AI，早就把汽車滲透成篩子了……
關注車圈的朋友們應該發現了，今年不僅是全民智駕時代的“元年”，更是“全民AI時代”的元年。
不僅Deep Seek、元寶、豆包這類AI對話工具進入了每一個普通人的生活，就連車企也在深耕AI領域。無論是座艙還是智駕，都在依賴AI大模型來提升使用者體驗。
那麼，AI究竟是怎麼借助汽車這樣的產品，深入我們每個人的日常生活的？AI到底是會帶來更美好的生活，還是一把雙刃劍？
今天，社長就給大家找來了一位研發工程師朋友“胖哥”，目前在海外某豪華品牌任職。這次他會用最犀利的語言，和大家聊一聊車企研發中那些不為人知的秘密。
(以下內容會有些干，更適合硬核技術黨。看不懂也沒關係，社長會用“就是加了一層隔音棉”這種大白話給大家講明白，可以放心食用）
遇事不決問AI，已經是這些年科技界的主流。就好比車企如果不搭載車載LLM（大語言模型）跟車主尬聊，不搭載端到端自動駕駛就要被掃進歷史的垃圾堆一樣。
01. 現在的車企怎麼造車？
在開聊之前，胖哥需要先和大家鋪墊三個毫不相關的背景知識：車企的V開發流程，DevOps開發流程和IPD管理架構。
V流程開發是比較傳統的汽車研發（尤其是軟體研發）流程，整體流程大概是這樣式兒的：
很多專業術語看不懂？沒關係，咱換個說法——
先像樂高積木一樣想像出一款產品，然後把它一項項拆分，最終細化到每一個具體的零部件；再把零部件一步步拼成一台整車，並在每一個環節加以測試。大功告成！
說白了，在V流程裡，不管是樂高做一台積木汽車還是車企造一台真車，其實都是從整體到部分，再從部分到整體的思路。
V流程，是汽車正向開發中比較線性而且可靠（就是用了很久沒出什麼bug）的一套成熟開發流程。
它的特點是步步為營，從整體到局部，開發設計輸入和測試驗證反饋貫徹在全流程中，不容易出錯。
但是，V流程的問題也比較明顯：任何一個環節出錯的時候，要一步一步地推到最底層流程去進行修正，對於相對高層次/整體化的產品研發需求變更響應速度較慢。
翻譯成人話就是，領導層拍腦袋換思路的時候，底層小兵調整起來比較麻煩。
那麼為了能快速響應使用者的需求（比較能卷），敏捷開發的概念就被引入了汽車開發流程中，也就是DevOps開發流程。
看不懂？沒關係，還有東北話版：
相對於V流程，DevOps會更參考產品營運階段的意見（也就是使用者反饋），並且根據反饋迅速迭代產品研發計畫，提升軟體OTA和車型換代的效率。
這尤其新勢力這種相對小規模、但是需要快速更新產品的車企，畢竟小團隊比較能卷。
那麼，銷量突破百萬級的大型車企又怎麼實現效率上的提升呢？就是今天要說的第三點，IPD（整合產品開發）管理架構了。
簡化之後，差不多是這樣式兒的：
胖哥給大家舉個例子。
假設你現在是車企的一名研發工程師，同時需要向兩個領導匯報——
一個管團隊的領導，負責你在具體事業部中的位置，著重培養提升你在專一工作技能上的發展；
而另一個管項目的領導，負責整合你的具體技能在項目開發中發揮的作用，帶領你和其他團隊成員合作完成產品開發工作。
如果還不明白的話，差不多就有點像是下圖這樣，或者說得更簡單點：一個管人不管事，一個管事不管人。
好了，和AI無關的基礎背景就介紹到這裡，下面我們來說說和AI有關的兩件事情。
02. AI和車企的困局
第一點，是AI的不同分支——機器學習和端到端在目前汽車開發中的應用；
第二點，是車企開發過程中經常遇到的“卷不動了”類型的內耗問題。
在汽車開發的過程中，經常遇到的一個問題就是物理模型和實際測試的結果總有偏差。
隨著研發要求的提升，就需要精度更高，物理結構更複雜的模型。但是更複雜的模型需要更長的研發周期和算力，又進一步提高了研發成本。
在具體的項目中，既要考慮性能又要考慮效率，經常是難以兩全的。
就比如空氣動力學模型和輪胎模型，就是兩個常見的需要測試團隊和模擬團隊互相妥協的系統，懂的都懂。
所以研發人員要用大量的測試資料，去訓練基於各種機器學習演算法的物理模型，試圖讓機器自己通過演算法來最佳化具體的擬合結果。
這些方法在目前的研發過程中已經大量應用，但是由於工程師自己也不知道具體成百上千個參數最佳化成什麼樣，導致模型的復用性很差。
換句話說，就是假如測試團隊稍微調整了測試硬體，模擬團隊就要花大量的時間和算力重新訓練模型，團隊之間經常因此產生巨大的溝通成本和時間消耗。
另外就是端到端在自動駕駛方面的應用。舉個最簡單的例子就是複雜車流下的並線：
雖然現在的隱式端到端，已經可以綜合多模態的資訊感知輸入，並且有大量的實際駕駛員資料作為訓練素材。
但是出於安全考量，大多數端到端演算法在面對複雜路況的時候普遍比較慫，處理方式也比較單一，就是減速、停車、讓行。
（比如面對突然竄出的外賣小哥，變道不打方向燈硬擠的並線，一年兩箱油的馬路三大媽，還有公路上的百噸王，高階智駕都是以避免發生碰撞為第一目的）
尤其是隨著法規要求，智駕車輛必須亮起青色指示燈的時候，很可能會有更多的人類駕駛員產生“這車是智駕模式，隨便幹他，他不敢撞你”的心態。
甚至有相關研究，基於當前的L2級自動駕駛技術，開啟智駕的車輛越多，道路通行效率反而越低：畢竟有了智駕，開車玩手機的比例反而比之前更高了。
所以那怕算力已經堆到了很高的冗餘，當下的端到端演算法依然存在不少問題，需要車企一步步解決。
另外，車企還要面臨開發過程中的內耗，就是剛才提到的V流程以及DevOps流程在測試端和開發端的溝通問題，激情對線那都是日常基操（請勿對號入座）。
但是沒辦法，V流程的左右兩邊，Dev組和Ops組的矛盾永遠都在。就算是到了管理層，也經常會出現項目主管和團隊主管為了管人還是管事吵得天昏地暗不可開交。
所以，AI到底能幫車企做什麼？
答案已經呼之慾出，就是基於AI的LLM和大算力的虛擬開發中心。
大家還記得我在文章一開始提到了黃仁勳吧。老黃在CES2025上提到了如何用AI協助電腦圖形學開發人員快速實現視訊渲染——
比如同樣的一個建模，開發人員通過自然語言描述需要的場景，AI可以快速生成出基於該建模的貼圖以及渲染方案。
因此，車企可以通過大量的算力，訓練出針對不同應用環境的模型。這些模型可以針對本團隊設計出特定的研發目標，也可以綜合其他團隊建立綜合最佳化目標。
就比如對於硬體研發團隊，面對浩如煙海的標定和選型，工程師通過自然語言以及一些確定的參數輸入給AI，由AI輔助工程師進行最佳化，確定方案，完成硬體研發。
同時這個模型還可以和供應鏈管理部門的AI模型進行對接，同時綜合最佳化生產以及採購成本，在完成性能最佳化的同時也實現了成本上的降低。
這在各部門分頭工作，各自為政的傳統矩陣式IPD管理模式下，幾乎是不可能實現的。
同樣在開發的前期，市場部門的AI可以根據當前企業的產品線和市面上的競品，協助市場開發人員通過自然語言的描述，來最佳化出新產品線的性能指標和價格區間。
與此同時，產品開發部門的工程師也可以根據市場部門的AI資料來制定具體的開發目標，藉由訓練好的另一套不同的AI來協助指定各子系統的細化性能指標。
這種輸入甚至是可以非常高層次，非常自然語言的，誇張一點的話比如說：
同樣，如果有AI在其中，作為將自然語言的主觀駕駛感受量化到標定/軟體開發的工程師具體的研發細節，就可以極大的減少測試組與研發組的溝通成本。
而且如果AI能夠訓練得足夠智能，那麼基於AI的研發執行層就好比一個個工程師在背後處理著來自不同領導，不同項目組的工作。
這樣一來，就不再會有（或者至少是減少了）企業的內耗，以及“卷不動了”的情況出現，打工人也不會再為難打工人。畢竟，打工人現在為AI服務。
而這，就是未來車企組織架構的發展方向：基於AI的虛擬研發中心。
那麼問題來了，到底AI能夠做到什麼程度才值得我們在IPD管理模式中增加一個新的維度？
這裡胖哥更想用另一個維度的方式來描述這個話題，那就是——到底AI在用什麼樣的視角看待這個世界。
03. 我，機器人
眾所周知，AI生成的圖片不會畫手。
更眾所周知，AI生成的視訊很可能違反物理定律。
就像剛剛胖哥提到的，在實際的產品研發過程中，永遠會有“物理模型的細節”和“資料模型的不精準”之間取捨的問題。
畢竟所謂基於機器學習的模型，工程師也不知道具體模型裡的參數是怎麼最佳化的，模擬結果是怎麼擬合的。
很多傳統的工程師很反感這種描述結果的建模方式，他們認為只有更高精度的物理模型才是在電腦上設計汽車的康莊大道。
然而，如果我們換個視角來看待這個問題，那就是：
AI不理解世界，AI只描述世界。
同樣，如果我們各個研發部門有了AI輔助的研發中心後，相對於工程師們日常的工作，這個虛擬研發中心要做的工作是：
我，機器人，根據你們人類的語言/資料輸入和設定的邊界條件，描述出符合你們人類要求的汽車設計方案。
AI不理解汽車，但是AI可以描述汽車！
這種研發方式，是之前基於項目，或者基於團隊的管理方式，都無從管理的研發體系。
管理團隊更需要帶領AI工程師瞭解所有產品研發/測試/市場/供應鏈部門的具體需求，通過他們已有方案的輸入輸出來最佳化自己的AI模型，讓模型的輸出結果儘量接近已有的工程開發方案，從而讓虛擬研發中心的解決方案能夠更有效地作為人類工程師開發結果的參考。
虛擬研發中心這項工作，將是一個長期而艱巨的過程。
就像端到端自動駕駛，需要大量的資料和茫茫無邊的最佳化來不停的實現更加可靠，更加接近人類駕駛行為的自動駕駛模型。它不需要理解什麼是純視覺方案什麼是LIDAR，但是它會描述人類世界的駕駛環境。
同樣，虛擬研發中心一定從V流程的最低端開始，一定從DevOps最小的敏捷開發迭代循環開始，將AI首先嘗試用在簡單的模型上，用在基礎的非線性多目標最佳化問題上。
之後隨著研發資料越來越多，逐漸強化AI的功能，實現多個部門的協同AI工作，而這就是虛擬研發中心的雛形。
或許有一天，執行層的工程師更多的需要AI幫助他們解決建模，模擬，最佳化的工作，而甚至他們自己都無法得出AI那樣優美的結果。
但工程師永遠不會失業，因為AI不理解汽車，AI只能描述汽車。真正理解汽車的，還只能是廣大的人類工程師們。
大人，時代變了，時代似乎又沒變。 (電動車公社)