【ZiDongHua之“会展赛培坛”收录关键词：人工智能 智能汽车 汽车产业 自动驾驶 智能驾驶】
 
 
　　“促进人工智能与智能汽车深度融合的路径”研讨会在上海举办
 
 
 
　　3月5日，中国电动汽车百人会围绕“促进人工智能与智能汽车深度融合的路径”主题在上海嘉定举办了2025年第3期高端研讨会。研讨会由上海国际汽车城（集团）有限公司、车百智库汽车产业研究院及汽车产业供应链协同创新中心（S100）联合承办。会议聚焦近期大模型技术创新、在汽车领域应用的进展、突破及未来发展趋势，人工智能与智能汽车产业深度融合对汽车产业生态的影响，促进人工智能深度赋能汽车产业的路径，如何构建适应人工智能与智能汽车协同发展的产业关系，大模型与企业具体业务深度结合存在的行业共性与企业个性问题及原因，汽车企业如何构建适应AI技术应用的工程化能力体系等问题展开交流探讨。中国电动汽车百人会副秘书长师建华出席主持会议并做总结讲话。
 
　　

 
　　应邀参加本次会议的嘉宾包括上海国际汽车城党委副书记、总经理潘晓红、复旦大学计算机科学技术学院副院长彭鑫、上海软件中心主任蔡立志、中国一汽红旗品牌运营委员会副总裁门欣、奇瑞汽车股份有限公司副总经理邬学斌、华为云大数据与人工智能领域总裁尤鹏、地平线首席生态官徐健、曼孚科技CEO赵剑、Momenta全球解决方案架构师饶庆、京东科技京东云华东区售前总经理顾康宁、彩虹无线副总裁宋汉超、面壁智能COO雷升涛、梧桐软件工程部副总监任伟，以及来自上汽、现代中国、火山引擎、蘑菇车联、上海联通等产业企业近70位专家和企业代表。
 
 

 
　　上海国际汽车城党委副书记、总经理潘晓红首先发言。发言中回顾了人工智能发展历程，她认为汽车产业已经成为人工智能应用科技创新前沿阵地。其核心理念是利用人工智能技术全面重塑汽车行业，通过电子电气架构重构、强大算力支持、丰富数据资源和先进大模型应用，实现汽车智能化升级，重塑汽车格局，使软件开发、AI技术、数据处理等能力成为企业核心竞争力。
 
 
　　Part.01
 
　　人工智能技术在汽车领域的应用加速
 
　　1.人工智能与智能汽车技术融合加速。人工智能技术在汽车领域的应用呈现多元化趋势，语言大模型虽是当前核心，但多模态模型正成为未来焦点，将推动汽车成为集出行、娱乐、办公于一体的智能移动终端。“AI定义汽车”是“软件定义汽车”的延续和深化，软件工程和系统工程仍是保障系统可靠性的重要手段。例如，特斯拉仍是通过不断更新软件，为车辆增加新功能，提升用户体验。
 
　　2、大模型引领变革。一是大模型将推动智能汽车软件栈变革。车载软件需适应服务智能化、模型多样化、算力异构化及安全强化等新需求。华为云与多家汽车企业合作，利用大模型提升自动驾驶数据处理效率和智能效果。多芯片异构架构在当前阶段具有性价比和产品适应性优势，有助于满足智能汽车对高性能计算的需求。二是产业融合加深。汽车公司与科技公司合作将更加紧密，共同推动汽车产业转型。双方需形成可持续合作关系，并明确业务边界，科技公司赋能汽车产业。例如，华为与多家汽车制造商合作，共同研发智能驾驶技术。
 
　　3、AI模型的运营和演化高度依赖软件基础设施。数据在汽车智能化发展中的价值凸显，AI模型训练的过程中，有一半的时间是在处理数据。AI大模型的训练与推理也高度依赖云端大规模算力的支撑。
 
　　4、大模型上车趋势下，智能汽车电子电气架构也会迎来快速革新。基于位置域架构的分层决策控制和服务化架构更具实际性和鲁棒性，域控式架构会快速渗透。随着大模型对车端算力需求的提升，集中式架构也有望加速产业化。
 
　　5、人工智能技术在汽车领域的应用包括产品、产业两个层面。产品方面，AI将成为“软件定义汽车”的延伸和拓展，进一步加强智能驾驶的“好开”的驾驶体验以及智能座舱“好玩、好用”的服务体验。汽车正加速向具身智能体演化，AI大模型成为汽车智能化变革的核心，多模态大模型能够处理多元信息，助力汽车从简单的交通工具转变为智能伙伴。产业方面，汽车企业将进化为人工智能企业，大模型将以智能体的形式深度渗透到企业“研产供销服”各环节的具体业务中，汽车企业将变为智能平台企业。
 
　　Part.02
 
　　当前人工智能与汽车产业深度融合存在诸多挑战
 
　　1.软件研发挑战。尽管大模型在提升开发人员个体效率方面有一定作用，但对项目级和企业级的影响有限。行业应避免不切实际的幻想，应踏踏实实地打好数字化研发体系的基础，重视软件开发过程中的规范化和数字化管理，以应对未来汽车软件规模和复杂性的爆发式增长。
 
　　2、数据的清洁和可用性是AI场景落地的难题。大模型技术在具体场景应用的最大挑战就是缺乏场景数据、数据质量低。车载垂域高质量数据集有限。另外，数据处理在AI训练时间成本的一半以上，数据处理超过75%的工作都在数据标注环节，且其市场需求持续增长。但随着技术创新迭代加快，数据标注形式日益复杂，且AI自动标注存在局限性。
 
　　3.大模型与现有芯片适配难度大。大模型需适配不同芯片，如8295、8678、征程6等。这些芯片并非为大模型设计，适配技术难度高，且需解决量化带来的精度补偿问题以及车卖出后模型更新时只能部分更新的难题。
 
　　4、标准指导性不足。一是标准制定滞后。国内政府对大模型相关问题暂持宽容态度，但海外法规严格。车企需提前考虑大模型在海外的合规问题。二是行业标准缺失。在智能汽车发展过程中，如数据共享、行业标准与评测等方面存在共性问题待解决。
 
　　Part.03
 
　　促进人工智能与汽车深度融合的建议
 
　　1.强化基础软件研发。构建可持续发展的基础软件生态和现代化软件研发体系，包括操作系统、中间件、功能软件等。推进软件研发的数字化和智能化变革，提高软件研发效率和质量。
 
　　2.推动大模型优化与创新。持续优化大模型性能，提升其在汽车领域的适应性和效率。面壁智能通过发布多个版本模型，加快芯片适配节奏，针对汽车场景专项迭代产品，提升模型能力。行业应加大在大模型研发上的投入，推动技术创新。
 
　　3.加强大数据产业发展。加大在数据标注技术上的研发投入，提高标注效率和准确性。探索更先进的标注方法和工具，以满足日益增长的数据标注需求。同时，加强数据标注行业的人才培养和技术交流。
 
　　4、建立完善的数据质量管理机制，确保数据的清洁、可用和安全。加强数据挖掘和分析能力，充分发挥数据的价值。通过技术手段提高数据质量和管理水平，为汽车智能化提供有力支撑。
 
　　5、在保障数据安全和隐私的前提下，推动行业内的数据共享与合作。建立数据共享平台，打破数据孤岛，实现数据的互联互通。通过数据共享促进技术创新和产业升级。
 
　　6、加快标准制定与完善。政府和行业协会应加快制定和完善智能汽车相关的标准和规范，包括技术标准、安全标准、数据标准等。为行业发展提供明确的指引和保障，推动汽车AI化进程有序进行。