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2期内刊

2026年11月第 2 期共 12 篇

11 月上旬一条能报出车架号的假召回短信,又把国内治理体系最容易被忽略的一面:车主数据流转,摆到了台面上。

一、三个新特征:监管给「缺陷」重新划了边界

2026 世界智能网联汽车大会(10 月 22 日)政策法规论坛上,国家市场监督管理总局质量发展局二级巡视员李常青提出智能网联汽车质量安全的三个新特征:

风险形态从「有形硬件」扩展到「无形软件」,软件缺陷多发与软件迭代常态化叠加,OTA 成为风险管控新变量;

缺陷特征从「显性可复现」转向「无形、数字化、难复现」,传统缺陷判定与试验验证手段面临挑战;

安全边界从「单车产品」延伸到「车、路、云、网」协同的系统生态,质量安全成为贯穿整车、芯片、算法、通信、数据的系统性命题。

图 1|车路云一体化系统架构示意来源
图 1|车路云一体化系统架构示意来源

来源/图片性质:公开技术架构图,谈思实验室整理;为技术示意,非监管官方原图

同一场发言还披露了今年 1—9 月召回 617 次、涉及车辆 2039.38 万辆,其中经监管部门调查约谈后推动的召回 1452.68 万辆(占 71.23%)。这里必须标一处口径差异:中证网将该统计表述为「新能源汽车召回」,央广网、OFweek 等转述为「智能网联汽车召回」,数字一致但统计对象名称不同。本刊按「同一场大会发言披露的召回数据」引用,不代监管重新定义统计范围;71.23% 一项目前仅见于媒体转述,属单一来源口径。论坛上「坚决防止追求热点、缺少场景验证的『激进式创新』上车」的表态,同样是媒体对发言的转述,不是法规条文。

对安全工程师来说,这三句话不是务虚。它意味着 TARA 里的资产清单要包含云端服务与算法模型,缺陷验证要覆盖「难复现」的时序与状态组合,OTA 的每一次版本变更都要能回答「这次升级是否改变了已批准车型的安全假设」。

二、标准与地方立法:一边迭代指南,一边先行先试

国家层面,工信部装备工业一司司长郭守刚在同一论坛表示,我国持续迭代《国家车联网产业标准体系建设指南》,最新版本已公开征求意见。注意状态:是「公开征求意见」,不等于已发布、已批准、已实施;截至本期截点,最新版本号与征求意见截止日期未取得可核验的官方公告,本刊不作补充。

图 2|智能网联汽车标准体系架构示意来源
图 2|智能网联汽车标准体系架构示意来源

来源/图片性质:公开技术资料图,谈思实验室整理;为体系框架示意,非现行标准清单

更硬的一条是 GB 47955—2026《智能网联汽车 组合驾驶辅助系统安全要求》:由工信部组织制定并归口,国家市场监督管理总局、国家标准化管理委员会于 2026 年 6 月 27 日批准发布,拟自 2027 年 1 月 1 日起正式实施,是我国首个针对 L2 级组合驾驶辅助的强制性国家标准。标准按基础单车道、基础多车道、领航驾驶辅助三类产品分别提出安全要求,从功能要求、数据记录、车辆制造商安全保障三个维度设基线,并构建场地试验、道路试验、文件检验相结合的多层级评价方法。新华社同期披露,2026 年以来我国搭载组合驾驶辅助功能的乘用车新车市场渗透率达 70%,其中领航辅助(NOA)车型渗透率超过 30%。

从单车到车路云网:治理升级、L2 强标与一条「假召回」短信

图 3|GB 47955《智能网联汽车 组合驾驶辅助系统安全要求》报批稿

来源/图片性质:公开标准报批稿封面,仅作标准主题示意;封面标注「报批稿」且标准号为占位符,非正式发布文本

地方层面,天津与浙江给出了两种样本。《天津市促进智能网联汽车发展条例》由天津市十八届人大常委会第二十二次会议于 2025 年 11 月 28 日通过并公布,自 2026 年 1 月 1 日起施行,共 6 章 43 条;条例明确市工信部门管产业促进与道路测试、市交通运输部门管商业化应用试点、市公安部门负责登记号牌与职责范围内网络数据安全监管、市网信部门统筹网络安全与网络数据安全。天津政务网 2026 年 1 月 10 日披露,全市已开放智能网联汽车测试道路 5389 公里。

这里纠一个常见错:央广网 10 月 24 日报道写作「2025 年正式施行的《天津市促进智能网联汽车发展条例》」,与法规原文(2026-01-01 施行)不符。以国家法律法规数据库与天津人大公告为准,应写「2025 年 11 月通过、2026 年 1 月施行」。另据 2024 年底官方口径,当时开放测试道路 2103 公里(含 491 公里高速)、发放测试牌照 51 项——与 5389 公里是不同时点的两组数字,不可混用。

浙江则按「事前准入—事中在线监测—事后应急处置」构建全链条监管:杭州率先出台智能网联汽车测试与应用促进条例,嘉兴、湖州 2026 年相继推出地方性法规,全省智能网联汽车测试总里程突破 745 万公里。这三市法规的具体名称、公布日期与 745 万公里的统计截止时点,目前仅见央广网对论坛发言的转述,本刊标注为媒体转述、待官方文件核验;745 万公里是累计行驶里程,不是开放道路长度,也不是牌照张数。

三、L3 首批准入:是「附条件」,不是「全国上路」

工信部第 401 批《公告》对两款搭载 L3 级有条件自动驾驶功能的产品作出附条件许可,被媒体称为我国首批获准入许可的 L3 产品:

图 4|谈思实验室整理制表
图 4|谈思实验室整理制表

工信部表述为两家企业「已完成并通过产品测试与安全评估」,由上述主体在限定区域内开展上路通行试点。写方案、做汇报时别把「首批 L3 准入」简写成「L3 可全国上路」——功能、车速、路段、运营主体四个限定都在公告里。

图 5|首批 L3 准入相关媒体宣传海报
图 5|首批 L3 准入相关媒体宣传海报

来源/图片性质:媒体制作海报,非监管公告;图中「仅 2 台合法上路」等标题为媒体表述,准入范围以工信部第 401 批《公告》为准

全国口径还有一组常被引用的数字:累计发放测试示范牌照超 2 万张、开放测试示范道路超 5.7 万公里、累计测试里程突破 2.2 亿公里、车路云一体化设备 6 万余台套、乘用车新车 L2 搭载率超 70%。它们由工信部大会口径经行业媒体与中新网转述,本刊标注为官方口径经媒体转述(未取得工信部官网独立原文页)。再提醒一次量纲:张数、道路长度、行驶里程、设备台套、百分比是五类不同指标,不可相加,也不宜互作比例。

四、11 月上旬的一条落地案例:能报出车架号的「假召回」

11 月 5—6 日,理想汽车法务部、大众汽车(中国)、宝马中国、沃尔沃,以及丰田中国、一汽丰田、广汽丰田等先后发布声明或客服回应:近期大量传播的「高田气囊召回」短信与所附「红头文件」均非官方发布,属冒用企业及监管部门名义的电信诈骗。

图 6|被企业标注「假」的召回诈骗短信
图 6|被企业标注「假」的召回诈骗短信

来源/图片性质:企业辟谣声明配图,经媒体转载;图中个人信息已作打码处理

公开报道归纳的共性手法是:以「气囊召回」「2 小时内办理」「逾期取消质保」制造紧迫感,附伪造印章文件、非官方网址或二维码,诱导填写个人与车辆信息;部分短信能精准报出车主姓名、车牌号甚至车架号后六位。极目新闻记者实测一条涉诈链接,页面仅设简单滑动验证、无企业资质与官方联系方式,域名无工信部 ICP 备案、服务器在境外。各家给出的核验入口一致:凭 17 位车架号在市场监管总局缺陷产品召回技术中心官方渠道或品牌官方 App / 客服 / 授权经销商查询;正规召回免费,不索要银行卡号、验证码,不要求转账或开启屏幕共享。

事实边界要写清:以上均为企业单方声明与媒体报道,不是「已证实某车企车主信息泄露」。媒体关于「诈骗精准度反映车主数据流转链条存在风险」的分析,属于行业推断,非监管认定;受骗车主数量、涉案金额、信息泄露的具体环节均未披露。截至 11 月 9 日,记者查询市场监管总局及缺陷产品管理中心官方渠道未见针对此事的专门提示,公安部刑侦局与深圳、郑州等地反诈中心已发布预警。这条线索本刊只点到为止,不与 11 月 10 日已展开的数据出境制度重复。

不过它和今天的主题确实连得上:当召回本身变成 OTA 与软件缺陷的高频动作,「召回通知」就成了攻击者最好用的社会工程外壳。治理边界从车、路、云、网一路延伸,最后落在车主手机上——而这一端往往不在整车的威胁模型里。

五、本期三条结论

监管定义变了:缺陷从「可复现的硬件问题」扩展到「难复现的软件与系统生态问题」,验证手段与证据组织必须跟着改。

节点别记混:GB 47955—2026 是 2027 年 1 月 1 日实施,与 GB 44495/44496 的 2026 年 7 月 1 日公告准入节点不是同一件事;天津条例是 2026 年 1 月 1 日施行,不是 2025 年。

数据面别漏:从云端配置到车主手机,安全边界的末端常常是最弱的一环;「能报出车架号」的精准诈骗,值得放进车企的数据流转审计范围,而不只是发一份辟谣声明。

end

来源 · 谈思实验室2026.11.12

汽车报告获悉,朱晓华(下图)已经升任上汽集团创新研发总院的副院长。她曾担任该院硬件中心高级总监。

上汽集团,任命一位重要高管!

创新研发总院,是上汽集团的核心研发平台,2022年成立,目前由王从鹤担任院长。副院长作为该院重要领导成员,重要性不言而喻。

朱晓华则是一位具备深厚技术沉淀的研发人才。她毕业于同济大学电子信息工程,后来在上汽体系工作超过10年。她早期在上汽通用泛亚汽车技术中心任职,担任智能驾驶系统开发驾驶员信息及安全系统经理、主被动安全系统开发高级经理、汽车智能系统及架构执行总工程师,积累了丰富的智能技术开发经验。后来,她加入上汽集团创新研发总院,曾担任硬件中心高级总监,负责软硬件规模化落地、安全标准与用户体验等工作。

现在成为研发总院的高管,她的职业翻开了新篇章。

来源 · 汽车报告2026.11.12

今天聊聊上汽和Momenta。

2026年11月5日,上汽集团一纸董事会决议公告,在智驾圈砸出了不小的水花。

上汽拟与旗下延电科技、魔门塔(Momenta)共同出资3亿元设立合资公司,主攻高阶智驾研发。

这笔账里最反常的一个数字是:股权比例。

3亿注册资本里,上汽集团认缴7500万持股25%,上汽间接控股的延电科技认缴7200万持股24%。

稍微做道加法就能看出门道:「上汽系」两家加起来正好49%,给Momenta让出了最关键的2个百分点。

要知道,过去几年国内传统大厂和智驾公司搞合资,多数由车企主导,像这次这样由算法公司持股51%、车企甘愿退到49%的,并不多见。

为什么这次上汽愿意退后半步,把方向盘交给Momenta?

这是一个好问题。

01 · 上汽为何愿意交出方向盘?

先把上汽最新智驾牌面摊开,答案就清楚了一半。

自2024年管理层换届以来,上汽早已彻底放下2021年时的封闭执念,在2025年4月集齐了国内**「四大智驾天团」**,且进入2026年后各条战线分工极其明确:

华为乾崑智驾与鸿蒙智行主攻合作新品牌「尚界」(2025年9月已落地尚界H5,2026年又相继推出Z7、Z7T两款主力车型)及上汽奥迪部分燃油车;地平线(上汽早在早期参投并以8.78%持股位列其IPO第一大机构股东)持续覆盖荣威、MG主流走量车与大众在华合资体系(酷睿程);卓驭科技(原大疆车载)服务五菱宝骏与上汽大众Pro家族;Momenta则全面坐镇智己、别克、上汽奥迪纯电、上汽大众新能源旗舰及享道Robotaxi。

深度|上汽为何甘愿把方向盘交给Momenta?

在外部广交朋友的同时,上汽对内部软件体系也动了真格:2025年4月,旗下零束科技与上汽研发总院完成整合,双方智驾团队合并办公,直接砍掉了重复造轮子的冗余部门。

交够了早期多头自研的学费后,上汽算明白了一笔硬账:通用智驾底座没必要关起门来硬熬。

但四大外部伙伴里,华为体系强势封闭,地平线重心在算力芯片与HSD底座,卓驭已与中国一汽深度绑定。上汽必须挑出一家真正能做到底层透明、敢把后背交托给对方的「铁杆盟友」。

数来数去,唯有Momenta一人耳。

首先,Momenta与上汽已经实现「资本+技术+全球化」全方位深度绑定。

资本层面,上汽通过尚颀资本早在2017年1月A轮就入股Momenta,2021年3月又联合领投C轮,长期是其第一大外部机构股东(2026年7月港股IPO后上汽仍持股约8.65%,对应股权市值超52亿元,投资回报达3.56倍),2024年3月Momenta又反向参投智己B轮融资。

业务与技术层面的互信更是渗透到了骨子里。有一个极具象征意义的细节:2026年5月28日,上汽集团成为中国汽车工业史上首家产销破亿的车企,第1亿辆整车(智己LS9 Hyper)的交付对象正是Momenta创始人曹旭东。

智己全系搭载的IM AD辅助驾驶系统从2020年L项目立项起便由双方联合共创;2025年4月起,双方联合打造的IM AD无图智驾方案正式出海,无需高精地图即可在欧洲、亚太、澳新、中东做到「开箱即用」;此外,上汽集团L4无人驾驶Robotaxi,也是由上汽造车、Momenta提供L4级智驾系统、旗下享道出行负责运营。

这背后是实打实的战功支撑。

深度|上汽为何甘愿把方向盘交给Momenta?

而在此基础上,敲定「51:49」股权结构,背后还有极其现实的组织效率账、财报并表账与资源置换账。

第一是组织效率。智驾步入端到端与世界模型阶段后,算法迭代速度加快,正在按周甚至按天迭代。如果沿用传统国企体系,走流程的速度都赶不上模型换代的速度,交给Momenta按AI公司的市场化机制掌舵最为高效。

第二是上市公司的生存与并表刚需。2026年7月8日,Momenta刚顶着「物理AI第一股」名头在港交所挂牌,2026年上半年营收大涨75.9%至16.02亿元,经调整净亏损收窄至1409.7万元,正处于撞线盈利、自我造血的关键期。按照会计准则,合并报表看的是控制权,Momenta只有拿到绝对控股,才能将合资公司的全部营收合并进自己的上市公司财报;这次51%的股权安排,正是为了取得控制权。也即是说,合资公司的业绩也会决定Momenta自身的财报成色与资本市场表现,这也会反过来「鞭策」Momenta服务好上汽集团。

第三则是控股权背后的筹码置换。商业世界没有白让的控股权,上汽成全Momenta的并表诉求,换来的应该是前沿核心技术在上汽系的优先首发权。

最好的例子就在眼前:2025年8月发布的R6强化学习飞轮大模型,同年9月率先落地上汽通用别克至境L7;2026年3月,R7强化学习世界模型又全球首发搭载上汽大众旗舰ID. ERA 9X。R6、R7两代世界模型的首发都落在上汽系,最顶级的算法资源确实优先喂给了「上汽系」。

所以,这其实是两家公司的相互成全。

02 · 平台共研与「舱驾融合」

既然智己、别克、荣威早就用上了Momenta的方案,两家接着按老规矩签采购合同不就行了,为什么非要大费周章搞一家合资公司?

在上汽公告里写了这么一句话:新合资公司将面向上汽在全球的各个整车平台,产品和服务涵盖L2级辅助驾驶和L3级有条件自动驾驶。

注意四个字:「整车平台」。

过去,双方合作并不是平台级,而是按照品牌来的,所以每开发一款新车,就要重新敲定一遍传感器排布、算力匹配、线束走向和实车标定,费时烧钱。

但是,成立平台级合资公司后,智驾方案直接前置到了整车平台开发的最源头。

同一平台先把传感器、算力底座和底层接口一次性锁死,后续上汽旗下不同品牌推出新车时,直接复用验证成熟的软硬件架构,按车型售价高低裁剪功能即可。不仅大幅砍掉了跨品牌重复开发成本,还顺手解决了全球车型出海合规与未来L3硬件预埋的统一度难题。

这还没完。合资名单里持股24%的第三人「延电科技」,直接暴露了双方在硬件深水区的真正野心。

延电科技是谁?

延电科技是延锋全资子公司、华域汽车二级全资企业,与上汽同属上海国资汽车工业体系,看家本领正是智能座舱域控制器与跨域融合硬件。

眼下2026至2027年,恰逢整车电子电气架构向中央计算定型的决战窗口。

过去车里的智能座舱和智能驾驶是井水不犯河水。

但如今,不管是出于成本考虑,亦或更强智能体验,尤其是在看到特斯拉把Grok深度接入FSD、让座舱AI开始参与车辆控制之后带来的想象空间,更坚定了各家舱驾融合架构的推进速度。

为此,小鹏已经在今年2月将「自动驾驶中心」与「智能座舱中心」正式合并为「通用智能中心」,用同一套基座大模型驱动舱驾;理想1月调整架构,将基座模型与VLA(视觉语言动作模型)研发合并到同一团队,统一支撑智驾、座舱和机器人;5月底进一步细化,在基座模型部门下新设具身工程、具身交互、具身行为三个二级部门,与自动驾驶二级部门协同落地。

包括今天的主角上汽高端品牌智己也在进行这样的组织变革,今年春节前智己刚刚做了一次比较大的技术组织调整:把原来分布在智驾中心、软件中心的一些团队重新整合,单独成立了一个「AI产品部」。这个部门是由CTO直接领导的,目的是为Ultra Agent的开发提供组织保障,把所有相关的能力集中赋能。

所以如今,把Momenta的高阶智驾,与延电科技的座舱域控工程团队装进同一家合资公司里协同开发,也是顺势为之,为的就是下一代**「舱驾一体」**。

这步棋对双方都是实打实的增量。

对上汽而言,舱驾融合不仅能把单车硬件与线束成本再砍一刀,更重要的是保住了华域和延锋体系在智能化时代的Tier 1硬件制造饭碗,不至于在软件定义汽车的浪潮里沦为纯代工配角,同时也将进一步带来上汽集团产品竞争力的提升。

对Momenta而言,则彻底打破了纯软件供应商的商业天花板。借助延电科技的工程制造能力,Momenta直接从「只卖代码的软件商」切入了高单车价值量的系统级软硬一体交付。

03 · 「芯」伏笔与双赢阳谋

如果把日历往前翻,回到10月29日,你会发现这起合资案背后还藏着一枚更关键的「芯片棋子」。

当天在苏州首次公开亮相的国产车规芯片企业新芯航途(XHEART),脱胎于Momenta内部芯片项目并于2023年底独立运营。虽然在法律与股权上是完全独立的「兄弟公司」(并非Momenta子公司),但不仅Momenta创始团队间接持股,上汽、奇瑞、雷诺、均胜和长鑫科技也悉数坐在其累计近50亿元融资的股东席上。

掌舵新芯航途的CEO李宗霖(前联发科无线通信总经理、原哲库科技COO),现场亮出了X7家族清晰的产品梯队与装车实绩:

第一款主力走量芯片X7,自2026年3月量产算起,短短8个月累计出货已超20万颗,拿下了超40款车型定点,目前已在智己LS6、荣威家越07、奇瑞风云T11、凯迪拉克XT5 PHEV等10款量产车型上批量装车。

深度|上汽为何甘愿把方向盘交给Momenta?

第二款则是10月29日全新发布的旗舰芯片X7 Ultra(中国首发量产Armv9车规级CPU),搭配R7 Ultra世界模型,模型参数规模扩大5到10倍;至于首发车型,官方并未公布。

从X7 的装车结构看,上汽系仍是新芯航途最核心的量产基本盘;按照路线图,2027年还将推出冲击更高阶自动驾驶的下一代芯片X9。

在算力指标上,官方并未披露X7 Max的具体算力,对X7 Ultra也只公布了700 TOPS的「大模型算力」,即等效算力,并未公开底层物理稠密算力与对应精度(现场PPT角落仅标注满足TPP低于2400的合规红线)。

插句题外话,就在发布会次日的10月30日晚,地平线创始人余凯还在微博开麦暗讽行业PPT算力狂飙,把标称值吹到物理稠密算力的6至7倍,调侃「等效算力」隐含意思就是「吹牛算力」:)

抛开算力口径的口水仗不谈,自研芯片+自研算法,再加上2026年8月19日Momenta、新芯航途联手黑莓QNX发布的莱茵安全认证自动驾驶平台,整套软硬底座已经彻底跑通。

看懂了这枚芯片棋子,就能彻底算清这轮连环布局对上汽与Momenta各自的深层战略意义。

先看对上汽集团意味着什么:

第一是供应链安全与实打实的硬件降本。过去高阶智驾高度依赖高价海外通用芯片,不仅采购成本居高不下,还时刻面临出口管制红线的掣肘。如今从10万级的荣威、MG到30万级的智己、大众、奥迪,上汽直接握住了一套自主可控、性价比极高的国产「芯片+世界模型」平替底座。说一个真实案例,接近智己的消息人士告诉《科技丛林》,从英伟达芯片在换用自研芯片之后,成本确实降了不少。

第二是全球出海的合规通行证。无论是黑莓QNX的莱茵认证底座,还是X7 Ultra的SoC满足ASIL-B、内置MCU通过ASIL-D认证带来的功能安全能力与海外法规适配,都让MG、智己等出海主力在征战欧洲、澳新市场时,无需再为不同地区推倒重改底层软硬件,一套架构即可全球通吃。2026年巴黎车展期间,智己还展示了IM AD辅助驾驶系统在巴黎凯旋门环岛等复杂道路环境中的运行表现,所以智驾出海不是问题,2027年智己还将把LS8 NEO纯电带入欧洲市场。

第三是产业与资本的「一鱼两吃」。上汽同时身居Momenta与新芯航途的重要股东席位,自家每年数十万规模喂出来的订单,既升级了自身产品力,又能直接反哺了两家核心生态企业的商业估值,带来资本层面的收益。

深度|上汽为何甘愿把方向盘交给Momenta?

再看对Momenta意味着什么:

Momenta在港股招股书中曾坦承,纯算法方案面临被替换的风险,而芯片与域控一旦深度嵌入车企的电子电气架构,替换成本极高。左手靠兄弟公司新芯航途扎根硅片,右手靠合资公司联手延电科技切入舱驾域控,Momenta正式成为中国智驾市场继华为、地平线之后,第三家跑通「核心大模型+专用芯片+域控工程」软硬一体闭环的玩家,同时借上汽量产车与Robotaxi源源不断喂养自己的「物理AI」数据飞轮,智驾能力将进一步增加。

而且软硬一体,还将带来系统级降本,这对于在内卷苦海中挣扎的主机厂来说,很有吸引力,也将进一步增强Momenta的智驾竞争力,带来更多营收和更好的市场表现。

04 · 写在最后

跳出这笔3亿元的交易本身,上汽与Momenta的这次「51:49」握手,其实是整个智能汽车下半场分工重构的一个缩影。

对于留在桌上的智驾公司而言,这起合资案指明了一条残酷却唯一的出路:纯卖软件代码的独立算法商时代,已经彻底翻篇。

当竞争卷向百亿参数的世界模型与L3责任边界时,软件与底层芯片、域控硬件的耦合度越来越高,单靠软件授权费根本养不起庞大算力集群的吞金巨兽。智驾公司要想活成终局巨头,要么像华为、地平线那样自带硬件底座,要么就必须像Momenta这样,向硅片与域控硬件双向扎根,逼自己蜕变为软硬一体的「新Tier 1」。

而对于传统车企来说,上汽从2021年高喊「灵魂论」、多头铺摊子自研,到2025年果断整合零束、集齐四大供应商,再到如今坦然交出方向盘,同样给友商智能化转型提供了借鉴思路。

在智能化深水区,车企真正的「灵魂」,从来不是关起门来把每一行代码、每一颗芯片都自己重造一遍;而是清楚自己的能力底线,知道哪些底层通用能力该放手交给专业伙伴去卷效率,同时把整车产品定义、严苛的安全准入红线与最终用户体验的裁判权,稳稳攥在自己手里。

主机厂放下包揽一切的面子执念,供应商扛起软硬协同的工程重担。各自归位,或许才是这场智驾长跑最健康的打开方式。

完。

往期阅读

来源 · 科技丛林2026.11.11
长安汽车开卖阿维塔股权!10%作价超30亿

交易完成后,长安汽车仍为阿维塔第一大股东。

长安汽车挂牌转让阿维塔10%的股权。

车东西11月13日消息,根据上海联合产权交易所公示的信息显示,重庆长安汽车股份有限公司(以下简称长安汽车)转让阿维塔科技(重庆)股份有限公司(以下简称阿维塔)30651.4667万股股份,占总股本的10%,转让底价为31.828亿元,披露结束期为2026年12月10日。

上海联合产权交易所公示
上海联合产权交易所公示

根据公示的标的企业股权结构,长安汽车持股阿维塔的比例为40.994%,宁德时代新能源科技股份有限公司持股阿维塔的比例为9.1742%。若交易完成,长安汽车仍为阿维塔第一大股东。

标的企业股权结构
标的企业股权结构

阿维塔品牌由长安、华为、宁德时代三方联合打造。今年6月,阿维塔在港交所更新招股书,根据招股书中的最新数据,阿维塔在2025年的营收为人民币256.31亿元,较2024年同比增长68.7%,不过仍有净亏损34.89亿元。

阿维塔近三年主要财务信息
阿维塔近三年主要财务信息

销量方面,在2025年,阿维塔总交付量达12.27万辆,2026年1月至5月,阿维塔的总销量达2.02万辆,包括于海外市场售出的2949辆,较2025年同比增加33.4%。

近期,阿维塔在10月的交付量为7056辆,9月交付8183辆,8月交付8082辆,在今年连续10个月的单月交付量均未能突破一万辆。

长安汽车开卖阿维塔股权!10%作价超30亿
长安汽车开卖阿维塔股权!10%作价超30亿
长安汽车开卖阿维塔股权!10%作价超30亿
长安汽车开卖阿维塔股权!10%作价超30亿
长安汽车开卖阿维塔股权!10%作价超30亿
来源 · 车东西2026.11.13

11月11日,汽车之家报道:上汽大通无锡基地制造的Tempest在巴西发布,国内对应车型为新途V90。车由大通造,面向当地用户销售时挂着大众标。产品卖出去了,品牌和客户关系留在谁手里?这笔合作,给制造订单之外留下了一个值得讨论的问题。

制造|车是大通造的,这份成绩不用绕着说

报道提到,首批500台整车已陆续从惠山发往巴西。大众卡车和客车公司VWCO也在自己的官网确认,Tempest来自与上汽大通的合作。

参与合作的是大众卡车和客车公司VWCO。它在11月9日发布的新闻稿中介绍,Tempest是公司进入轻客及轻型商用车市场的新产品系列。

我个人认为,大通能够提供被合作方采用的平台和产品,本身就值得肯定。制造一辆可以交付到海外市场的整车,需要研发、采购、生产配合起来,不能因为前脸挂了别人的标,就把这些工作说没了。

这次合作中,车型使用大众品牌,VWCO负责当地销售网络的布局。对买家而言,展厅里看到的车、交车以后接触的服务,都会通过这套体系呈现。大通的工厂则在中国提供整车。

图1 制造与销售服务在合作中承担不同工作

适配|一句“换标”,装不下巴西那边的工作

我个人认为,承认当地团队的工作,并不会削弱大通的产品能力。成熟平台让合作有了基础,适配则要把它放进当地使用条件中检验。双方各自做了什么,可以具体讨论,不必急着分出谁更重要。

VWCO披露,这个车型系列进行了超过250项技术改进,验证测试累计超过150万公里,工作覆盖了面向当地的适配和验证。合作产品进入巴西,还经历了这些开发过程。

一款轻客从中国卖到巴西,交付给用户的不能只有熟悉的外形。载人、运货以及改装用途,对车身形式和使用方式有不同要求;具体版本怎样匹配当地业务,需要在产品方案里落实。

250多项改进分别覆盖什么、工作量有多大,还要看详细项目。车队最后接触到的是装货、驾驶和维修中的表现,项目数量本身无法告诉采购者,哪一个版本更适合自己的业务。

图2 车队停工时,需要的是能兑现的服务

服务|门店值不值钱,要等车进了维修间

VWCO宣布开始在巴西现有经销网络内陆续开设超过150个VW Van Center,并设立交付质量中心,承担车辆进入销售网络前的准备和检查。

假设一家配送公司每天按固定路线出车。其中一辆临时需要维修,负责人要处理的是货由谁送、替代车辆从哪来、多久才能把原车取回。车标带来的熟悉感,到这里要变成实际响应。

我个人认为,如果服务能缩短停工时间,车队愿意为它付钱很正常。反过来,假设备件迟迟不到、维修时间反复变化,熟悉的车标也抵消不了耽误的业务。品牌值多少钱,要有这些体验来支撑。

网络数量只能说明布局规模,离某个车队近不近、能不能处理轻客的具体问题,还得逐个地点看。原有卡客车客户与新轻客客户的使用需求也未必相同,新挂出的门头需要相应的人和配件支撑。

图3 门店数量与实际响应需要分别观察
图3 门店数量与实际响应需要分别观察

回报|订单来了,大通能不能多拿一份主动权

借助合作方已有的销售网络,大通可以减少从零铺设巴西渠道的工作,把现有产品送到当地采购者面前。门店、维修人员、配件库存都要投入,依靠既有体系开展合作,有助于减少前期准备。

假设合作后来扩展到更多车型,研发改了什么、产线增加了多少投入、当地库存由谁安排,都会进入新一轮报价。初期为了尽快进入市场接受的分工,下一次未必还适合。

我个人认为,担心中国车企只拿制造环节的回报,可以理解。大通若能持续提供客户需要的产品,保持质量和交付,就有机会争取更好的合作条件;制造能力的价值,也需要落实在之后的订单上。

目前双方发布的材料介绍了产品和网络安排,没有披露单车利润怎样分配。采购价格、开发投入、当地服务费用分别是多少,决定了这笔合作怎么赚钱,车标本身算不出答案。

采购|车队老板不必替任何一个品牌争面子

VWCO在11月11日进一步公布,Tempest包含货运厢式车、客运车、供改装使用的玻璃窗版本和底盘驾驶室版本。对使用者来说,这些形式对应的是不同业务,不能只拿外观相似的两辆车比较价格。

假设一位经营者需要运输有温控要求的货物,原车能否配合后续改装、改装之后由谁维护,就会进入采购考虑。报价少一笔,但后续安装和维修需要另找多方协调,也可能增加管理负担。

我个人认为,车队买车是为了开工,制造来源和熟悉的车标,都得接受具体业务需求的检验。能够完成所需的改装,后续维修也有人受理,才有必要继续比较报价。

采购文件中的车辆版本、改装项目、维修受理方和交付时间,要对应同一份方案。尤其销售展示了某种改装效果时,报价中有没有包含、由谁安装、交付需要多久,都值得在签字前确认。

图4 展会发布、发运与市场投放是不同阶段
图4 展会发布、发运与市场投放是不同阶段

投放|2027年1月以后,看车队会不会再买

按照VWCO于11月11日发布的信息,Tempest计划在2027年1月进入巴西市场。展会期间的亮相、首批整车发运与用户后续使用,分别发生在不同阶段,车队经营者的长期反馈还要继续等。

到车辆投入使用后,可以观察首批用户是否继续采购,维修预约要等多久,常用配件能否及时拿到。对于制造方,新增订单能不能稳定接续,也比一次展会的关注更能说明合作是否走得下去。

假设某个版本很受欢迎,扩充供货时又遇到交期变化,双方就需要共同协调生产与当地库存。多造车、多压库存都占用资源,只有把真实需求传回生产端,才容易减少缺货和积压来回出现。

正式销售时,价格表还要对应具体版本和交付安排。车队拿到报价以后,可以把购车、改装和后续维护费用放在一起,核算一辆能够投入运营的Tempest要花多少钱,再与其他方案比较。

参考资料

大众卡车和客车公司VWCO|Tempest发布新闻稿,2026年11月9日

VWCO经美通社发布|Tempest车型及上市安排,2026年11月11日

汽车之家|上汽大通与大众Tempest合作报道,2026年11月11日

图5 采购时把版本与服务安排放在一起看
图5 采购时把版本与服务安排放在一起看
来源 · 人与车科技2026.11.13

海外市场卖爆的奇瑞,又有大动作。

近日,奇瑞董事长尹同跃在接受英国《星期日泰晤士报》采访时透露,奇瑞正在考虑投资甚至收购一家英国本土汽车企业,可能投入数亿到数十亿英镑。他还特别提到了英国跑车制造商,以及与捷豹路虎进一步深化合作的可能性。

消息传出后,英国还活着的汽车品牌本来就不多,外界自然会猜捷豹、阿斯顿·马丁、摩根、卡特汉姆和Ineos,捷豹概率大一些,2012年奇瑞和捷豹路虎成立合资公司,今年又合作复兴Freelander神行者,由奇瑞提供技术和制造支持,捷豹路虎参与设计和品牌开发。据了解,捷豹属于捷豹路虎,后者由印度塔塔集团持有,目前塔塔没卖捷豹的意思。

奇瑞为什么在这个时候考虑投资英国汽车品牌?

看看中国汽车在欧洲的销量,就不难理解了。2026年前三个季度,中国车企旗下各品牌累计销量约127万辆,同比增幅约76%。其中,英国市场以37.4万辆位居榜首,是中国汽车品牌在欧洲最重要的市场之一。

奇瑞的增长更加明显。2026年1—9月,奇瑞集团在欧洲17个市场共售出26.6万辆,同比增长288.6%。OMODA与JAECOO合计贡献了接近四分之三的销量;仅英国一地就卖出12.4万辆,几乎占奇瑞集团欧洲销量的半壁江山。

根据SMMT 2026年10月数据,奇瑞国际旗下四个品牌当月在英国合计注册13589辆新车,占英国新车市场的8.9%。JAECOO 7的表现很有代表性,已登上英国9月单一车型销量榜首。

新车被英国媒体戏称为“Temu版揽胜”,支付中国方盒子的价格,买到了与路虎相似的车型,并搭配丰富配置和插混选项。

奇瑞是英国车市里不能忽略的一股力量。销量上去了,品牌形象还没有完全建立起来。奇瑞要把欧洲市场做大,光靠便宜不够。它需要一个大家认得出的品牌,还能把定价往上拉,和现有品牌拉开距离。这才是参股或收购的主要原因。类似的问题,其他中国车企也会遇到。刚进入海外市场时,价格有优势,大车也容易吸引消费者,销量增长并不难。等市场做起来了,消费者愿不愿意为品牌多花钱,才是真正难的地方。

尹同跃希望奇瑞未来的汽车能够在英国设计、研发和生产,还考虑把全球设计中心搬到英国。奇瑞也将在英国米尔布鲁克设立新的研发中心。

奇瑞在英国的动作也不只停留在销售和工程上。今年6月,日产和奇瑞确认双方正在谈判奇瑞乘用车在日产桑德兰工厂潜在代工制造一事,后来双方已签署相关非约束性协议。看得出来,奇瑞正在把英国市场的销售、研发、本地合作和制造可能性一起推进。

国内电动车把品牌溢价卷没了,欧洲不一样,品牌忠诚度才是站稳脚跟的关键。奇瑞能不能把一个英国老牌汽车品牌重新做起来,值得期待。

来源 · 电动内参2026.11.11

近日,小米汽车官宣成立国际业务部,由副总裁于立国兼任总经理,负责全盘海外业务,直接向雷军、卢伟冰双线汇报。

为什么是于立国?他不是刚来小米的新人,也不是专门做海外销售的老手,但翻看他这一路的履历,就能看懂小米的用人逻辑。

在加入小米之前,于立国扎根北汽体系多年,当过北汽新能源副总经理、极狐事业部总裁,完整经历过传统车企做高端新能源品牌的全过程。

小米汽车成立国际业务部,于立国兼任总经理

2021年下半年,于立国加入小米汽车,算是小米汽车最早一批核心骨干。刚进来的时候,小米汽车还停留在图纸和规划阶段,没有一台量产车。

他先是负责团队搭建、内部管理,之后接手产品部,定车型方向、梳理产品线;再后来又分管工厂、智能制造和体系运营。

今年5月,小米就已经成立海外业务筹备组,组长正是于立国。这一次正式设立国际业务部,相当于把筹备阶段的工作转正。

新部门架构很完整,目标也很清晰:出海不是只把车运出去,而是把整套服务体系一起建起来。

小米手机在海外摸爬滚打多年,渠道、本地化营销、供应链资源都有积累,现在把这套能力和汽车业务打通,是小米区别于很多车企的优势。

但汽车和手机完全不是一回事,门槛高得多,法规、认证、售后、维修网络,每一关都不容易。

小米汽车成立国际业务部,于立国兼任总经理

按照小米对外公布的节奏,小米汽车计划2027年下半年正式开启海外销售,第一站锁定欧洲,重点是德国,2028年再进军右舵市场。

其实铺垫早就开始了,之前在IFA展上,小米已经和德国多家头部经销商签下合作意向,慕尼黑的欧洲研发中心也在运转,专门做本地化适配。

当然,挑战一点都不小。欧洲的碳排法规、准入认证、售后备件体系、保险和维修资质,都是漫长且烧钱的工程。

新能源汽车海外竞争早已不是单纯拼性价比,品牌认知、服务体验、长期保值率,都会影响最终的口碑。

小米汽车成立国际业务部,于立国兼任总经理

小米在国内靠着高配置、高颜值比打出一片市场,这套打法搬到欧洲,能不能行,还有很大未知数。

对于小米汽车来说,国内市场已经走完量产、交付、市场验证阶段,增长到一定阶段,全球化是必然的一步。

只守国内市场,天花板看得见;走出去,才有更大的想象空间。但出海不是短期冲销量,是长期的品牌投入,要耐得住寂寞,扛得住亏损。

再说几句
再说几句

小米把出海这副担子交给于立国。接下来都是关键的准备期。渠道落地、车型本地化改造、认证测试、团队搭建,每一步都不能急。

等到2027年欧洲市场正式销售的时候,我们就能看到,小米这套“手机全球化经验+整车老兵带队”的出海模式,能不能跑出不一样的答案。

汽车出海的已经全面展开,于立国这一战,不止关乎小米汽车海外能卖多少台,也代表国产高端新能源品牌,在欧洲主流市场的突围尝试。

来源 · 车轱辘话2026.11.09

2026-11-09 08:11:34 · 智驾网

「腾讯在汽车行业的形象比较『杂乱』。」

面对媒体如此直白地评论,腾讯云副总裁、智慧出行负责人钟学丹并没有否认,同样直白地解释说:

「大家之所以看起来好像比较杂乱,我觉得主要是因为我们确实在很多领域和很多维度上跟车企都有合作,甚至包括一些Tier1、包括一些科技公司,出行服务类和共享出行这类公司都有在合作。」

元宝开始上车,腾讯依然选择站在主机厂身后

但在这「杂乱」的背后,腾讯给AI元宝上车划了一条清晰的线:

「车企负责造好车,我们负责让AI用得起来、用出效果。」

01.

座舱Agent竞争进入「办事」时代

数字AI对物理世界特别是智能汽车的影响,最先落在了座舱内。

在经历了零唤醒、画画、给小孩子编故事的一系列「小战」、「大战」之后,那个被一直神化的汽车大脑,终于开始「办点正事」。

2025年3月,智己联合斑马智行、饿了么发布了IM AIOS生态座舱,说一句「点一份昨天的果汁」,系统会调出历史订单、结合实时路况算好到家时间、再匹配餐厅的出餐速度,做到人到、车到、餐到。同年5月蔚来联手麦当劳,7月理想接入支付宝,9月就已经可以在肯德基完成推荐、点餐、支付和取餐预约。

同年12月,特斯拉新增Grok导航指令,可增改导航目的地、按语义找餐厅或超充,但由于因为特斯拉手里没有微信支付、支付宝这种能落地交易的通道,并不能通过座舱完成支付。

至去年年底,座舱AI能办事这件事已不再稀奇,稀奇的是它只发生在少数几个品牌和少数几个商户身上,真正的问题变成了这套能力能不能复制到一百家车企、一千家商户。

2026年,供应商开始回答这个问题,它们不再单纯演示点单,开始讲如何改讲架构。

4月24日北京车展首日,火山引擎发布基于Agentic AI架构的新一代汽车AI方案,以「一个AI大脑调度整车」为工作逻辑,把感知、推理、执行、记忆、学习放在同一条链路之上。

火山引擎给这套方案配了三个引擎——对话推理引擎管交流,全时免唤醒、多人对话、全双工可打断;目标驱动引擎管办事,按任务目标自主调用车载工具完成多步骤跨域任务;学习成长引擎管沉淀,把执行经验变成可复用的Skill。

至此,豆包以产品级方案「豆包座舱助手」正式上车:以常驻形象出现在车里,随着聊天内容变化不同的表情,组成「动作+表情+声音」的「豆包屏」,与手机豆包互通、能力同步。

千里科技的节奏比火山引擎更早。

2025年7月的WAIC上,它联合阶跃星辰、吉利发布智能座舱Agent OS预览版,车端本地部署40亿参数多模态大模型,云端是国内首个千亿参数端到端语音大模型Step-Audio;架构上不止一个Agent,UI Agent像人一样点击任何车载应用、不依赖底层接口,出行Agent管意图与规划,多个Agent之间靠一个「经理」级Agent分发任务、用MCP协议通信。

2026年3月,其预览版升级为「超级Eva」,与吉利的辅助驾驶方案合流,并在极氪8X上完成首发;到7月的WAIC 2026,它已经跟着极氪全系OTA上车,可以实现模糊语义导航、舱驾协同操控、订票订外卖等「办事」能力。

对比来看,火山引擎从模型层往下走,卖的是可配置的AI能力;千里科技从整车层往上走,卖的是整车智能。但两家共同划定了座舱Agent的及格线:把一件跨应用、跨场景的事从头办到尾。

这也是腾讯要回答的问题。

元宝开始上车,腾讯依然选择站在主机厂身后

10月29日,腾讯智慧出行发布了腾讯智能座舱TAI智能体,它集成了TAI座舱助手、TAI出行服务智能体、TAI内容娱乐智能体,基于腾讯地图能力/POI,微信小程序,微信支付,生态API等,这个全新的TAI出行服务智能体可以说集成了腾讯所有拿得出手的技术和整个生态体系。

但简而言之,最核心的是元宝上车了。

TAI围绕三层能力展开:

聊得来,靠的是元宝的全双工端到端语音,延迟低、可随时打断、不需要唤醒词接力;接入元宝搜索之后,车内问答有实时信息可依,不必靠模型记忆硬答。

办得成:出行、点单、内容娱乐、车控与导航被放在同一条链上:地图负责找得到,服务生态负责能下单,小程序与微信支付把短剧、小游戏、会议日程、电影购票串起来,付款不用掏手机;内容负责听得上、看得爽,第三方生态可以接入。

跟着走,是手机—车机—手机的联接:接入手机元宝和微信小微等C端Agent服务入口,上车前在手机侧发起的服务,上车后车机接着做,离车后回到手机继续。

这套方案的背后是端云一体的基座架构:

端侧用0.8B的轻量化VLM,单帧编码延迟低于100毫秒,负责看和快;云端接混元最新的Hy4 preview,采用快慢思考架构,负责推理、记忆与跨应用调度;记忆召回率不低于95%,单意图识别率超过95%,多意图识别率超过92%。系统可以自主调度多个智能体协同,落到车企是一套Agentic AI座舱方案——会感知、会理解、有记忆、有人格。

元宝开始上车,腾讯依然选择站在主机厂身后

三层能力里,「办得成」是腾讯真正的优势。

点单最终要落到支付,而座舱里能落地的支付通道只有两条:微信支付与支付宝。腾讯占其一,且目前市占率已经高于支付宝。

但手车互联同样是腾讯着意强调的部分,手握微信和元宝两个流量入口当然是原因之一,但不止于此。

钟学丹判断,手机与车会「比较长一段时间」共存,用户上车前、下车后都有与车内互动的需求,这意味着数据和信息一定会在多端之间流转:

「就跟我们今天用手机和电脑的互通一样」。

但这种互通并不意味着腾讯必须要实现「手机知道我今天胃不舒服,上车后座椅自动加热」式的连接。

李博的说法是,A2A也好、MCP也好,「技术上手段太多了」,短期却做不到。

原因在于没有一家厂商愿意把关乎企业核心安全的用户上下文交给另一方。

更理想的形态是用户自己持有context:

「我用这个车用了5年,换车的时候是伴随着context一起换到下一台车」。

这其实影响了腾讯在座舱AI Agent上的产品理念,除了伴随类的功能外,腾讯追求在最短的时间用最短的路径完成整个体验闭环。

李博将其类比为腾讯做手机微信小程序的逻辑。

既然追求迅速闭环,就引出另一个被反复追问的问题:TAI能不能语音控车。这件事天然要求Agent随时standby。

作为Grok与FSD打通后引发的舱驾融合热点,李博首先在AI技术层面表示「这不是一个难点」,但另一重门槛在于车企是否打通了包括座舱域、智驾域这些控制域里的MCP接口,能不能统一各种标准。

钟学丹则进一步解释说:

「智能体涉及车控操作时,目前还没有行业统一标准。权限边界的设定需要车企和供应商共同定义,哪些操作在什么上下文下是安全的。」

他判断,至少相对一段时间之内,车企与座舱AI Agent供应商之间的身份定位,依然由车企占主导。

这就决定了座舱Agent的竞争,不会复制电池、智驾芯片那种头部供应商直接影响C端购车的格局。

腾讯当前的选择是创造开放生态,帮主机厂按自己的用户特性和品牌要求构建整车体验。

有一个细节可以看出腾讯的克制:

腾讯没有给座舱智能体设计一个面向消费者的名字,不像华为的「小艺」、蔚来的「NOMI」、理想的「理想同学」,更不像上汽荣威那样直接把「豆包」印在车上。

车辆舱内的助手叫什么、以什么形象出现、用哪个唤醒词,都归车企。

这是腾讯从2018年至今一直坚持的身份定位:「智能副驾」。

「我们永远不站在前台,我们是助手,永远不下场」。

02.

在Robotaxi和具身智能上守住「不下场」

「今天做具身智能公司的算法和相关的人,原来都是做自动驾驶的。」

李博的这句话,同时给腾讯在具身智能和Robotaxi领域明确了优势和边界。

在Robotaxi领域,从体量上看,现在的Robotaxi尽管已经出现了一定程度规模化运营,可在商业体量上「现在的日订单连几十万都没有」,还远远不能和网约车业务相比。

李博表示:

「腾讯是不会做自己的Robotaxi的。」

但这并不意味着腾讯要放弃这部分市场。相反,就腾讯本身来说,已经掌握了从C端和B端赚钱的手段。

元宝开始上车,腾讯依然选择站在主机厂身后

如今,几乎100%的网约车出行公司与腾讯有合作,70%以上的云都跑在腾讯云上。而在地图和出行服务上,也同样占据了小马智行、文远知行、萝卜快跑等Robotaxi的C端入口。

腾讯以云图能力与出行生态服务,为车队研发与规模化运营提供支持,同时赚取云服务费和订单抽佣。

自动驾驶和具身智能同属物理AI,技术栈高度相似,在自动驾驶验证过的能力可以直接搬过去。

但一个技术难题是,相对于自动驾驶,物理AI的复杂度要高一个量级:

车只有「三向」,往前、往左、往右,加上往后,是一个平面型的活;具身基于世界模型,一个灵巧手360°,每一根手指的触感,控制复杂度都是几何级增长。

腾讯把云、AI等全栈能力延展至机器人研发,推出具身数据闭环套件:

一端是把机器人身上的数据接出来,通过音视频平台做到延迟低于100毫秒、抗丢包30%,升级后的Robo-suit有一百多项原生能力;

另一端把数据造出来,用生成物理世界的大模型,把数据构建效率提升2到3倍。

其能力从自动驾驶延续,边界也同样相同。

腾讯跳出解决灵巧手、机械结构、控制算法的本体问题,坚持只做平台,依托RoboticsX实验室提供云、数据闭环和仿真能力,服务本体公司和算法公司。

「一旦下场做算法、做本体,就跟客户变成竞争关系,合作立刻变质。」

腾讯没有推出自己的具身智能,而是跳出竞争,选择让机器人公司少走智驾已经走过的弯路。

具身智能的规模化还没开始,Robotaxi的日订单还在几十万量级。

但它们都是下一代入口的期权,而腾讯卖的是期权里的铲子:机器人公司要的是算力和数据闭环,车队要的是云和流量。

两样东西都不需要腾讯自己下场,也就都不需要跟客户抢生意。

03.

反常识的卖方市场

不下场是腾讯一贯的姿态,但保持姿态不等于放弃机会:前两块业务里,腾讯是等客户上门;而在腾讯长长的合作业务里,有一块反常识的卖方市场:出海。

与智驾研发碰到的「监管墙」不同,座舱和地图承受的压力反而要小很多。

李博先纠正了一个刻板印象:从数据合规的严格程度看,海外很多地区反而比国内宽松,最严的是欧洲。

欧洲是例外,但也有解。

中国车企的出海第一站大多选在欧洲:小鹏 2020 年从挪威起步,蔚来 2021 年进挪威,比亚迪的自研智驾也把欧洲作为第一站。

李博的解释是其他区域的法律法规没有欧洲严,「只要欧洲过了,后期在其他区域的问题不大」。

供应链也在往欧洲挪。

2025 年 9 月,地平线在慕尼黑成立欧洲总部,它与欧摩威合资的智驾大陆同期开启欧洲多地全场景路测,适配当地场景、驾驶习惯和交通法规。

最硬的一关先啃下来,剩下的则都不是问题:在国内被地理信息数据合规反复打磨过的能力,到了海外反而成了存量优势。

所以到了座舱和地图这一层,尽管「合规」的阻碍依然存在,但市场更需要供货。

首先以地图为例,地图本身并不缺乏竞争者,Google、HERE、TomTom 都在。但在「中国车企出海、国内国外一套地图」这个具体需求上,能供货的屈指可数,因为本地图商没有理由为中国车企改数据规格,也没有理由陪着做合规认证。

而座舱内,包括 Spotify、YouTube 同样没有动力为中国车企做适配,李博的判断是「价值点太少了」。

没有平台,车企就得自己一样一样去谈;而在海外,连愿意陪车企把这些零散服务对接起来的集成商都没有。

「现在海外没有所谓的生态公司在做这件事情,只是说我们做集成和攒的过程。」

「海外很多市场的智驾和座舱水平,还停留在国内一两年前的状态。」

一边是需求明确,一边是供货人少,中间的空白就落在这里。窄需求里没有价格战,这就是卖方市场的由来。

面向海外市场,腾讯在海外基础云、车联网云方案之上,升级覆盖海外智驾、营销服务、海外地图和效率智能体四大场景的智慧出行海外方案集,支持车企从基础上云走向全域智能化。

其中,海外智驾云方案覆盖数据回传、数据处理、模型训练、仿真回灌及合规工具链等环节。腾讯也在与头部车企共建云原生跨境合规网关,支持智驾研发中的跨境数据合规管理。

此次发布的腾讯智驾地图海外版,以「舱驾一体」连接海外座舱与智驾场景。海外座舱图提供导航、算路和动态信息,并支持在线与离线协同。

海外智驾图采用轻量化地图引擎,支持智能驾驶的感知、定位与规控,结合腾讯云全球部署及本地生态服务,支持车企接入和落地。首个版本正计划在今年年底正式上线。

这是腾讯整块出海业务里唯一有明确时间表的新产品,也是唯一能直接算清账的一个:

授权费按年付,省下来的是每年都省;开发成本一次付,省下来的是当下。海外地图每年每辆车要交出去几百块到上千块,按年收,车在跑就一直交。

在这出海业务上,腾讯赚的不是技术的钱,是需求窄、供货人少的钱。

04.

提效:客户资产才是护城河

出海卖的是整合能力,是对外的生意。

还有一块生意在车企内部,卖的是效率,这是腾讯给汽车行业创造的一个「新增量」。

汽车行业的AI投入一直在持续加码,很多企业已经把AI战略提到CEO的议程上。

但腾讯云副总裁孙燕给出的观察是:个人效率提升了,能真正转化成企业效率的案例非常少。

局部提效和整体收益之间,横着一道落差。这道落差怎么填?孙燕的答案有四件事,且有先后。

个人提效是基础,流程重构是主线,组织转型是保障,再加持续迭代和一层平台托底。

其中基础是人,人一换,能力其实就跟着走了,个人方法沉淀不下来,提效就是一次性的。

所以流程重构才是主线,而它的第一步不是上模型,是选场景。

孙燕给了个四象限:

高价值高可行,优先落地;高价值低可行,先做数据治理和小范围验证,当战略储备;低价值高可行,看复用性,有就做成通用工具,前提是不占战略资源。

「很多AI项目做不动不是技术不行,实际的问题是一开始就选错了场景。」

关于组织如何转型,她又把同一件事说了一遍:「模型进旧的流程只会让旧的流程跑得更快。」

两条加起来是一个意思:AI不是加速器,是放大器。流程本身有问题,它只会把问题放得更快。

而衡量的标准是:不看上线了多少智能体,而看研发周期有没有缩短、质量问题有没有改善、用户体验有没有提升。

「脱离业务去谈提效,其实是没有意义的。」

面对汽车行业,腾讯此次发布了一套「AI组织效能解决方案」的完整形态,由三部分组成:

底下一层是AI生产力平台,连接数据、知识、工具与治理,提供信息可见、能力可调用、协同可自动化、智能可进化四方面支撑;

中间是产品,WorkBuddy、CodeBuddy面向员工提效,企业Agent平台面向长期运行、多人协作的业务流程,个人验证有效的方法沉淀为技能和专家能力,在组织内复用;

上面一层是FDE与业务共创,技术人员、业务顾问与车企业务团队一起选高价值场景,明确人机协同边界、风险控制与评价指标。

腾讯首先为这套方案选定了四个场景:

一、研发协同:

一家车企集团基于腾讯智能体平台做了车型规划助手,初步数据分析从按周计算变成按小时计算,调研报告生成有效率提升95%。

另一个案例更完整:一家品牌在车型上市后用WorkBuddy打通垂媒、官媒和私域数据做分析,结论回补到需求和开发环节,改造后数据处理时间缩短70%,BUG收敛90%,分析时间缩短70%。

「这不是某个岗位变快了,而是整条价值流在重塑。」

二、数据产线:

无论车企自研团队、智驾公司还是具身公司,模型每迭代一次,背后都是一条数据产线在跑。过去的痛点在流程本身:采集、清洗、质检、标注、挖掘,每个环节都靠工程师手写脚本,脚本散在个人手里,换个项目就要重写,出了质量问题没办法回溯。

腾讯的DataBuddy从算子广场匹配算子,生成可运行的处理流程,提交到弹性GPU集群,联动质量指标自动入库,每一步人都可以确认、可以修改。过去要干几天的工作,现在一句话、一个确认就能完成。

三、产销协同:

销售、生产、供应、库存各掌握一部分信息,市场一变就要靠大量会议协同,决策周期长,也很难从企业整体经营目标出发配置资源。

「每个人拿了一块拼图,但是我们不知道全貌是什么样。」

现在这套智能体持续感知跨部门经营数据,识别需求、库存、产能、供应里的异常,围绕共同经营目标调用专业模型,形成多套可以比较的方案,推到WorkBuddy里由业务人员确认执行。

执行之后继续跟踪、动态调整。过去靠专家经验和会议摆平的事,变成了一套能积累的决策过程。

四、动态营销策略:

过去的AI营销讲的是外呼、话术、质检,提升的是单点执行效率;同一个客户什么时候联系、走什么渠道、说什么话,仍然靠销售顾问的个人经验,沉淀不到主机厂自己的资产里。

腾讯帮客户做了一套动态营销引擎,用App行为、企微对话、电话沟通的全旅程数据判断客户状态,动态推荐下一步动作,每次反馈都成为下一次决策的依据。

在与媒体交流环节,元戎启行技术合伙人、副总裁刘轩给了一个更有说服力的样本:通过新的基座模型和研发协作方式,公司把过去约需5天的智驾问题处理周期可以压到约12小时。

研发环节直接影响智驾版本甚至车辆的迭代节奏,这难免让人质疑:研发环节压缩这么多,车是不是也造得更快了?

从披露的环节看,这些提效发生在两处:验证之前的准备,采集、清洗、标注、脚本;验证之后的协同,跨部门对齐、决策传递、问题定位。

产销协同省的是会议,DataBuddy省的是写脚本,元戎那12小时省的是问题定位与复现。

按各自的说法,没有一项是「少做测试」。

10月10日,工信部等四部门就《关于进一步加强汽车产品创新设计和研发测试验证有关管理工作的通知》公开征求意见,反馈截止11月10日,22项推荐性标准、行业标准将上升为强制性,对隐藏式门把手、虚拟操纵件、应急操纵件这类创新设计提出新的参数报送与验证要求。

文件点名的是「未经充分研发测试验证」的产品,不是研发速度本身。

事实上,从现在技术进步的角度看,一台车从无到有,很多时间其实是被「浪费」掉的。

长安汽车变革效率部总工程师祁越称,在过往的工作流程中,业务部门未必能准确描述自身需求,员工能感知到问题,却很难把它变成明确的技术要求;即便工具能快速搭出演示版本,落到车间与产线还有一堆实际问题——系统是否具备足够完整的业务数据,工程专家积累的经验与知识是否完整进入了数据库。

针对这一问题,腾讯在今年8月与长安共建了「AI火箭班」,孙燕的说法是「我们出一些人,客户出一些人」,围绕产品策划、产销协同、质量运营、AI Coding 做出了八大场景智能体,已经上线运营。

腾讯的目的不是让车造得更快,是把验证之外那些被白白耗掉的时间找回来。

基于这一情况,孙燕给出了反直觉的判断:传统主机厂对于AI的需求比新势力更明显。

以一汽-大众为例,它体量大、车型多、布局广,协同难度可谓几何级;而与此同时,它既握着德国制造的标准与技术经验,也接得上中国的数字技术。

现在他们正在尝试用AI解读来自德方的大量基础技术数据,转成可复用的Skill能力。

AI让曾经的庞大的规则、标准、工程记录成了可以不断调用更新的资产。

写在最后:

腾讯在10月29日的出行大会上带来了新技术、新市场和新场景的升级。

整体来看,腾讯在车里做的每一个选择,其实都是主动退让——不做产品、不做车控、不争用户数据、不做C端品牌、不下场直接进入具身智能和Robotaxi产业。

同样的,它的主机厂客户也不会投入几千亿元去做AI infra、基础模型,而「这件事情腾讯做,这也是我们的核心商业收益」。

腾讯用放弃产品主导权换客户覆盖度,用覆盖度换云的收入,这是姿态,更是通过精细筹算过的商业模式。

目前来看,这一模式是成功的,它已进入了几乎每一家车企。

「技术会不断迭代,但衡量价值的尺度,始终是问题有没有解决、用户有没有受益。」

八年下来,这已经是一种稳定的选择。

但AI时代会带给汽车行业多大的变革现在尚没有准备的、可采信的评估。

仅从今年上半年的数据来看,在IDC首次把「AI座舱解决方案」作为独立市场单独统计的《中国汽车云市场跟踪,2026H1》中,火山引擎以45%占据第一。

在火山和阿里的持续围剿下,很难预测腾讯后续是否有坚持「永不下场」的定力。

但现阶段,腾讯选择把灵魂交给车企,而企鹅抱走账单。

来源 · 盖世汽车2026.11.12

一场人事风波:搅动全球AI资本市场

随着英伟达首席执行官黄仁勋辞职的消息传出,投资者愈发担忧,这场人事危机可能动摇英伟达继续为人工智能产业提供资金支持的意愿。对于本就高度拥挤的全球AI投资赛道而言,这无疑又增添了一重不确定性。

黄仁勋辞职,AI资本盛宴还能继续吗?

当地时间周三深夜,这家全球领先的芯片制造商召开董事会会议,讨论黄仁勋的去留。此前,围绕这位长期掌舵者的两起婚外情报道接连曝光,使英伟达陷入了一场突如其来的领导层危机。

黄仁勋辞职,AI资本盛宴还能继续吗?

资本市场迅速作出反应。英伟达及其客户CoreWeave、Naver等公司的股价承压,而竞争对手博通和AMD则逆势走高。

与此同时,中国GPU厂商迎来一轮上涨行情。周四,随着英伟达内部动荡加剧,市场对中国本土芯片企业抢占份额的预期升温,摩尔线程、沐曦股份和寒武纪的股价均上涨近10%。

不过,相比短期股价波动,投资者真正担心的,是这场风波可能引发更深层次的连锁反应:如果英伟达在更换领导人后调整战略,不再像过去那样积极为数据中心建设提供资金支持,那么支撑AI产业持续扩张的重要动力,或许也将随之减弱。

悉尼基金管理公司Ten Cap的首席投资组合经理Jun Bei Liu指出,黄仁勋不仅是英伟达的代表性人物,英伟达本身也是全球AI基础设施建设的核心推动者。

在她看来,接下来面临不确定性的绝不只有英伟达一家企业,还包括整个AI产业链,以及众多与英伟达共同投资、接受其资金支持的公司。她直言,市场最担心的,就是这场AI资本盛宴可能突然停下来。

黄仁勋辞职,AI资本盛宴还能继续吗?

这种忧虑已经反映在金融市场上。英伟达股价在盘后交易中下跌8%,叠加投资者的紧张情绪,推动纳斯达克100指数期货在亚洲交易时段下跌近1%。

英伟达不只卖GPU:还在为AI扩张提供资金

过去几年,英伟达一直是AI革命最具代表性的受益者。自OpenAI推出ChatGPT、掀起生成式AI浪潮以来,凭借领先的芯片技术和持续增长的销售额,英伟达股价在四年间累计上涨约900%。

黄仁勋辞职,AI资本盛宴还能继续吗?

但如今,英伟达在AI产业中的角色,早已不只是向客户出售GPU。

它既是AI算力需求的受益者,也是这场算力扩张的重要推动者和资金提供者。

一方面,英伟达不断提前布局性能更强的芯片,以满足市场对计算能力持续增长的需求;另一方面,它又通过股权投资及其他资金承诺,向自己的客户投入数十亿美元,支持AI基础设施建设。

这种既出售芯片、又为客户提供资金支持的商业模式,使英伟达的影响力进一步渗透到整个AI产业链。但与此同时,也让市场开始担忧,一旦这种资金支持力度减弱,AI产业的扩张速度是否还能维持。

黄仁勋难以替代的:不只是CEO职位

针对黄仁勋离职的影响,Futurum Equities首席市场策略师Shay Boloor认为,市场需要区分短期经营表现与长期战略风险。

他表示,即使黄仁勋离开,英伟达未来12至18个月的收入也不至于突然消失。真正令他担忧的是未来十年,因为黄仁勋的价值远不止于担任CEO。

在Boloor看来,黄仁勋最难被替代的能力,是他总能在客户尚未意识到需求之前,就提前判断计算技术的发展方向。想要找到具备同等战略眼光的继任者,将是英伟达面临的巨大挑战。

作为英伟达联合创始人,黄仁勋在过去30多年里带领公司成长为全球领先的芯片供应商,市值达到约4万亿美元。如今,英伟达不仅掌握着AI计算产业的重要技术资源,还处于中美科技竞争的核心位置。

之前,黄仁勋始终没有明确指定接班人。而辞职后公布的首席财务官Colette Kress与黄仁勋相比,公众影响力和国际知名度明显不足。

黄仁勋凭借个人影响力,已经成为能够频繁与各国领导人直接接触的科技行业代表人物。对于英伟达而言,这种特殊的个人地位同样难以在短时间内复制。

1645亿美元承诺背后:AI产业资金链承压

英伟达下跌,AI产业却并非全线承压,领导层风波的影响也传导至亚洲半导体市场。

过去几年,受益于英伟达的强劲表现和全球AI资本开支激增,亚洲芯片制造商股价一度大幅上涨。但最近,随着融资成本和未来需求前景受到质疑,相关股票已经出现疲软迹象,此次事件又进一步加剧了市场压力。

比股价更值得关注的,是英伟达在AI产业链中承担的庞大财务承诺。

根据英伟达最近一期财报,公司披露的财务承诺总额达到约1645亿美元。其中,与OpenAI位于美国俄亥俄州的数据中心相关的义务上限为1050亿美元,此外还有超过500亿美元的租赁安排及其他算力容量保障承诺。这些数字表明,英伟达正在以远超传统芯片销售的方式参与AI基础设施扩张。

英伟达还参与投资了Claude聊天机器人开发商Anthropic的首次公开募股。按照报道中的安排,Anthropic将于本月上市,这也将成为检验资本市场对AI相关资产投资热情的重要事件。

在这种背景下,英伟达领导层的不确定性已经开始影响部分获得其资金支持的企业。

数据中心运营商CoreWeave便是其中之一。该公司获得英伟达投资,周三刚刚凭借强劲的业绩表现推动股价大涨,但随后在盘后交易中下跌超过6%。

韩国Naver也受到波及。此前,英伟达通过为Naver的数据中心扩建提供融资,取得了价值10亿美元的股权。随着市场对英伟达未来战略产生疑虑,Naver股价同样下跌近6%。

黄仁勋辞职,AI资本盛宴还能继续吗?

这些市场反应说明,投资者担忧的已经不只是黄仁勋能否继续领导英伟达,而是围绕英伟达建立起来的投资、融资与算力扩张体系,能否在领导层发生变化后继续运转。

GPU需求仍在:AI资本盛宴能否延续

不过,市场也并非一致看空英伟达及整个AI产业。一些投资者认为,即便公司高层发生变动,英伟达的产品竞争力也不会因此迅速削弱,市场对先进GPU的实际需求更不会在短期内突然消失。

黄仁勋辞职,AI资本盛宴还能继续吗?

在她看来,支撑AI投资热潮的根本力量,仍然是市场对高性能计算能力的需求,而不是某一位企业领导人。

这也是此次风波中最重要的分歧所在。

一方面,黄仁勋在英伟达战略制定、产业布局和生态投资中的个人作用不可忽视。失去他的领导,可能改变英伟达未来的投资方式和发展节奏,并进一步影响依赖其支持的AI企业。

另一方面,英伟达积累多年的GPU技术优势与市场需求仍然存在。即便领导层发生变化,也不意味着AI计算需求会随之消失,更不能简单地将企业的人事危机等同于整个AI产业的衰退。

随着英伟达即将在下周发布最新财报,市场关注的焦点势必不再局限于收入、利润和芯片销售数据,而将进一步转向公司的领导层稳定性、未来投资战略,以及一个更关键的问题:

如果黄仁勋不再掌舵,英伟达还能否兑现此前由他主导制定的增长预期,并继续为全球AI产业的扩张提供强劲动力?

—end—

推荐阅读:

中国芯片如何“深耕场景”实现弯道超车

智能汽车五大功能域车规芯片特点分析

国产MCU顶流公司产品技术分析(不同型号芯片特点对比)

“芯”权博弈:英伟达与高通的汽车芯片战略布局

国产AI芯片的崛起:华为晟腾的技术演进与生态构建

一文解析智能汽车芯片类型:MCU、SoC、CIS、ISP

来源 · facetop智能汽车2026.11.13

【2026年10月轿车零售销量排行榜 完整版】乘联会数据显示,2026年10月国内轿车市场零售销量只有63.2万辆,比去年同期的102.2万辆少了将近四成,同比暴跌38.1%;环比9月的63.6万辆,也微跌了0.5%。

2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版

【2026年10月SUV零售销量排行榜】SUV这边算是唯一没拖后腿的。乘联会数据显示,10月国内SUV零售94.8万辆,比去年同期的114.2万辆少了17%,但环比9月的91.6万辆涨了3.5%。同期轿车环比跌0.5%,MPV跌6%,三个细分里就SUV是涨的。

2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
2026年10月轿车、SUV销量排行榜完整版
来源 · 钛祺汽车2026.11.10
小鹏/奇瑞争相加入战局,Robotaxi赛道的冰与火

2026年,Robotaxi赛道迎来了一场前所未有的变局。

10月26日,小鹏宣布获批广州市智能网联汽车应用示范运营资格,可以在广州全域开展L4级Robotaxi示范运营。

几乎同期,奇瑞明确将Robotaxi纳入瑶光2035战略版图,定下2030年在全球实现10万辆商业化运营的目标。目前,奇瑞旗下行业首款面向全球的原生前装Robotaxi,已经在芜湖智能网联示范区处于试运营阶段。

根据《高工智能汽车》了解,除了小鹏、奇瑞等车企之外,广汽、吉利、长安等主机厂,以及Momenta、地平线等厂商都争相喊出了面向Robotaxi冲锋的号角,意图在千亿出行市场爆发前夜抢占席位。

驱动这一轮集体押注的核心变量,正是物理AI。随着整车厂、智驾方案商、出行平台等越来越多玩家涌入,不同路线、不同商业模式激烈碰撞,Robotaxi正式告别技术秀场,迈入商业化生存考验期。

01 · 车企为何集体入场Robotaxi?

在此之前,绝大多数Robotaxi属于独立开发的 L4 项目,与乘用车搭载的城市 NOA 体系相互割裂,感知、模型、数据闭环互不打通,两套体系并行投入,很难形成规模化效应,赛道主角长期以出行科技公司为主。

而物理AI的核心,是构建一套能够理解真实世界物理规则、预判交通动态的统一世界模型,打通L2量产辅助驾驶与L4无人驾驶之间的技术壁垒,这也是本轮主机厂集体押注Robotaxi最核心的动因。

小鹏汽车就是这套同源技术路线极具代表性的玩家。依托自研图灵AI芯片、第二代VLA大模型和AI基础设施,小鹏选择用一套方案打通L2量产辅助驾驶与L4 Robotaxi。对于小鹏而言,Robotaxi不是独立的新项目,而是物理AI能力向上延伸的出口。面向C端卖车积累的海量道路数据、量产软件迭代体系、整车制造能力,可以直接迁移到 L4 车队运营,摊薄大模型、芯片研发的巨额固定投入,形成“量产车反哺 Robotaxi、Robotaxi反哺智驾模型”的双向循环。

而吉利、曹操出行的实践,同样印证了同源数据闭环的价值。曹操出行CEO龚昕曾公开表示,吉利集团搭载智驾功能的私家车保有量已经超过800万台,积累了海量智驾数据。而曹操出行L4级Robotaxi在真实运营场景采集的特殊样本,能够和L2、L3级乘用车的数据共享互补,持续加速智驾模型迭代效率。

大洋彼岸的特斯拉,也走通了同源底座的路径。特斯拉Cybercab 已经投入奥斯汀 Robotaxi 车队运营,截至第三季度末,其Robotaxi 累计无监督驾驶里程接近 200 万英里,相较二季度末增长约8倍。特斯拉依托统一的 FSD 物理世界模型,以千万级量产电动车网络持续采集训练数据,再依靠原生无人座舱简化整车硬件,试图从底层压低单位里程出行成本。

综合来看,车企集体押注Robotax,主要处于以下四大考量:

其一是,分摊智驾研发投入,补齐长尾场景样本。单一依靠 C端乘用车采集数据,天然缺少大量高风险、低概率的极端场景;Robotaxi 在全域无人约束下持续跑测,源源不断输出高价值边缘案例,回流训练统一物理 AI 底座,提升城市 NOA 的泛化能力与安全性,改善智驾业务投入产出比。

其二,提前试炼下一代原生无人车架构。传统车辆底盘、电子电气、座舱布局均围绕人类驾驶员设计;原生前装Robotaxi面向无人调度重新定义整车。车企布局试运营,本质是提前跑通无方向盘、无踏板车型的供应链、制造工艺、安全认证,卡位下一代汽车形态,避免在产业变革窗口掉队。

其三,跳出单纯卖车的增长天花板,打造服务化第二曲线。国内乘用车市场竞争日趋内卷,硬件毛利持续承压。Robotaxi 业务让车企从硬件制造商,延伸为运力运营商、出行方案服务商,既可以自营无人车队,也能够向城市运营方输出标准化前装无人车、智驾系统与车队订阅服务,开辟稳定的 B 端增值收入。即便短期出行运营难以盈利,这套能力也会构筑品牌差异化护城河。

其四,抢占城市合规资质与生态话语权。L4 示范运营高度绑定城市法规、道路数据、交管协同权限。拿到全域运营牌照,意味着获得在城市内持续采集道路数据、迭代物理 AI 模型的入场券。在各地政策有序放开、示范资质资源稀缺的阶段,率先落地运营,也是提前嵌入城市智能交通体系,为后续跨城复制、规模化扩张铺路。

02 · 烈火之下:路线分化,多元商业模式同台竞逐

目前来看,国内Robotaxi赛道已经走出多条完全不同的落地路径。

一条是车企主导、L2/L4同源的路线,小鹏、奇瑞、特斯拉都是典型的代表。

另一股主力是哈啰、T3、滴滴、曹操出行以及萝卜快跑等,依托现有C 端流量、调度系统、场站运维能力,走出五种截然不同的商业化范式。

其中,萝卜快跑走全栈自研自营,依托百度 L4 技术底座自建车队、自主运营,是国内订单规模最大的 Robotaxi 运力,同时向外输出整套自动驾驶运营方案。此外,萝卜快跑还与Uber、Lyft落地伦敦公开道路测试,借力海外头部平台的合规体系、用户流量与运营经验,快速完成海外场景验证。

而滴滴选择的是分工协同路线,联手广汽埃安推出Robotaxi R2车型,滴滴主抓技术与运营,埃安负责整车制造,分摊重资产压力。

T3出行偏向轻资产整合,不自研全套 L4 算法,采购商汤绝影等成熟智驾方案,将无人运力接入已有网约车调度体系,复用成熟的线下运营网络,优先追求落地经济。

哈啰则押注物理AI底层基座,自研端到端L4与世界模型,优先投入算力集群、仿真与数据基建,以模型迭代能力驱动长期规模化。

政策层面也在为行业落地托底。2026年7月30日,国内首部覆盖 L3、L4 级自动驾驶的强制性国标《智能网联汽车自动驾驶系统安全要求》正式获批,拟于2027年7月实施。截至目前,国内已有近30座城市开放Robotaxi示范运营服务。

03 · 商业化的四道硬门槛,尚未找到万能解法

2026年被视为Robotaxi大规模投放的爆发之年,但当下,Robotax行业仍然还面临着技术安全、跨城牌照、盈亏平衡、运营体系等多重现实约束。

首先是长尾场景泛化难题。无论是纯视觉方案,还是多传感器融合方案,L4系统稳定运行,依然高度依赖限定ODD:良好天气、标线清晰、交通参与者行为规范。暴雨逆光、无标线小路、占道施工、非机动车无序穿插、突发事故,依旧是高频难点,大量边缘场景仍然需要远程安全员介入接管。

其次是经济账很难跑通。原生Robotaxi前期产线投入巨大,只有达到万辆级规模,供应链红利才能释放,而万车规模对应的资金、运营管理压力,对绝大多数玩家都是巨大考验。

第三是,监管与责任体系滞后。示范运营和正式商业化之间隔着鸿沟:事故责任划分、远程安全员的法律定位、适配自动驾驶的保险产品、跨城市资质互认,全国统一规则仍待完善。各地政策碎片化,一套方案要适配不同城市管理要求,抬高跨城扩张成本。无方向盘原生车型上路认证,在全球范围内都还处在探索阶段。监管谨慎是安全底线,客观上也放缓扩张节奏。

第四是市场错位竞争。Robotaxi直接对标成熟网约车、巡游出租车。现有网约车具备弹性运力、成熟定价体系,Robotaxi 在安全、乘坐舒适性上的优势,很难转化为用户愿意持续支付的溢价;如果定价对标网约车,又很难覆盖全套高阶自动驾驶的综合成本。用户愿意出于新鲜感打卡体验,但能否形成高频复购,依然存疑。

总体来看,Robotaxi距离全域规模化商业化还有漫长路程,但这场由物理AI驱动的无人出行产业竞赛,已经正式开赛。

小鹏/奇瑞争相加入战局,Robotaxi赛道的冰与火
小鹏/奇瑞争相加入战局,Robotaxi赛道的冰与火
来源 · 高工智能汽车2026.11.10
本文约8,200字,建议收藏阅读
本文约8,200字,建议收藏阅读

引 言

随着汽车电子电气架构不断发展,车辆中的 ECU(Electronic Control Unit)数量持续增加,控制器之间的通信与诊断交互也变得越来越复杂。从传统发动机控制器、ABS、ESP,到新能源汽车中的 BMS、电驱控制器、整车控制器以及集成式制动控制器 HCU/HECU,诊断通信已经成为汽车电子产品开发、生产制造、售后维护和软件升级过程中不可或缺的基础能力。

在汽车电子领域,UDS(Unified Diagnostic Services,统一诊断服务)是应用非常广泛的诊断通信协议,其主要依据 ISO 14229 系列标准定义。通过 UDS,外部诊断设备可以与 ECU 进行诊断会话控制、读取和写入数据、安全访问、故障码管理、例程控制以及软件刷写等操作。

深入理解 UDS 诊断时序测试

然而,诊断通信是否正常,并不仅仅取决于 ECU 能否正确识别诊断请求、返回正确的肯定响应或否定响应。响应是否及时、超时机制是否正确、会话能否持续保持、刷写任务能否在规定时间内完成,同样是衡量 ECU 诊断功能是否满足要求的重要指标。

例如,在 ECU 软件刷写过程中,如果 ECU 无法及时响应诊断请求,可能导致刷写工具误判通信中断;如果 Flash 擦除时间超过规定上限,可能造成整个刷写流程失败;如果 ECU 在 Programming Session 下不能正确处理 P2*Server 超时机制,则可能导致长时间运行的诊断例程无法正常完成。

因此,UDS 诊断时序测试并不是简单地测量一条报文从发送到接收的时间,而是需要从应用层、传输层、通信链路以及 ECU 内部软件执行等多个角度,系统分析诊断请求的处理过程。

本文将围绕 UDS 诊断时序测试展开,介绍核心时序参数、测试逻辑、测试工具、判定方法,以及在安全访问、DoIP 和 Bootloader 刷写等场景中容易出现的问题,为汽车电子 ECU 诊断时序测试提供一套较完整的技术思路。

UDS 诊断时序:的核心概念

UDS 诊断时序主要用于约束 Tester 与 ECU 之间的诊断通信行为。不同诊断服务具有不同的处理复杂度,因此需要通过相应的定时参数保证通信的可靠性和可预测性。

深入理解 UDS 诊断时序测试

在实际项目中,最需要关注的参数包括 P2Server、P2*Server、S3Server,以及与安全访问、ISO-TP 和刷写流程相关的时间要求。

1.1 P2Server:ECU 初始响应时间

P2Server 是 UDS 中最重要的定时参数之一,用于规定 ECU 接收到完整诊断请求后,在规定时间内开始发送响应的时间要求。例如,Tester 向 ECU 发送读取数据请求:

Tester → ECU:22 F1 90

ECU → Tester:62 F1 90 XX XX XX

其中:

0x22:ReadDataByIdentifier,读取数据服务;

F1 90:Data Identifier,数据标识符;

0x62:肯定响应服务 ID;

后续数据为 ECU 返回的 DID 内容。

如果 ECU 能够在 P2Server 规定时间内完成请求处理,就应及时返回肯定响应。

假设某项目规定 P2Server_max 为 50 ms,那么 ECU 应在适用的 P2Server 时间限制内开始发送响应。

深入理解 UDS 诊断时序测试
深入理解 UDS 诊断时序测试

需要注意,50 ms 只是常见的示例值,并不是所有 ECU 都必须采用的统一参数。实际数值应以 ECU 诊断规范、OEM 要求以及适用的 ISO 14229 版本为准。

另外,P2Server 的计时边界需要特别注意:它并不简单等于 Tester 从发送第一帧请求到收到完整响应的时间。

对于 CAN 诊断,完整请求可能需要经过 ISO-TP 多帧传输,ECU 只有在完整接收请求后才能进行相应的应用层处理。因此,P2Server 应从 ECU 完整接收诊断请求开始,按照标准定义的响应发送边界进行测量。

如果直接使用 Tester 侧的发送时间和接收时间计算 P2Server,就可能将 CAN 仲裁、ISO-TP 传输、Gateway 转发和工具处理时间一并计算进去,导致测试结果偏大。

1.2 P2*Server:延迟响应时间

对于某些处理时间较长的诊断服务,ECU 可能无法在 P2Server 时间内完成操作。此时,可以通过 NRC 0x78(ResponsePending)通知 Tester:请求已经收到,但 ECU 仍在处理,需要更多时间。例如:

Tester → ECU:31 01 FF 00

ECU → Tester:7F 31 78

ECU → Tester:71 01 FF 00 00

其中:

0x31:RoutineControl;

0x01:StartRoutine;

0x78:ResponsePending;

0x71:RoutineControl 肯定响应。

深入理解 UDS 诊断时序测试
深入理解 UDS 诊断时序测试

这种机制主要用于擦除 Flash、执行数据校验、执行较复杂的内部例程等场景。

当 ECU 返回 NRC 0x78 后,Tester 不应立即判定诊断请求失败,而应继续等待最终响应,并按照 P2*Client 等客户端计时规则处理后续响应。P2*Server 则用于约束 ECU 在发送 NRC 0x78 后,后续响应的时间行为。需要注意以下几点:

1. 第一次响应仍然需要满足初始 P2Server 机制。

2. ECU 发送 NRC 0x78 后,后续响应应满足 P2*Server 相关要求。

3. 如果 ECU 多次发送 NRC 0x78,应逐次检查后续响应间隔。

4. 整个诊断任务可能还有独立的最大执行时间要求,不能简单地将 P2*Server 当作任务总时长上限。

例如,某 ECU 擦除 Flash 需要 8 s,期间可能多次返回 NRC 0x78。即使每次后续响应间隔都符合 P2*Server,也不能据此认定 8 s 的整体擦除时间一定符合项目要求。因此,测试时需要分别验证响应间隔和整个任务的最大执行时间。

1.3 P2Server_max 和 P2*Server_max 参数

在 DiagnosticSessionControl 服务的肯定响应中,ECU 通常会返回相应的定时参数。例如:

Tester → ECU:10 03

ECU → Tester:50 03 00 32 01 F4

其中:

0x50:DiagnosticSessionControl 肯定响应;

0x03:Extended Diagnostic Session;

0x00 0x32:P2Server_max;

0x01 0xF4:P2*Server_max。

按照常见 UDS 编码方式:
按照常见 UDS 编码方式:

P2Server_max 以 ms 为单位;

P2*Server_max 以 10 ms 为单位。

因此,上述示例对应:

P2Server_max = 50 ms;

P2*Server_max = 5000 × 10 ms,即 50000 ms。

深入理解 UDS 诊断时序测试

实际解析时,应严格按照适用标准版本和报文格式处理,不能仅凭字节位置或经验进行判断。同时,还应区分 ECU 侧的 P2Server/P2Server 与 Tester 侧的 P2Client/P2Client。两者分别描述服务器和客户端的定时行为,不能直接将名称相近的参数视为同一个时间值。

1.4 S3Server:诊断会话保持时间

S3Server 用于管理非默认诊断会话的保持时间。例如,ECU 进入 Extended Diagnostic Session 或 Programming Session 后,如果在规定时间内没有收到符合要求的诊断通信,ECU 可以自动退出当前会话并返回 Default Session。典型流程:

Tester → ECU:10 03

ECU → Tester:50 03 XX XX XX XX

深入理解 UDS 诊断时序测试
深入理解 UDS 诊断时序测试

假设项目规定 S3Server 为 5000 ms。如果 Tester 进入 Extended Session 后停止发送有效诊断请求,ECU 在满足相应计时条件后应退出非默认会话。如果 Tester 希望持续保持诊断会话,可以周期性发送 TesterPresent:

Tester → ECU:3E 00

ECU → Tester:7E 00

也可以使用抑制肯定响应的形式:
也可以使用抑制肯定响应的形式:

Tester → ECU:3E 80

此时通常不要求 ECU 返回肯定响应,但该请求仍可用于维持诊断会话。S3Server 测试需要重点确认:

会话进入后是否正确启动保持机制;

符合要求的诊断请求是否能够刷新计时;

TesterPresent 是否正确保持会话;

停止通信后是否能够按要求退出会话;

会话退出后,非默认会话专用服务是否受到正确限制。

需要特别注意,S3Server 与 P2Server、P2*Server 不是同一类参数,也不能与 CAN 或 DoIP 通信链路的超时参数混淆。

UDS 诊断时序:测试的主要内容

UDS 诊断时序测试不应只局限于读取 DID 等简单服务,还应覆盖诊断会话、安全访问、例程控制、刷写以及 ECU 复位等完整诊断流程。

2.1 诊断会话控制测试

DiagnosticSessionControl(SID 0x10)用于切换 ECU 的诊断会话。常见会话包括:

Default Session;

Programming Session;

Extended Diagnostic Session;

OEM 或供应商定义的其他会话。

测试时需要关注:
测试时需要关注:

1. 进入目标会话后,ECU 是否及时返回肯定响应;

2. 返回的会话类型是否正确;

3. P2Server_max 和 P2*Server_max 参数是否符合配置要求;

4. 不同会话之间的时序参数是否符合设计;

5. 会话切换失败时,是否返回正确的否定响应;

6. 会话保持时间是否符合 S3Server 要求。

例如,在进入 Programming Session 时:

Tester → ECU:10 02

ECU → Tester:50 02 XX XX XX XX

如果进入编程会话需要进行复杂的内部状态检查,ECU 可能需要一定时间完成切换。因此,测试人员还应关注 ECU 是否能够在项目规定时间内完成模式切换,以及后续编程服务是否能够正常执行。

2.2 诊断服务响应时间测试

常见诊断服务包括:

深入理解 UDS 诊断时序测试
深入理解 UDS 诊断时序测试

测试人员应根据 ECU 实际支持的服务建立测试清单,并对每项服务定义正常响应时间、异常响应时间及必要的边界测试。对于简单服务,例如 DID 读取,重点是验证响应是否及时、稳定;对于 RoutineControl 和 Flash 相关服务,则需要同时验证 NRC 0x78、P2*Server 和整体任务执行时间。

2.3 SecurityAccess 安全访问时序测试

SecurityAccess(SID 0x27)通常用于控制 ECU 特定诊断功能的访问权限,尤其是 Programming Session 下的刷写操作。典型流程:

Tester → ECU:27 01

ECU → Tester:67 01 XX XX XX XX

Tester → ECU:27 02 YY YY YY YY

ECU → Tester:67 02

如果 Key 错误,ECU 可能返回:
如果 Key 错误,ECU 可能返回:

NRC 0x35:InvalidKey;

NRC 0x36:ExceedNumberOfAttempts;

NRC 0x37:RequiredTimeDelayNotExpired。

测试时需要关注:

1. Seed 请求响应时间;:2. Key 提交响应时间;

3. 错误 Key 是否返回正确 NRC;

4. 错误次数是否正确累计;

5. 达到最大错误次数后是否进入锁定状态;

6. 锁定时间是否符合要求;

7. 锁定时间结束后是否允许再次访问;

8. ECU Reset 或断电后锁定状态如何处理。

尤其需要注意,不能笼统地认为所有 ECU 的锁定时间都从最后一次错误 Key 开始计算。应根据 ECU 安全访问策略明确锁定触发事件、计时起点以及断电和复位后的处理方式。

2.4 Flash 刷写时序测试

Flash 刷写是 UDS 诊断时序测试中最复杂、也最值得重点关注的场景之一。典型刷写流程包括:

1. 进入 Programming Session;

2. SecurityAccess 安全解锁;

3. 检查编程条件;:4. 执行 Flash 擦除;

5. RequestDownload;

6. TransferData;

7. RequestTransferExit;

8. 执行 Checksum 或 CRC 校验;

9. 检查软件完整性和依赖关系;:10. ECUReset;

11. ECU 重新启动并恢复通信。

不同 ECU 的具体服务组合、例程 ID 和执行顺序可能有所不同,应以 OEM 刷写规范为准。

2.4.1 Flash 擦除时间

擦除通常通过 OEM 定义的 RoutineControl 例程触发。例如:

Tester → ECU:31 01 XX XX

ECU → Tester:7F 31 78

ECU → Tester:71 01 XX XX 00

测试时需要记录:
测试时需要记录:

擦除请求发送时间;

ECU 首次响应时间;

NRC 0x78 返回时间;

后续 NRC 0x78 时间;

擦除最终完成时间。

如果项目要求 10 s 内完成擦除,应明确这 10 s 的计时起点和终点。10 s 只是示例,并非所有 ECU 的统一要求。实际擦除时间取决于 Flash 类型、擦除区域大小、扇区数量、驱动程序和 ECU 软件实现。

2.4.2 Flash 数据写入时间

数据写入通常通过 TransferData(SID 0x36)分块完成。

Tester → ECU:36 01 DATA_BLOCK_1

ECU → Tester:76 01

Tester → ECU:36 02 DATA_BLOCK_2

ECU → Tester:76 02

每个数据块都需要检查:

ECU 是否正确接收数据;

BlockSequenceCounter 是否正确;

数据是否完整;

写入过程是否发生异常;

肯定响应是否及时;

下一数据块是否可以正常传输。

深入理解 UDS 诊断时序测试

建议分别记录每块数据的发送时间、完整接收时间、处理完成时间和响应时间。

需要特别说明:数据块之间的间隔并不是通用地必须小于 P2*Server。P2*Server 主要用于 NRC 0x78 后续响应的时间控制。正常返回 TransferData 肯定响应的情况下,块间间隔应根据 OEM 刷写策略、Tester 发送机制及传输层配置进行判定。此外,CAN 场景还需要考虑 ISO-TP 的 Block Size(BS)和 STmin 参数。BS 用于控制连续帧传输数量,STmin 用于控制连续帧之间的最小间隔,它们与 UDS 的 P2、P2* 属于不同层级的定时机制。

2.4.3 刷写完成后的校验

Flash 写入完成不代表刷写任务已经结束。ECU 通常还需要执行 CRC、Checksum、Hash 或其他完整性检查,确认软件镜像没有损坏,并满足软件版本及依赖关系要求。这些操作可能通过 RoutineControl 执行,也可能由 Bootloader 内部流程自动触发。测试时需要验证:

校验请求是否及时响应;

是否正确使用 NRC 0x78;

校验是否在项目规定时间内完成;

校验结果是否正确;

校验失败时是否阻止无效软件进入正常运行状态;

是否能够按照设计要求重新刷写或恢复。

2.4.4 ECUReset 与通信恢复

刷写完成后,通常需要执行 ECUReset。

Tester → ECU:11 01

ECU → Tester:51 01

需要区分:

ECU 返回 51 01 的时间;

ECU 实际执行复位的时间;

ECU 完成启动的时间;

ECU 恢复诊断通信的时间。

ECUReset 的响应时间不能直接等同于整个重启时间。如果 ECU 能够及时返回复位肯定响应,但重启后无法重新建立通信,仍然属于需要调查的问题。

UDS 诊断时序测试方法

建立完整的测试方案,需要明确测试对象、测试条件、参数来源、测量方法以及测试结果的记录方式。

3.1 明确测试参数来源

时序参数应优先从以下资料中获取:

1. 适用版本的 ISO 14229;

2. OEM Diagnostic Specification;

3. ECU Diagnostic Requirement;

4. ECU Software Requirement;

5. Bootloader Specification;

6. Flash Programming Specification;

7. OEM 刷写工具或诊断工具配置文件。

不同 OEM、不同 ECU 和不同诊断会话可能采用不同参数。因此,不建议直接将其他项目的 P2、P2* 或 S3 参数复制到当前 ECU。建议建立参数清单:

深入理解 UDS 诊断时序测试

以上数值仅用于说明测试方案如何组织,不能直接作为所有 ECU 的 Pass/Fail 标准。

3.2 建立测试矩阵

测试矩阵应覆盖不同诊断服务、不同会话、不同通信状态以及正常和异常情况。例如:

深入理解 UDS 诊断时序测试

在建立矩阵时,不应只关注正常流程,还应加入异常流程、临界时间和重复性测试。

3.3 测试工具与测量方法

常见测试工具包括:

Vector CANoe;

Vector CANalyzer;

ETAS INCA;

dSPACE;

OEM 专用诊断工具;

CAN / CAN FD 接口设备;

DoIP 诊断设备;

ECU 内部 Trace 工具。

深入理解 UDS 诊断时序测试

对于基础时序测试,可以通过 CANoe 等工具记录诊断请求和响应的时间戳。对于更精确的 ECU 内部时序分析,建议结合 ECU 软件 Trace、RTOS 任务调度信息或调试接口,获取内部任务开始和完成时间。建议统一采用以下测量方式:

第一,记录 Tester 请求时间。

T0:Tester 发送完整诊断请求的时间。

第二,记录 ECU 接收时间。

T1:ECU 完整接收诊断请求的时间。

第三,记录 ECU 响应时间。

T2:ECU 开始发送诊断响应的时间。

第四,记录 Tester 接收时间。

T3:Tester 接收到完整响应的时间。

可以分别计算:

ECU 应用层响应时间:根据适用标准定义的 ECU 接收和响应发送边界计算;

Tester 端到端时间:T3 - T0;

传输和链路相关时间:结合总线 Trace 及内部 Trace 进一步分析。

不能将 Tester 端到端时间直接当作 P2Server。

3.4 测试重复性

单次测试结果不能完全代表 ECU 的时序性能。建议对关键服务进行多次重复测试,并统计:

Minimum;

Average;

Maximum;

Standard Deviation;

P95;

P99。

例如,针对 DID 读取服务,可以连续执行 100 次测试,分析响应时间分布。如果平均响应时间满足要求,但最大响应时间超过规范上限,则仍然需要进一步调查。统计分析的作用是识别时序波动和稳定性问题,不能替代规范明确规定的单次 Pass/Fail 判定。

UDS 诊断时序判定标准

完成测试后,需要根据规范要求判断 ECU 是否满足时序要求。建议从五个方面进行综合判定。

4.1 时间参数符合性

首先检查所有关键时间参数是否满足要求:

P2Server;

P2*Server;

S3Server;

SecurityAccess 锁定时间;

编程会话切换时间;

Flash 擦除时间;

TransferData 响应时间;

校验时间;

ECUReset 后通信恢复时间。

需要明确每个参数的计时起点、终点和适用条件。

4.2 诊断服务行为正确性

响应时间满足要求,并不代表诊断服务一定正确。例如,ECU 在规定时间内返回了 NRC 0x78,但实际上该请求不应该返回延迟响应,或者最终响应内容错误,仍然需要判定为功能问题。

因此,还应检查:
因此,还应检查:

SID 是否正确;

DID 是否正确;

NRC 是否正确;

BlockSequenceCounter 是否正确;

RoutineIdentifier 是否正确;

最终响应数据是否正确。

4.3 异常处理能力

应验证 ECU 在以下场景下的行为:

无效诊断请求;

错误 Key;

不满足编程条件;

Flash 擦除失败;

数据传输中断;

数据校验失败;

ECUReset 期间通信中断;

DoIP 连接异常。

重点检查 ECU 是否能够及时返回符合规范的响应,以及是否能够安全地处理异常状态。

4.4 稳定性和重复性

建议结合多次测试结果分析 ECU 时序表现。如果同一个诊断服务在相同环境下响应时间波动明显,需要进一步检查 ECU CPU 负载、任务调度、通信负载和内部资源竞争。

4.5 测试环境有效性

测试环境必须具备可重复性。建议记录:

ECU 硬件版本;

ECU 软件版本;

Bootloader 版本;

测试工具及版本;

CAN 或 DoIP 通信方式;

CAN 总线负载;

供电电压;

环境温度;

诊断会话;

测试日期;

诊断配置及测试脚本版本。

只有确保测试条件一致,测试结果才具有可比性。

UDS 诊断时序测试中:的常见问题与注意事项

5.1 NRC 0x78 的滥用

部分 ECU 对简单诊断服务也返回 NRC 0x78,例如普通 DID 读取。如果 ECU 内部处理非常简单,却频繁使用 NRC 0x78,可能意味着诊断任务调度不合理、内部资源访问存在阻塞,或者软件采用了过于统一的延迟响应策略。测试时应区分正常的长时间操作和不合理的延迟响应。

对于简单服务,应重点检查是否能够在 P2Server 时间内直接返回结果;对于耗时例程,则应验证 NRC 0x78 和后续 P2*Server 机制。不能简单规定所有 DID 读取都绝对不能返回 NRC 0x78,而应结合服务定义及 OEM 规范判断。

5.2 会话超时误判

S3Server 测试中,不能简单地从进入诊断会话的时刻开始计算固定超时时间。

测试时需要关注符合要求的诊断请求是否刷新 S3 计时,以及 TesterPresent 是否能够正确保持会话。还应特别注意抑制肯定响应的 TesterPresent:3E 80

没有收到 7E 00 并不意味着 ECU 响应超时。

5.3 安全访问锁定时间误判

安全访问锁定时间需要准确识别触发事件和计时起点。不能默认所有 ECU 都从最后一次错误 Key 开始计算锁定时间。测试应记录错误尝试次数、锁定触发时间、ECU 响应时间、锁定期间访问结果,以及锁定结束后的访问行为。还应检查 ECU Reset 和断电重启是否影响锁定状态。

5.4 DoIP 时序差异

DoIP 诊断通过以太网及 IP 网络进行通信,除了 UDS 应用层时序,还需要考虑 TCP 连接、Routing Activation、Alive Check 和网络传输延迟。

DoIP 的端到端响应时间不能直接等同于 ECU 内部 P2Server。测试时应分别验证 DoIP 连接管理、网络传输和 UDS 诊断服务时序。

5.5 编程会话切换时间

进入 Programming Session 后,ECU 可能需要完成内部模式切换、编程条件检查和 Bootloader 准备。例如,项目要求 2 s 内完成模式切换时,应明确这 2 s 是从请求发送、ECU 完整接收请求,还是内部模式切换开始计算。同时,应区分收到 50 02 与编程环境完全准备就绪两个时间点。

5.6 Flash 擦除超时

如果项目规定 Flash 擦除需要在 10 s 内完成,应明确计时边界,并记录整个擦除例程的执行时间。不能仅根据首次 NRC 0x78 的响应时间判断擦除是否成功,也不能仅检查 P2*Server 就认为整个擦除过程符合要求。

5.7 数据块间隔误判

Flash 写入过程中,每块数据需要检查响应时间、数据完整性和块序号。但是,数据块之间的间隔并不是通用地必须小于 P2*Server。

如果 ECU 返回 NRC 0x78,应检查后续响应是否符合 P2*Server;如果 ECU 已正常返回 TransferData 肯定响应,则块间间隔应根据刷写协议和 OEM 要求判断。同时,CAN 场景还需要关注 ISO-TP 的 BS 和 STmin。

5.8 校验时间超限

刷写完成后,Checksum、CRC 或其他完整性检查可能需要较长时间。测试时应同时检查:

初始响应时间;

NRC 0x78 后续响应间隔;

整体校验时间;

最终校验结果。

校验失败时,还需要验证 ECU 是否能够正确阻止无效软件运行,并支持设计要求的恢复流程。

5.9 ECUReset 与通信恢复混淆

ECU 返回 51 01 只代表复位服务的肯定响应,并不意味着 ECU 已经完成重启。

测试应分别记录复位响应时间、实际启动时间以及通信恢复时间。对于 Bootloader 和 Application 分离的 ECU,还应检查复位后是否能够正确启动新的应用软件。

5.10 测试环境不一致

不同测试环境下的总线负载、供电电压、温度、软件版本和工具配置可能导致响应时间变化。因此,测试报告应尽可能记录完整环境信息,避免将环境差异误判为 ECU 软件问题。

CAN 与 DoIP:诊断时序的综合分析

随着汽车以太网技术的发展,DoIP 在车辆诊断及软件刷写中的应用越来越广泛。

传统 CAN 诊断与 DoIP 诊断虽然都可以承载 UDS 服务,但底层通信机制存在明显区别。CAN 诊断需要考虑:

CAN 仲裁;

ISO-TP 多帧传输;

Flow Control;

Block Size;

STmin;

Gateway 转发。

DoIP 诊断则需要考虑:

TCP 连接;

IP 网络传输;

Routing Activation;

Alive Check;

DoIP 报文封装;

Gateway 路由及转发;

网络连接异常。

深入理解 UDS 诊断时序测试

因此,进行 CAN 与 DoIP 对比测试时,建议分别记录 ECU 应用层处理时间和 Tester 端到端响应时间。如果两种通信方式的端到端响应时间存在差异,应进一步拆解网络传输、Gateway 转发和 ECU 内部处理时间,而不是直接判断 ECU 的 UDS 时序参数发生变化。

如何建立一套完整的:UDS 诊断时序测试方案

从实际 ECU 开发和验证角度出发,一套完整的 UDS 诊断时序测试方案建议包括以下步骤。

第一步:明确测试范围。

确定需要测试的 ECU、硬件版本、软件版本、Bootloader 版本以及支持的诊断服务。

第二步:收集时序要求。

从 ISO 标准、OEM 诊断规范、ECU 软件需求及刷写规范中提取 P2Server、P2*Server、S3Server、安全访问锁定时间和刷写时间要求。

第三步:建立测试矩阵。

覆盖诊断会话、常规服务、安全访问、例程控制、Flash 擦除、数据传输、软件校验和 ECUReset。

第四步:定义计时边界。

明确每个测试项目的起点和终点,区分 ECU 内部时间、UDS 应用层时间、ISO-TP 传输时间和 Tester 端到端时间。

第五步:执行测试。

使用 CANoe、CANalyzer 或 OEM 诊断工具执行测试,记录请求、响应、时间戳和 NRC。

第六步:分析异常。

对于超时、重复 NRC 0x78、会话提前退出、刷写时间过长等问题,结合 ECU Trace、总线 Trace 和软件日志定位原因。

第七步:进行重复性测试。

对关键诊断服务执行多次测试,统计最大值、平均值和响应时间分布。

第八步:输出测试报告。

测试报告应包括测试环境、测试规范、参数定义、测试步骤、原始报文、时间戳、计算结果、Pass/Fail 结论及问题分析。

建议最终形成如下测试报告结构:

深入理解 UDS 诊断时序测试

总 结

UDS 诊断时序测试是汽车电子 ECU 开发和验证过程中的重要组成部分。它不仅关系到诊断通信的稳定性,也直接影响 ECU 软件刷写、故障诊断、安全访问以及售后服务等关键功能。

在实际测试中,最容易出现的问题并不是 ECU 完全没有响应,而是对时序参数的理解不准确、计时边界定义不清晰,以及不同协议层级的定时机制被混淆。例如:

P2Server 用于 ECU 初始响应时间控制;

P2*Server 用于 NRC 0x78 后续响应机制;

S3Server 用于非默认诊断会话保持;

SecurityAccess 需要验证错误次数和锁定时间;

ISO-TP 的 BS 和 STmin 用于传输层流量控制;

DoIP 需要额外考虑网络连接和路由激活;

Flash 擦除、数据写入和软件校验需要独立的整体执行时间要求;

ECUReset 响应时间不能等同于重启和通信恢复时间。

因此,进行 UDS 诊断时序测试时,必须明确每一个时间参数的定义、适用条件、计时起点和计时终点,并根据实际诊断服务选择合适的测试方法。尤其是在 转向,制动等安全相关控制器中,诊断功能不仅要满足基本通信要求,还应保证在软件刷写、异常恢复及复杂通信环境下具有足够的稳定性和可靠性。

真正有效的 UDS 时序测试,不是简单地判断 ECU 是否在规定时间内返回报文,而是要准确识别 ECU 从接收诊断请求、内部处理、执行操作到最终响应的完整时序行为,并确认整个诊断流程在正常和异常条件下都符合规范要求。

只有将应用层诊断时序、传输层通信机制、ECU 内部软件处理以及刷写流程的整体时间要求结合起来,才能建立一套完整、可重复、可追溯的 ECU 诊断时序验证体系。

参 考:

1. Understanding NRC 0x78 in UDS Requests | Ahmed Mounir posted on the topic | LinkedIn

2. UDS统一诊断服务【十四】传输数据0X36服务 – CN知EV

3. Transfer Data (0x36) Service in UDS Protocol - PiEmbSysTech - Embedded Systems & VLSI Lab

4. UDS Diagnostic Tool for ECU Testing | Takemind

5. Understanding Routine Control in UDS Protocol (Service 0x31) | Ahmed Mounir posted on the topic | LinkedIn

6. 一文搞懂UDS的各种时间参数 – CN知EV

7. UDS 工程避坑系列 03:刷写量产生死线——被忽视的S3 Timer与TesterPresent心跳-电子工程专辑

8. What Is UDS? Unified Diagnostic Services Explained | DBC Utility

9. Diagnostics over Internet Protocol (DoIP)- ISO 13400

/END/

深入理解 UDS 诊断时序测试
来源 · 汽车电子与软件2026.11.12
← 上一期 · 11月第1期