自动驾驶进入大模型时代，主机厂寻找「联合创始人」

「如果自动驾驶不能 Think Like Human（像人类一样思考），那它真的安全吗？」

9 月 25 日，一场关于自动驾驶未来技术路线的圆桌讨论在云栖大会上的 2025 阿里云汽车行业峰会展开。尽管三位嘉宾来自不同的主机厂或智能驾驶科技公司，对技术演进的具体细节也存在一些分歧，但他们都认可一个观点：自动驾驶应该从现在的「模仿学习」，迈向「自主思考」的下一阶段，以达到更安全、更可用的自动驾驶能力。

自主学习，换句话就是真正拥抱 AI，同时意味着更大的模型参数、更强的推理能力，以及更真实的仿真环境。

而这些，都离不开云端强大的「基建能力」支持。

事实上，不仅是智能驾驶的研发，在车企的企业管理提效、全球化拓展等各个业务维度里，「云」的能力无处不在。

数据显示：目前，阿里云为国内智能驾驶行业提供了 60% 的 AI 算力；95% 选择出海的车企都和阿里云有过合作关系；阿里云汽车行业公共云基础设施增速 132%。

AI 和它背后的「云」基建，正在像石油、电力那样，成为智能汽车时代必不可少的新基础设施。

01

智能驾驶，进入「大」模型时代

2025 年，想要在中国市场卖出任何一台新能源车，「智能化」都是绕不开的一个关键词。这其中，智能驾驶技术的体验和演进方向，又是每一家主机厂和智能驾驶公司关注的重中之重。

过去几年，特斯拉提出的「端到端」范式，引领智能驾驶研发从规则驱动切换到数据驱动时代。这轮技术变革既可以大幅提高开发效率，系统应对不同场景的泛化能力也得到了显著提升。

但关于端到端范式「天花板有限」的讨论也很快出现。根本原因在于，端到端就像是一位经历过「题海」洗礼的学生，模仿学习能力很强，见过的题可以不出错，但一旦面对没有见过的「新题」（也就是行业里常说的 corner case），他的自主解题能力就会受到考验。

而如果想要达到 L4 甚至 L5 级别的完全自动驾驶，就会面对数不清的没有被标记学习过的障碍物，以及无数没有被定义过的场景。

所以，在端到端之后，智能驾驶必须 AI 化。系统需要提升的是底层的「能力」，而不是人工开发一个个具体的「功能」。类比人工智能行业的发展，就是在预训练后，加入后训练和强化学习，增强推理能力。

VLA（Vision-Language-Action）是近年来开始被行业热议，有望成为新共识的技术路线。依托于 GPT 架构的 VLA，参数量将大幅提升，也对研发的底座提出了新的要求：

首先，对算力的需求要远高于上一代技术范式。

这里既指需要更大算力的车端算力，也代表云端的训练、推理需求。理想汽车自动驾驶研发高级副总裁郎咸朋把在云端开发智能驾驶模式，比作「在虚拟城市里开极品飞车」，「不仅车的推理需要算力，生成这座模拟城市也需要大量算力」。

其次，VLA 中的「L」，其实是指对物理世界的理解——你可以简单理解为「基本智商」，例如看懂临时路牌、分辨潮汐车道、避让特种车辆（如救护车）等。这些和驾驶无关的常识能力，恰恰是现在的语言大模型已经具备的。

所以，主机厂在研发 VLA 模型的时候，往往是选择在行业领先的基座模型上进行蒸馏，而不需要从零开始重复造轮，再做一个大语言模型。

基于此，三位嘉宾在沟通时也都表示，在如今的智能驾驶研发过程里，阿里云不仅提供了 AI 算力，更是和车企、智能驾驶科技公司一起合作解决问题的好伙伴。

02

当智能座舱开始「自主服务」

在汽车智能化进入深水区的当下，智能座舱正经历从「指令响应」到「主动服务」的代际跨越；长城汽车技术中心副总经理姜海鹏提到，「座舱正经历着从基于规则到基于 AI 的重要转型，之前我们定义座舱是基于功能驱动性的，但未来的座舱一定是基于能力涌现性的。」

而大模型以及大模型的端云协同技术成为这一变革的核心牵引力。而在协同中，分工是核心关键。

就如在阿里云 ApsaraLive 对话中，阿里云智能集团公共云事业部 AI 汽车行业解决方案总经理霍健所举的例子：当乘客说我感觉有点冷，端云协同下新架构的智能座舱是「车端确认调整温度意图后，云端会首先进行记忆召回，找到「他」过去对温度的偏好，提供给车端结合车外温度，车内温度，温度偏好做执行。」

AI 的核心能力分为思考、感知、记忆以及执行等几个维度。云端在深度推理和思考方面具有优势，但随着端侧算力提升，本地完成思考任务的能力也在增强。感知则主要由端侧承担，因为涉及声音、声纹、人脸识别及环境监测等敏感数据，要考虑安全与实时性。记忆功能需端云协同，短期记忆在端侧闭环处理，长期记忆经隐私处理后结构化上传至云端。就如蔚来汽车副总裁吴杰所说，从技术角度来看，针对不同的品牌和场景，我们都在探索不同的端云协同的黄金分割点。

而这种精妙协同配合不仅需要阿里云强大的云端能力，也离不开端侧大模型优秀的能力。

阿里云在这次大会上首次公布了他们最新的座舱领域车端与云端配套的全模态模型「Qwen3-Omni-Mobile」和「Qwen3-Omni-Flash」。它们有三大特点「端到端全模态的交互」「主流芯片厂商全适配」「0.5 秒超低延时」

新的模型让智能座舱真正拥有了全模态的感知能力，让智能座舱不再只是一个听从明确指令的实习生，而是真正了解你需求的贴身 AI 助理。这标志着智能座舱即将迈入「自主行动」新阶段——即座舱能基于环境与乘员状态自主决策，而非依赖明确指令。

03

车企也在「自动驾驶」

除了在汽车产品上的自动驾驶和智能座舱研发外，其实现代车企在运营和管理体系上，也希望借助 AI 进行数字化转型之后的又一轮变革，实现「企业运营的自动驾驶」。

阿里云智能集团公共云事业部 AI 汽车行业总经理李强曾经在一次和中国一汽的沟通中，表示过去的数字化解决了信息「能存」的问题，让车企流程的标准化和效率的提升；但系统并没有解决信息「能懂」的问题。所以企业过去的数字化转型，往往只能止步于八成，最后 20% 很难突破。

举个例子：传统数字化管理下，设备日志、客服录音、合同图片等数据，从企业技术层面来看隶属文字、语音、图片等不同模态，而在管理层面又存在「部门墙」这样的沟通问题，所以信息并没有做到极致的高效利用。

从「能存」到「能懂」，中国一汽的思路：从大模型中得到启发，把所有数据转换为「Token」，这样就可以把不同模态的内容映射到同一套 Token 空间里。这样，企业运行中的「上下文」就能变得丰富很多，管理企业的模型有了「长文本」的支持，自然也就更聪明了。

显而易见，要实现这种以「理解」为基础的智能化管理，AI 大模型是必须的基础设施。和自动驾驶一样，车企自研一套领先的基座模型不仅耗时耗力，也不是其业务重心。因此寻求最强有力的技术合作伙伴同样也很容易成为行业共识。

在中国一汽和阿里云的合作中，阿里云负责提供通义基座大模型，并提供一些「定向能力支持」；而一汽集团则将过去在数字化转型中积累的高质量行业数据，为模型提供了最好的训练语料。

这种合作的成果，体现为中国一汽发布的 OpenMind 智能体平台。

在 2025 云栖大会的现场，中国一汽体系数字化部副总经理陈韵从差旅智能交互助手、辅材数据协同范式、薪酬发放数字员工 3 个场景，分享了 OpenMind 平台的具体应用效果。

在这些应用场景里，共性在于这套基于 AI 的平台可以通过「纵向」（从管理层直达每个车间）、「横向」（打破不同部门墙）、「时空」（融合企业过去的案例）三个维度获得更全局的视角。

而在应用过程中，员工的工作重心也逐渐从执行好某一项具体业务，变为了做好「数据模型」，这不仅让中国一汽实现了提效，更是完成了企业运营范式上的一次彻底重塑，从依赖固定流程的刚性体系，迈向由数据驱动、智能体协同的柔性生态。

中国一汽与阿里云的实践也证明了，全栈 AI 云的支撑能力不仅限于汽车的产品力层面，更是驱动企业内部管理和运营模式从数字化迈向智能化，让车企获得更全面的「AI 化」竞争力

从自动驾驶向「自主思考」跨越，到智能座舱从「指令响应」转向「主动服务」，再到车企运营实现从「数据能存」到「数据能懂」的突破，智能汽车的每一次进化，都深深扎根于 AI 与云基建的协同土壤。云厂商不再是单纯的算力供给者，而是与主机厂并肩的「共创伙伴」，二者共同搭建的不仅是技术底座，更是重塑汽车智能生态的核心骨架。这场产业与技术的深度融合，正一步步将更安全、更智能的出行未来，从蓝图变为现实。