合资2.0大破大立

跨国车企在中国的老故事是“把全球车拿来改一改”。新故事是“在中国从头造一台,再考虑要不要拿出去”。奥迪不是第一个讲这个故事的,大众、丰田、宝马都在不同程度上往这个方向挪,但奥迪把研发实体独立出来、把定义权前置到中国、把中德团队捏成一个One Team,这个力度在BBA里是头一份。

当然,头一份不等于成一份。双线作战的资源分散是明摆着的风险,字母标在消费者心智里能不能真正独立于四环,更不是协议能解决的事。品牌隔离可以写进合同,写不进认知。

但至少,奥迪不再试图用一套德国标准包打天下了。它低头承认了中国市场的规则变了,然后用中国市场的规则,重新回答中国问题。

谁定义,谁存活:奥迪合资2.0大破大立

上一个四十年,中国市场成就了奥迪的豪华地位;这一个十年,AUDI能不能留在牌桌上,取决于它能不能在上海而不是英戈尔施塔特,把下一台车想明白。

在旧范式的惯性里大破,在新起点的定义里大立。奥迪的破与立,映出的是整个跨国汽车工业在中国的一道必答题:当“适配”不再够用,“定义”就成了唯一的入场券。而定义权搬到哪,企业就活在哪。

赛豆150天:于无声处,先造AI再造车丨人汽

1680台,43天:神行者的第一份答卷,合格吗?丨人汽

豪华车社交名片失效了丨人汽

别人在抢跑,长城在修路丨人汽

大众电车的“死亡谷”,这次真能跨过去?丨人汽

不赚钱的车市,为什么吉利能站着把钱挣了丨人汽

一块贵电池,和一台不贵的车丨人汽

战舰700第一仗:让老炮点头,比参数更难丨人汽

德国总统捅破了那层窗户纸丨人汽

荣威第三次换标签,这回能站稳吗?丨人汽

好文!必须点赞

来源 · 人汽2026.11.06

11月5日,据内部人士爆料,火山引擎汽车业务也就是我们俗称的“豆包汽车”研发一号位苏杰已离职,去向暂不明;火山引擎官方回应定性为个人正常职业变动,不影响项目交付。

字节多次明确不做整车、不造车,只做车载智能方案供应商。业务分工上,火山引擎副总裁杨立伟负责商务对外,苏杰负责底层技术架构落地。苏杰就是今年北京车展上发布的这套 “全链路端到端 AI 座舱” 的主导人,主打汽车大脑、推理 + 记忆 + 持续学习,区别于传统车载语音。

9月17日,豆包与火山引擎联合打造的AI原生车载助手——豆包座舱助手正式发布。10月23日上市,行业第一款落地这套豆包座舱的量产车上汽荣威家越 07正式上市。赛力斯旗下赛豆品牌车型AIVA ME7,巴黎完成首秀,同样采用苏杰主导敲定的整套技术方案。

“豆包汽车”研发一号位被曝离职

苏杰的离职刚好卡在两大标杆车型交付初期,由此引发行业关注。由于方案是他一手定义,市场担心后续大版本迭代、OTA、车企联合调优会不会出现节奏断层。

现在车载大模型座舱竞争白热化,百度、阿里、地平线都在抢车企定点,豆包汽车是字节切入车端最重要抓手,这次人事变动,会被看作字节汽车业务稳定性的观察窗口。

“豆包汽车”研发一号位被曝离职
来源 · 汽车行业大事件2026.11.05
得世界模型者得天下?Robotaxi企业纷纷押注下一场技术革命

从AI开车到AI训练AI,无人驾驶迈向产业AGI时刻。

全球Robotaxi竞争,正在迎来一个新的分水岭。

2026年2月,无人驾驶巨头Waymo完成160亿美元(约合人民币1072亿元)融资,投后估值达到1260亿美元(约合人民币8442亿元)。

中国企业同样在加速扩张。百度旗下萝卜快跑已进入全球28座城市,累计完成超过2300万次出行服务,无人驾驶总里程突破3.5亿公里。

经过十多年的发展,无人驾驶已经从技术验证走向规模化商业运营,但安全、成本、效率依然是摆在行业面前的“三座大山”。

尤其是随着全球化扩张提速,传统依靠实车和安全员不断积累测试里程的模式,正面临越来越明显的效率瓶颈。

而世界模型,正在成为改变这一局面的关键变量。

今年2月,Waymo发布了基于谷歌DeepMind Genie 3构建的世界模型。

11月3日,百度也正式披露了面向物理AI的智能体驱动全模态世界模型ApolloWorld。

AI智能体推动的世界模型
AI智能体推动的世界模型

根据百度公布的数据,ApolloWorld一天完成的虚拟路测里程,相当于一辆配备安全员的实车连续测试约三年。

更重要的是,在ApolloWorld构建的虚拟城市中,不仅无人车由AI驾驶,周围的交通参与者也具备自主决策能力,能够与无人车持续交互,让无人驾驶系统提前经历各种复杂的交通状况。

从AI开车,到AI帮助AI练车,Robotaxi产业的竞争正在发生变化。

01.:全球Robotaxi大战升级

世界模型成新分水岭

回顾过去十多年,全球无人驾驶产业大致经历了三个发展阶段。

2013年前后至2023年,行业主要围绕无人驾驶技术研发和道路测试展开竞争,重点是让汽车具备自主驾驶能力。

2022年起,随着百度等企业陆续获得全无人商业化运营许可,随后从2023年开始,Robotaxi开始从技术验证走向收费运营,竞争重点逐渐转向车队规模、运营能力和商业模式。

得世界模型者得天下?Robotaxi企业纷纷押注下一场技术革命

▲Robotaxi产业发展示意(各阶段技术发展或存在交叉)

到了2026年,全球Robotaxi产业又进入新的阶段。

Waymo加速拓展运营城市,百度萝卜快跑则已在迪拜、阿布扎比启动全无人商业化运营,在伦敦、瑞士开展公开道路测试,并在香港取得当地首个全无人测试牌照。随着全球化扩张提速,行业开始比拼跨城市、跨市场的规模化运营能力。

资本市场同样关注这一变化,Waymo今年2月完成160亿美元融资(约合人民币1072亿元),四天后正式公布世界模型,10月又获得50亿美元(约合人民币335亿元)债务融资。

资本的眼光往往十分敏锐,毕竟头部投资机构看重的不只是企业现有的运营规模,还包括其未来能否建立持续领先的技术和商业化能力。

而Robotaxi规模化恰恰面临三座大山:安全、成本和效率。

一方面,真实道路充满低频、复杂甚至危险的交通场景,单纯依靠增加实车测试里程,很难充分覆盖所有风险。

另一方面,每进入一个新城市,无人驾驶企业都需要投入大量车辆、人力和时间,验证当地道路环境与驾驶习惯。

如果每一次算法升级、每进入一个新市场,都需要重新进行漫长的道路测试,企业的扩张速度就会受到明显限制。

过去,无人驾驶行业主要通过增加实际测试里程积累经验。

世界模型可以生成不同的内容
世界模型可以生成不同的内容

现在,世界模型提供了另一条路径:让无人车在AI生成的虚拟世界中,提前经历现实中尚未遇到的各种交通情况。

这不仅是测试方法的变化,也可能成为Robotaxi下一阶段竞争的重要分水岭。

02.:世界模型扎堆亮相

百度立下技术新标尺

世界模型究竟是什么?

2026年6月,AI科学家李飞飞曾将世界模型划分为渲染器、模拟器和规划器三种类型。

简单来说,渲染器负责把世界画出来,模拟器负责预测世界如何变化,规划器则负责决定下一步如何行动。

其中,模拟器是连接虚拟世界与真实行动的重要环节。

不过,对于不同的物理AI应用,世界模型需要解决的问题也不相同。

李飞飞曾将无人驾驶汽车比作在二维平面上移动的“盒子”,认为通用机器人需要完成更加复杂的三维空间操作。

得世界模型者得天下?Robotaxi企业纷纷押注下一场技术革命

▲百度智能驾驶事业群组(IDG)首席架构师、IDG技术委员会主席王亮博士

百度智能驾驶事业群组(IDG)首席架构师、IDG技术委员会主席王亮博士则提出了另一种判断。

汽车的控制动作虽然相对简单,但无人驾驶面临的是开放道路上大量交通参与者之间的动态博弈。

例如,一辆无人车准备通过路口,旁边车辆可能主动让行,也可能突然加速。无人车的不同选择,还会进一步改变其他车辆的行为。

因此,无人驾驶的难点不只是理解道路,其真正的难点在于必须在复杂多变的交通环境中守住安全底线。

毕竟,一台重达近两吨、以几十公里时速行驶的汽车,每一次决策都可能关系到交通参与者的生命安全。无人车一旦判断失误,后果可能远不止让人惊出一身冷汗。

不同决策导致的实时交互
不同决策导致的实时交互

随着生成式AI快速发展,世界模型已经成为AI行业的热门概念。从视频生成、三维空间构建到物理仿真,不同技术都开始被冠以世界模型之名,但它们能否真正用于物理AI,仍然存在明显差异。

这次百度并没有急于用一个新概念包装技术,而是选择从L4无人驾驶的实际需求出发,先想清楚世界模型究竟应该解决什么问题,再围绕这一目标设计系统。

在百度看来,世界模型不能只是一个生成逼真画面的工具,更应该是能够模拟真实物理规律、理解交通参与者行为,并持续验证无人驾驶能力的测试环境。

也正因如此,百度提出了面向物理AI的「2+3」世界模型判断标准,试图为这项快速发展的技术建立一套更清晰的评价方法。

其中,两项基础门槛是因果性和交互性:模型不仅要根据当前状态预测未来,还必须能够响应外部动作,让不同决策产生不同结果。

例如在ApolloWorld展示的一段虚拟场景中,无人车行驶至高架入口。

当无人车选择驶上高架,旁边支路车辆便会汇入主路;当无人车选择继续沿辅路行驶,支路车辆则会停车等待。

同一个路口,因为无人车的选择不同,整个交通环境也随之变化。

另外三项进阶指标分别是物理准确性、持久性和实时性,要求模型符合真实物理规律、能够长时间稳定推演,并及时响应车辆动作。

驾驶决策不同模型响应也不同
驾驶决策不同模型响应也不同

按照这套标准,面向无人驾驶的世界模型不能只是生成一段逼真的道路视频,还需要能够成为真实无人驾驶系统的测试环境。

拿到了模拟数据,让虚拟激光雷达准确还原真实环境中的感知变化也是模型能力的重要一环。

雨雪天气下,雨滴和雪花会影响激光的传播与反射,导致回波减弱、部分点云缺失或出现噪点。

激光雷达的点云数据同步模拟
激光雷达的点云数据同步模拟

ApolloWorld不仅要模拟相机画面中的雨雪、反光和能见度变化,还要同步生成符合物理规律的激光雷达点云,并保证两种传感器看到的是同一个世界。

这比单纯生成逼真的道路视频更复杂,也是虚拟测试能否真实反映无人车感知能力的关键。

更进一步,ApolloWorld还能支持无人车在虚拟城市中完成从起点到终点的完整行程。此次演讲展示了从深圳滨海大道辅路驶向A8音乐大厦,以及从香港天际万豪酒店前往多个目的地的虚拟驾驶任务,还能在同一路线下调整车流密度。

完整的虚拟路测
完整的虚拟路测

一个路口考验的是单次驾驶决策,一整单考验的则是无人驾驶系统持续完成任务的能力。

放眼全球,世界模型已经成为自动驾驶头部企业争夺的技术高地,但不同企业正在探索的方向并不完全相同。

百度与Waymo无人驾驶世界模型对比
百度与Waymo无人驾驶世界模型对比

今年2月,Waymo公布了基于谷歌DeepMind Genie 3打造的世界模型,能够生成龙卷风、极端天气、罕见障碍物等复杂场景,也支持驾驶动作控制、交通参与者行为设定和多传感器仿真。

相比Waymo的世界模型技术,百度ApolloWorld更强调世界模型的实际应用价值,也更贴近Robotaxi规模化运营的需求。

如此一来,百度ApolloWorld不仅能够模拟多智能体之间的动态交通博弈,还将仿真从单个场景延伸至完整出行任务,并接入已经规模化运营的L4无人驾驶系统,让世界模型真正服务于无人驾驶的训练、验证和商业化落地。

此次披露的萝卜快跑新一代端到端自动驾驶系统,已经实现超过百万公里的全无人运营,而ApolloWorld正是为这套系统提供训练和验证环境。

ApolloWorld不仅能够构建一个可交互的虚拟世界,还能够让已经投入实际运营的L4自动驾驶系统在其中持续接受检验。

世界模型由此从前沿技术探索,进一步成为支撑Robotaxi规模化运营的技术基础。

03.:从一天顶三年到全球化开城

Robotaxi进入“强者恒强”时代

世界模型再先进,最终也要回答一个问题:能够给无人驾驶产业带来什么?

ApolloWorld公布的一组数据颇具代表性。

据百度方面介绍,ApolloWorld每天可完成约10万公里虚拟路测,相当于一辆配备安全员的实车连续测试约三年的里程。

过去需要真实车辆、道路和人力完成的部分测试工作,如今可以转移到云端,通过算力持续扩展。

例如,真实道路上很难为了测试而反复制造行人突然横穿、前车急刹等危险情况,但在虚拟世界中,这些场景可以重复生成,并不断调整交通条件。

世界模型带来的改变,不只是测试里程增加,更是让无人驾驶系统能够以更低成本、更高效率接受大量复杂场景的检验。

对于正在加速全球化的Robotaxi企业来说,这一点尤其重要。

不同国家和城市的道路结构、交通规则、驾驶习惯各不相同。以香港为例,百度已在当地开展右舵左行道路的全无人驾驶测试。

百度Apollo香港测试示意
百度Apollo香港测试示意

真实运营经验与虚拟测试相结合,有助于降低跨市场部署的验证成本,提高开城效率。

而百度还有一项值得关注的优势——萝卜快跑已经积累的大规模真实运营数据。

目前,萝卜快跑无人驾驶总里程超过3.5亿公里,其中全无人驾驶里程超过2.4亿公里。

这些实际驾驶经验可以不断为ApolloWorld提供高价值场景。世界模型则能够围绕真实问题生成更多测试情况,再将验证结果反馈给车端无人驾驶系统。

真实运营提供经验,虚拟世界扩大经验,无人驾驶系统通过验证不断迭代。

由此,百度正在形成一个值得关注的技术闭环。真实运营积累驾驶经验,世界模型不断扩展虚拟测试场景,自动驾驶系统经过训练和验证后,再将新的能力带回真实道路。

这也可能改变Robotaxi产业的竞争逻辑。

当真实驾驶经验能够在虚拟世界中被反复利用,运营规模就不再只是车队数量和订单量的优势,还可能转化为算法迭代效率的优势。

对于百度这样的头部企业来说,数亿公里实际驾驶经验与ApolloWorld相结合,让已经积累的运营数据有机会产生更大的技术价值。而更快的迭代速度,又将反过来支持企业拓展新的运营区域。

从比拼实际测试规模,到比拼真实运营与虚拟训练的综合能力,世界模型有望进一步放大头部企业的优势,让Robotaxi产业进入新的“强者恒强”阶段。

数据持续迭代的优势
数据持续迭代的优势

从更长远的视角来看,这也是百度所说的无人驾驶产业“AGI时刻”的重要含义。

过去,AI主要负责驾驶汽车,工程师则需要投入大量精力设计、组织和验证测试。

如今,AI不仅可以驾驶真实车辆,还可以在虚拟环境中模拟其他交通参与者的行为,为无人驾驶系统提供规模化的训练与验证环境。

从AI司机到AI训练AI司机,无人驾驶正在形成一套更加智能化的研发体系。

而具备真实运营规模和世界模型技术能力的企业,也有望在下一阶段的全球Robotaxi竞争中进一步扩大优势。

04.:得世界模型者

得Robotaxi下半场的主动权

从AI开车,到AI为AI创造考题、验证能力,世界模型正在改变无人驾驶的研发方式。

对于已经进入全球规模化竞争的Robotaxi产业来说,未来比拼的不仅是谁能把车开得更好,还包括谁能以更低成本、更高效率,让无人车不断进化。

百度ApolloWorld等世界模型的出现,也让世界模型从一项前沿AI技术,进一步成为影响无人驾驶产业竞争格局的重要变量。

未来,得世界模型者,很有可能会提前拿下Robotaxi下半场的主动权。

来源 · 车东西2026.11.04

11月2日,据蓝鲸新闻等媒体报道,汽车芯片巨头恩智浦(NXP)已向经销商发函,计划对部分分销及直供产品线实施调价,新价格自2027年1月1日起生效。调价理由涵盖原材料、能源、人力、物流及上游供应商成本的全面上涨。需要说明的是,本次调价函目前仅明确生效时间,未公开具体幅度与完整料号清单,实际传导力度将因客户与产品而异。

汽车芯片涨价潮再起:成本风暴下的汽车产业困局

这已是恩智浦2026年年内第三轮调价——前两轮分别于3月、5月发函,4月、6月落地生效。行业龙头在不足一年内连续三次以同一套成本逻辑向产业链重新议价,表明本轮压力并非短期波动,而更可能呈现结构性、持续性的成本重估特征。但"发函调价"不等于"成交价同幅度落地",渠道折扣、长协锁价与库存缓冲会稀释实际传导。

恩智浦并非孤例。2026年以来,德州仪器、英飞凌、意法半导体、瑞萨、ADI等主要车规芯片供应商已密集调价,覆盖MCU、模拟、电源、功率与存储等核心品类。从涨幅看,存储是领涨主线:据央视财经报道,3-6月车规级存储芯片整体价格涨幅约180%;集邦咨询(TrendForce)数据显示,2026年一季度通用DRAM合约价环比上涨90%-95%、NAND Flash上涨55%—60%——该数据为通用料号合约价口径,不等同于车规专用采购价,但解释了车规存储成本陡升的传导来源。模拟与电源器件部分紧缺料号涨幅达15%-85%,车规MCU主流涨幅约5%-20%。

01.成本传导:

整车企业的显性BOM与隐性利润双承压

芯片涨价对整车成本的冲击直接且显著。据测算,中高配车型单车存储成本已从40-90美元跃升至90-220美元,高阶智能车型甚至突破500美元。

蔚来创始人李斌在二季度财报沟通会上披露,二季度单车成本较2025年底上涨约1.4万元,按当季销量折算,相当于单季新增约15亿元成本压力。李斌同时拆解了结构:内存涨价贡献约1万元,电池涨价三四千元,其余来自铜、铝等大宗材料。对尚在盈亏平衡线附近挣扎的车企而言,这一量级的成本增量仍是实质性挤压。

02.行业切面:

成本上行与价格下探的"剪刀差"

与成本上行形成对照的,是汽车价格体系的持续承压。数据显示,1-7月汽车行业收入同比增长2.7%,成本同比增长3.8%,利润总额2162亿元、同比下降20%;行业全口径利润率约3.6%,低于下游工业企业平均水平;2026年上半年整车制造环节平均利润率进一步跌至约1.5%,创近十年新低。

当前国内新能源汽车市场竞争白热化,消费者对价格高度敏感。车企普遍难以通过直接提价转嫁成本,更多选择"基础车型稳价、智能配置加价、收紧金融权益"的隐性路径。完全零转嫁并不准确,转嫁方式从"明涨"变成了"暗涨"。

03.

趋势研判

其一,调价动作或延续,但幅度存弹性。 恩智浦的调价具有风向标意义,参考此前多家厂商的跟进节奏,2027年初新规生效前后,不排除更多供应商加入调价行列。但渠道函不等同于最终成交涨幅,实际传导取决于长协覆盖比例、渠道库存与客户端议价能力。

其二,成本冲击将放大行业分化。 头部车企凭借规模效应与供应链议价能力,尚可通过锁价、优化BOM、配置重组部分消化压力;中小车企及新势力现金流承压更明显。在整车制造利润率仅1.5%的背景下,持续成本冲击将抬高出清风险,行业整合节奏可能加快,但是否出现大规模退出,仍需观察后续现金流与销量数据。

其三,国产替代打开"验证窗口",而非立即放量。 国际大厂轮番涨价,客观上拉开了国产车规芯片的性价比窗口。对车企而言,加快导入国产供应商既是降本路径,也是供应链安全的必要备份。但车规MCU、存储、功率器件的认证周期通常12-24个月,定点绑定深,短期难大规模切换——本轮更可能成为国产芯片"备胎转正"的加速期,而非立竿见影的替代期。

结语

本轮芯片涨价的底层逻辑,是两条曲线同时上移:一条是AI算力需求对存储与先进封装产能的挤占,另一条是成熟制程在材料、能源、封测端的刚性成本抬升。前者主导存储价格,后者主导MCU与模拟器件定价,两者叠加才构成汽车产业此轮"成本重置"。

短期看,这是一场利润率的消耗战,整车企业夹在上游涨价与终端降价之间,靠规模摊薄与配置重构争取缓冲。长期看,它会重塑汽车供应链的竞争维度:垂直整合能力、长协锁量机制、国产备份体系、多元化供应结构,将成为比"单车参数"更底层的护城河。

成本风暴之后,活下来的不会是喊"掌控力"最多的企业,而是把供应链做成系统工程的那一批。

来源 · 焉知汽车2026.11.03

来源 | 汽车电子与软件

01 · 开篇:从“装个大模型”到“养一个Agent”

这两年车展上,“AI上车”几乎成了标配话术。展板上一律写着“全栈自研大模型”“端到端智驾”“AI座舱”。但你如果像我一样,在汽车软件这行泡了十年,多少会觉得这些词被搅成了一锅粥。

先说一个很多人没注意的事实:车里跑一个大模型,和车里跑一个Agent,根本不是一回事。

大模型是大脑,会思考、会聊天、会写代码,但它自己动不了手——它不能读你的ARXML,不能改CAN配置,更不能触发一次OTA。它只是一个会推理的函数。

而Agent,是大脑加上一整套让它能真正干活的“身体”:能读文件、能调工具、能持续执行、能记住上下文、能被约束和审计。DeepSeek给了一个很干脆的公式:

Agent = Model + Harness

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

这句话看起来轻飘飘,但它其实把过去两年AI工程界最核心的认知浓缩进去了:让模型变聪明是一回事,让模型在真实环境里可靠地完成工作,是另一回事。

所以真正值得讨论的问题,不是“汽车要不要装大模型”——这事儿基本已经定了。真正的问题是:

当Agent进入汽车,汽车软件架构会怎么变?

这篇文章,我想从一个做了十年AUTOSAR、中央计算和智驾软件的人的角度,把Harness、Skill、Capability、Agent OS这几个词在汽车语境下捋一遍。不是为了造概念,而是因为这几个词背后,藏着下一代汽车软件架构真正会动的地方。

02 · 先把几个词说清楚: Agent、Harness、Skill、Loop

在往下走之前,得先把几个词钉死,不然后面全乱。

你可以先记住这一句话:

AI Agent = 会自己干活的 AI

Skill = 它会干什么

Loop Engineering = 它怎么一轮一轮地干活

Agent Harness = 负责把整个干活过程管起来,让它别乱来、能纠错、能验收

再加上大模型:

Model 是大脑,Skill 是手脚,Loop 是工作节奏,Harness 是整个工作台和管理系统。

Model(模型)是大脑:负责理解、推理、规划、决策。它擅长想,不擅长做。

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

Harness(驾驭框架)是身体,也是车间管理系统:负责组织、约束、监控、验证Agent的执行过程。它不负责让模型变聪明,它负责让模型有一个能真正干活的环境。

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

Harness让 AI Agent 稳定执行任务的工程框架

Harness 的核心组成

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

需要注意,Harness 并不是某个固定的软件产品,也没有唯一的标准架构。不同 Agent 框架会根据任务类型和风险等级,采用不同的实现方式。

Skill(技能)是专业能力:定义Agent能执行哪些具体任务。比如“读ARXML文件”“分析CAN配置”“生成诊断报告”。

Tool(工具)是原子操作:读文件、写文件、执行命令、调接口。

Loop(循环)是工作节奏:思考→行动→观察→再思考,一轮一轮跑下去,直到任务完成。

打个比方。你开了一家AI汽车维修厂。Model是那个刚毕业、脑子特别快但没碰过真车的工程师;Skill是他会用的各种专业能力——读故障码、标定、刷写;Tool是他手里的扳手、诊断仪、示波器;Loop是他“检查→判断→动手→再看结果”的工作节奏。

那Harness是什么?是这家维修厂本身:工位怎么排、工具怎么领、谁能进车间、谁不能动举升机、活干完了谁验收、出了事谁负责。

所以DeepSeek那句“Model is the soul of an agent”后面还跟着半句:Harness让它“understand its environment, use tools, and keep working in real-world settings”。灵魂归灵魂,没有身体,灵魂也只能在天上飘。

理解了这一层,你就明白为什么Harness Engineering这两年突然成了显学。它不是工具管理器,它是一整套工程方法:工具怎么注册、Skill怎么组织、Context怎么管理、Loop什么时候停、什么操作要审批、什么文件能改、怎么做沙箱、怎么做验证、怎么保存Session、怎么让Agent长时间工作。

这些事,在云端写代码的场景里已经够难了。把它搬进车里,难度还要再翻几倍。

为什么?因为云端Agent写崩了,最多回滚一次Git;车端Agent要是通过Capability调错了车窗、座椅、甚至能量管理,那可不是“重新生成”能解决的。云端Agent的失败是“体验问题”,车端Agent的失败可能是“安全问题”。这两者的工程要求,差着量级。

所以别被“Agent”这个词的轻盈感骗了。在汽车语境下,Harness不是锦上添花,是生死攸关。模型可以慢慢变聪明,但Harness必须一开始就建得足够硬。

03 · Agent进入汽车,不是一条路,是四条路

很多人一聊“AI Agent进汽车”,脑子里只有一幅画面:车里坐着一个AI助手,帮你点歌、调空调、规划路线。

这只是最浅的一层。按Agent接触车辆的方式和风险等级,至少能分出四条路,每条路的工程难度差出一个数量级。

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

第一条路:软件工程Agent。它不进车,它进开发链。帮工程师读需求、写代码、跑测试、生成ARXML、做配置比对。这条路最现实,也最安全——因为它压根不碰车,碰的是开发环境。现在不少主机厂已经在用了,只是没大张旗鼓。

第二条路:车云协同与售后Agent。它在云端,但能远程访问车辆数据:读DTC、拉日志、做故障预诊断、生成维修建议。它接触的是“车辆信息”,不是“车辆控制”。风险中等,但已经要开始认真做权限和审计了。

第三条路:车内Service Agent。它跑在车端,能调用车辆服务:座舱、导航、能量管理、舒适性功能。它和用户直接交互,能影响体验,但通常不直接碰安全相关功能。这是接下来两年最热闹的战场。

第四条路:安全相关Agent。它参与或辅助安全相关功能——比如驾驶监督、冗余决策、安全状态判断。这条路最难,因为它要正面撞上ISO 26262、SOTIF(ISO 21448)、ISO/PAS 8800(道路车辆AI安全)这一整套功能安全体系。

这四条路,千万别混着聊。我见过不少PPT,把第三条路讲得像第四条路,把“能调车辆服务”说成“能控制车辆”,听着很震撼,真上车时会被功能安全工程师一票否决。

一个基本边界要记住:能调用车辆服务,不等于能直接控制安全功能。中间隔着一整套授权、策略和安全机制。

04 · 真正的变化:汽车里多了一种“不确定的软件”

为什么Agent进汽车,会逼着软件架构变?因为Agent和传统汽车软件,骨子里是两种东西。

传统汽车软件是代码驱动的。程序员写什么,软件就执行什么。权限、资源、行为边界,大部分在设计阶段就能定义清楚。AUTOSAR那一套——RTE、Service、Machine Config——本质上就是在把“确定性”工程化:你配置好了,它就按配置跑。

Agent不一样。它不是执行一串固定指令,而是根据目标、上下文、工具结果和模型推理,动态决定下一步做什么。

你给它一个目标:“检查CAN0配置是不是500K,如果不是就修改并验证。”它自己决定先读哪个文件、调哪个工具、改完要不要编译、要不要跑测试。具体行动路径,运行时才生成。

这意味着什么?意味着汽车软件的抽象单位,正在从“功能”向“能力”演变。

过去几十年,汽车软件的链条是:ECU → Application → Service → Function。每一层都是确定的、可预先定义的。

Agent来了之后,链条开始变成:Goal → Model → Skill → Tool → Vehicle Capability。目标在设计阶段定义,但具体怎么达成,运行时动态产生。

所以汽车软件架构真正要回答的问题,从:

“这段代码能不能上车?”

开始变成:

“这个Agent被允许在车里做什么?”

这不是措辞游戏。这是从代码边界走向能力边界。整个安全论证、权限模型、审计方式,都得跟着变。

05 · 三个平面,而不是两个

既然Agent和传统软件是两种东西,那它们在车里怎么共存?

我的判断是:汽车软件会演化出三个平面,而不是传统的一个平面。

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

第一个平面:Agent Plane(智能平面)。这是不确定性世界。LLM、Harness、Skills、Planning都在这层。它产生意图——“我想调低空调温度”“我想规划一条避开拥堵的路线”。但它不直接碰执行器。

第二个平面:Vehicle Service Plane(车辆服务平面)。这层把车辆能力包装成Capability API。空调、车窗、座椅、导航、能量管理,都变成一个个可被授权调用的能力接口。Agent想用,得通过这层。

第三个平面:Safety Control Plane(安全控制平面)。这是确定性世界。状态机、Watchdog、Fail-safe、ASIL相关的功能安全逻辑,都在这层。它按设计执行,不接受“动态决定”。

三个平面的关系是:Agent产生意图,车辆服务平面提供能力,安全控制平面决定这个意图能不能执行、怎么执行、执行不了怎么办。

关键点在于:Agent需要的不是底层ECU接口,而是Capability API。让它直接调CAN报文,就像让产品经理直接改生产环境数据库一样——技术上能做,工程上不能这么干。

这个三平面结构,是后面所有安全机制、权限模型、Agent OS讨论的地基。

06 · PEP不是万能闸门,是一种架构模式

聊到Agent和车辆控制之间的安全,很多人会提一个词:PEP,Policy Enforcement Point,策略执行点。

但要小心一个误解:PEP不是AUTOSAR或ISO标准里的某个组件,它是一种架构模式。它检查的是结构化的能力请求,不是自然语言。

也就是说,PEP不会去解析Agent说的“帮我把空调调低点”这种话。它处理的是已经经过Harness和Skill抽象之后的能力调用请求:Agent X,在状态S下,请求调用Capability C,参数P。

PEP要回答的是:这个请求,允许吗?

这和传统的文件权限模型不一样。传统问的是“这个进程能不能访问这个文件”,现在要问的是“这个Agent现在到底被允许做什么”。从File Permission到Capability Permission,这是权限模型的一次升级。

所以别把PEP想成一个万能安全闸门,往那儿一放就万事大吉。它只是整个安全架构里的一环——而且是靠后的一环。真正决定安全的,是它前面那一整套:Agent有什么身份、拥有哪些Capability、当前处于什么状态、策略引擎怎么判、安全机制怎么兜底。

07 · Sandbox只是第一层: 汽车Agent的安全边界要叠七层

说到Agent安全,很多人第一反应是“上沙箱”。沙箱当然重要,但在车里,它远远不够。

沙箱解决的是“Agent在哪运行”——隔离的运行环境、受限的资源访问。但它解决不了另外几个更要命的问题:Agent能调用什么车辆能力?它的输出是否合法?它是否满足当前的安全状态约束?

举个刺骨的例子:一个Agent在沙箱里跑得好好的,没越界。但它通过合法的Capability API,请求把车窗全降下来——而此时车正在高速行驶。沙箱拦不住这个,因为这是“合法调用”,问题在于“这个状态下不该允许这个调用”。

所以汽车Agent的安全边界,至少要叠七层:

每一层解决不同的问题,缺哪一层都有漏洞。沙箱只是起点,不是终点。

这也是为什么很多互联网背景的工程师做汽车Agent,第一版总是被功能安全团队打回来——他们习惯了“沙箱+权限”两层就交付,但在汽车语境里,这两层连门槛都没摸到。

08 · AUTOSAR 会被 Agent取代吗?不会,但会被改变

每次有新东西进汽车,总有人问“AUTOSAR会不会被取代”。SDV的时候问过,中央计算的时候问过,现在Agent又问。

我的回答是:不会,但会被改变。

AUTOSAR Adaptive Platform已经发展到R25-11。更值得注意的是,2026年8月AUTOSAR发布了CAPI 1.0——Common Adaptive Platform Implementation。这意味着AUTOSAR开始从“规范定义”走向“可运行、可组合的基础设施”。

这件事的意义在于:现在讨论“Agent Runtime如何建立在汽车软件平台之上”,已经比单纯讨论“AI加沙箱”有现实感得多。

Agent完全可以作为一个Adaptive Application运行在AP之上。但——这是关键——Agent并不天然具备AUTOSAR的安全属性。它跑在AP上,不等于它就是ASIL的。ASIL不是软件分层标签,它是安全目标、是功能属性,是要靠一整套安全论证支撑的。

所以真正的架构不是“Agent取代AUTOSAR”,而是:

Agent Runtime → Harness → Capability/Policy → AUTOSAR Adaptive Services → Vehicle Control

Agent在最上层产生意图,经过Harness和能力授权,落到AUTOSAR Adaptive提供的服务上,最终由车辆控制层执行。AUTOSAR依然是底座,但底座之上,多了一整层“目标—能力—权限—执行—验证”的架构。

CAPI让这个底座变得更实了。以前你拿到的AUTOSAR是一堆规范文档和参考实现,现在你拿到的是可运行的基础设施。Agent Runtime建在上面,不再是空中楼阁。

打个更具体的比方。以前你要在AUTOSAR上跑一个新东西,得先花几周读规范、配Manifest、调RTE、和工具链搏斗,最后还不一定能跑通。有了CAPI,很多基础设施是现成可组合的,你更像是在一个已经装好水电的毛坯房里搞装修,而不是从打地基开始。这对Agent Runtime这种需要快速迭代、持续部署的新软件形态,友好得多。

但别高兴太早。CAPI解决的是“底座可运行”,不解决“Agent安全”。Agent跑在CAPI之上,依然要自己回答:谁授权它调用哪些Capability、它的输出谁验证、它失败时谁兜底。底座再实,上面的安全架构还是得自己搭。

09 · 中央计算:Agent终于能成为长期运行的软件实体

为什么Agent现在才“有可能”进车,而不是五年前?

算力当然是一个原因。但更重要的,是中央计算架构让车里第一次出现了统一的软件资源池。

分布式EE架构时代,每个ECU各管一摊,算力碎片化,你根本没地方放一个需要长期运行、持续占用资源的Agent。中央计算把算力集中起来,Agent才有了栖身之所。

但中央计算也带来新问题:CPU、GPU、NPU、Memory、Network,现在是一群软件在抢。传统汽车软件虽然多,但行为相对可预测——每个App占多少、什么时候跑,基本能算清楚。

Agent不一样。一个“聪明的Agent”可能是中央计算里最不讲规矩的软件:它可能突然跑一轮长推理,把NPU占满;它可能持续维护一个大上下文,把内存吃掉一大块。如果资源治理没做好,它会拖累整车的实时性和安全性。

所以中央计算时代,光有VM和Container隔离不够,还需要Resource Governance——对Agent这类“不确定的软件”做资源配额、优先级调度、抢占保护。

让Agent能跑,和让Agent跑得不让别人没法跑,是两件事。

10 · 智驾那块:别把Agent和End-to-End混为一谈

聊到AI和汽车,最容易搅在一起的就是智驾。这里必须把三个概念分开:AI、End-to-End(端到端)、Agent。

AI是个大筐,啥都能往里装。End-to-End是智驾的一种技术路线——感知到规划到控制,用神经网络一气呵成。Agent是能自主理解目标、选择能力、持续执行任务的软件实体。

这三个不是一回事。End-to-End智驾模型可以是一个Agent的Skill,但Agent本身不是End-to-End。把Agent和端到端混着说,是现在最容易闹笑话的地方。

按风险等级,智驾相关的Agent大致分三层:

第一层,驾驶辅助Agent。它只处理信息:帮你解读路况、提醒注意事项、生成行程摘要。不产生执行器控制量。

第二层,驾驶监督Agent。它监督智驾系统的状态,做冗余判断、异常检测、接管提醒。它本身不直接控制车辆,但它的判断会影响“要不要让人接管”。

第三层,安全相关驾驶Agent。它参与安全相关的驾驶决策。这一层直接进入汽车安全领域,要同时满足ISO 26262功能安全、SOTIF预期功能安全、ISO/PAS 8800 AI安全。

第三层是最难的。难在哪?难在安全论证的对象变了。以前你论证的是一段代码、一个模型;现在你要论证的是一整个Agent系统——它的Harness、它的Skill组合、它的策略引擎、它的失败模式,全都要纳入安全分析。

这不是把模型训好就完事的。这是工程体系的重构。

11 · Agent OS:它不是OS,是一层Runtime

终于聊到Agent OS这个词。

先泼盆冷水:Agent OS目前不是AUTOSAR、ISO任何标准里的正式术语。它是一个架构概念,更准确的说法是Agent Runtime或Agent Platform。

那它到底要管什么?我梳理了八个职责:

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

这八件事,现在散落在不同地方:有的在云端平台,有的在车端中间件,有的根本没人管。Agent OS的意义,是把它们收拢成一个统一的运行时层。

其中最容易被低估的是第七条——Observability与Audit。传统汽车软件的日志,记的是“谁在什么时候调了什么接口”。Agent时代要记的可不止这些:它得记“Agent为什么决定这么做”——它的推理链是什么、它考虑了哪些选项、它为什么选了这个Skill、它为什么没选另一个。这叫“决策可追溯”,是Agent审计和事后分析的基础。没有它,出了事你连“Agent当时在想什么”都还原不出来。

第八条Verification也特别要命。传统软件验证的是“代码路径”,Agent要验证的是“行为空间”——它可能做出的所有决策,都要在安全边界内。这比测一段代码难得多,因为你测不完所有可能的推理路径。工程上的务实做法,是结合输出验证、策略约束、沙箱隔离和冗余兜底,把“不可穷举”变成“即便错也安全”。

它不取代AUTOSAR,它建在AUTOSAR之上。AUTOSAR管确定性,Agent OS管不确定性。两者各司其职。

一个形象的类比:AUTOSAR像是车的底盘和动力总成——它保证车能按设计跑。Agent OS像是车上的“驾驶策略层”——它决定这趟行程要去哪、走哪条路、什么时候停。底盘不会因为有了驾驶策略就被废掉,但驾驶策略会让底盘之上的软件形态彻底变样。

12 · 能力模型的重构:从功能到能力

前面铺垫了这么多,现在可以说最核心的一个变化了:汽车软件的抽象单位,正在从“功能”向“能力”重构。

过去几十年的链条是:ECU → Application → Service → Function。每一层都是确定的、可预先定义的。传统软件说“我要调用Service X”,调用关系在设计阶段就写死了。

Agent来了之后,链条变成:Agent → Capability → Policy → Vehicle Service → AUTOSAR/Middleware → ECU。Agent不说“我要调用Service X”,它说“我要完成Goal Y”。具体调哪个Service、用什么参数、按什么顺序,运行时动态决定。

这个变化看着微妙,影响却很深。

它意味着车辆能力要被重新抽象:不是按“功能”切,而是按“能力”切。一个“空调”功能,可能拆成“调温能力”“风量调节能力”“模式切换能力”等多个Capability,每个Capability带自己的权限声明、状态约束、安全边界。

它也意味着权限模型要升级:从“谁能访问这个接口”变成“谁在什么状态下能调用这个能力”。权限变成动态的、上下文相关的。

这是Agent进汽车之后,软件架构真正会动的地方。不是AUTOSAR被推翻,是AUTOSAR之上长出了新的一层抽象。

13 · Skill会变成新的软件抽象层,但多Agent不是越多越好

顺着能力模型往下,Skill在汽车里会变成一个新的软件抽象层。

以后你可能会看到这样的Skill库:Vehicle Diagnosis(车辆诊断)、ARXML Analysis(ARXML分析)、CAN Configuration(CAN配置)、DLT Analysis(日志分析)、Calibration Management(标定管理)、OTA Verification(OTA验证)。每个Skill是一个可复用、可组合、带权限声明的专业能力单元。

Skill设计有个重要原则:原子化。别搞一个“超级Skill”——又改配置又编译又测试又部署,出了问题都不知道哪步炸的。拆成read_file、edit_file、build、run_test、deploy,Harness才能分别控制、分别重试、分别回滚。

聊到这,顺带说一个特别容易踩的坑:多Agent。

很多人学了Agent之后,第一反应是“一个不够就五个,五个不够就一百个”。Planner、Supervisor、Researcher、Coder、Reviewer、Tester、Evaluator、Manager、Sub-Agent、Sub-Sub-Agent……看着很高级,实际上可能已经把简单任务搞成了“AI官僚机构”。

让Agent读一个ARXML文件,结果Planner→Researcher→Analyzer→Reviewer→Evaluator跑了几十轮,Token烧了一堆,一个普通脚本一秒搞定的事,搞成了企业级流程。

多Agent不是不行,但每多一个Agent,就多一份身份、多一份权限、多一份状态、多一份通信、多一份故障模式、多一份审计对象。多Agent成立的前提,是角色隔离能显著降低复杂度和风险,而不是为了多而多。

Agent架构的目标不是复杂,是让复杂任务变得可控。

14 · 务实的落地路线:四级演进

说了这么多架构,落地得有个路线。我倾向于分四级,从易到难、从低风险到高风险:

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

每一级之间,隔着的不只是技术,还有一整套安全论证和流程体系。“能不能做”和“能不能上车”,中间差着十万八千里。

别想着一步到位从L1跳到L4。我见过太多项目,PPT上画到L4,实际连L2的Harness都没建明白。

15 · 被忽略的Cybersecurity

最后说一个被严重忽略的问题:网络安全。

聊汽车Agent安全,大家本能想到功能安全——ASIL、SOTIF。但Agent带来的新攻击面,主要在网络安全侧。

Prompt Injection(提示注入)、Tool Injection(工具注入)、Malicious Skill(恶意技能)、Context Poisoning(上下文污染)——这些在传统汽车软件里根本不存在的攻击向量,Agent时代全冒出来了。

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

更麻烦的是“AI自主执行链漏洞”。传统软件的漏洞,触发路径相对固定;Agent的漏洞,可能藏在“它怎么决定调用哪个工具”这条动态链路里。攻击者不用直接控制执行器,只要在某个环节把Agent的决策带偏,它自己就会“合法地”干出危险的事。

当AI Agent进入汽车:下一代汽车软件架构该怎么变?

所以汽车Agent的安全,必须同时考虑四套体系:Functional Safety(功能安全)、SOTIF(预期功能安全)、AI Safety(AI安全,ISO/PAS 8800)、Cybersecurity(网络安全,ISO 21434)。这四套以前各管一摊,Agent时代必须拧成一股绳。

少考虑任何一套,都会留出致命缺口。

16 · 结语:从代码边界走向能力边界

写到最后,把这条主线收一下。

过去几十年,汽车软件解决的核心问题是:如何让软件可靠地执行已经设计好的功能。AUTOSAR解决标准化,中央计算解决算力整合,SDV解决持续演进。这三件事,本质上都在“代码边界”里打转——让确定的代码跑得更稳、更标准、更可演进。

Agent带来的是一个根本性的变化:软件开始根据目标,动态组织能力。

这意味着汽车软件架构的下一个阶段,要回答的问题变了。不再是“这段代码能不能上车”,而是“这个Agent被允许在车里做什么”。

所以,判断一辆车是不是真的“AI Agent上车”了,标志不是车里跑了一个大模型。大模型谁都能塞。

真正的标志是:这辆车开始拥有一种能够自主理解目标、选择能力、持续执行任务,同时又被工程化地约束、验证和审计的软件实体。

前半句是Agent,后半句是工程。缺了后半句,那就是把一个会说话的函数装进了仪表盘,听着炫,用着慌。

从代码边界走向能力边界——这就是Agent进入汽车之后,下一代汽车软件架构真正会变的方向。

至于这条路走多快,不取决于模型有多聪明,取决于我们这些搞汽车软件的,能把Harness、Capability、Policy、Safety这一整套工程体系搭得多扎实。

毕竟,让AI聪明是AI公司的事,让AI在车里可靠地干活,是我们的事。

当AI Agent进入汽车:下一代汽车软件架构该怎么变?
当AI Agent进入汽车:下一代汽车软件架构该怎么变?
来源 · 焉知汽车2026.10.30
← 上一期 · 10月第4期下一期 · 11月第2期 →