工程师变身AI“指挥者”，吉利与阿里云的软件开发变革实验

解码汽车AI

当AI重塑汽车，谁来主导未来出行的规则？《解码汽车AI》栏目聚焦汽车智能化演进的核心问题，直面行业发展困局、车企转型挑战与产业链协同难题，探寻“可持续密码”的底层逻辑。每期特邀车企掌门人、行业领军者进行深度对话，以专业视角洞察未来，让AI驱动的汽车新时代清晰可见。

1975年，IBM工程师Fred Brooks在《人月神话》中提出软件工程的核心难题：随着系统规模和团队规模增长，复杂度会呈指数级上升。他的结论是，软件工程“没有银弹”，没有单一技术能带来数量级的生产力提升。

50年后，汽车行业正在经历软件工程史上最大规模的挑战之一。

吉利汽车数智中心AI产品专家阮航透露了一组数字：过去几年，吉利内部软件开发人员占比从不到10%跃升至40%。当一辆智能汽车的代码量突破亿行，当座舱、智驾、底盘等异构系统需要在不同芯片上协同工作，Brooks描述的复杂度问题被放大了数百倍。

不过这一次，车企找到了不同的应对方式。自2025年上半年开始，短短几个月时间，吉利汽车已有数千人研发使用通义灵码，AI生成占比超过30%，尤其在通用代码逻辑开发、代码检查测试环节，代码开发效率提升20%。

与阿里云通义灵码的深度合作，正在探索一个可能：AI会是Brooks说的那个“银弹”吗？

“软件”汽车

人员结构的剧变，映射的是汽车产业本质的转变。

“过去汽车是硬件主导，软件只是辅助。现在软件决定了产品的核心体验。”阮航说。这种转变带来的，是开发模式和产品复杂度的“Double Kill”。

首先是迭代速度的加快。传统面向硬件的V模型开发周期以年计，如今要支撑月级甚至周级的OTA迭代，必须转向“敏捷+DevOps”模式。与此同时，产品复杂性也在同步增长。汽车行业正经历电子电气架构从分布式ECU向中央计算和区域架构的演进，面向服务架构（SOA）的引入，让系统集成的复杂度呈指数级增长。

以吉利为例，研发体系需要同时应对座舱域的Linux/Android、智驾域的QNX，以及车身控制域广泛采用的AUTOSAR平台。应用层多用Java/Python，底层则依赖C/C++。如何让这些异构系统在不同芯片生态上高效、安全地协同工作，是极其复杂的系统工程。

更具挑战性的是守住安全底线。汽车软件开发必须遵从ISO 26262功能安全、ISO/SAE 21434信息安全，以及ASPICE等极其严格的国际认证标准。特别是在底层开发中，还需要遵循MISRA C/C++等严苛的编码规范。这些标准确保了汽车的极致安全，但也天然地与快速迭代的敏捷开发模式存在张力。

看清了系统性挑战的本质后，吉利明确了以AI技术提升研发效率的路线，与阿里云通义灵码的深度合作随即展开。一系列采访之后，我们得到了一个工程师变身“指挥官”的故事。

全方位AI

谈AI落地，首先要谈场景。所以，我们先呈现一个完整的场景概括，吉利的研发体系涵盖应用层软件研发、嵌入式开发和算法研发三大板块。一言以蔽之：目前通义灵码等AI手段正在全面渗透。

其中，应用层软件研发团队对通义灵码的应用最为深入，覆盖了智能座舱HMI、车联网服务等场景的快速开发。工程师们频繁使用通义灵码来生成新服务的模板代码和数据转换逻辑。

嵌入式开发是汽车软件的“深水区”，以C/C++为主，对实时性、内存管理要求极高。在这一板块，吉利正探索将AI能力引入底层开发场景，重点在于提升代码质量和合规性。

算法研发领域，通义灵码正在协助团队处理PB级的雷达点云数据和视频数据清洗工作。工程师可以通过自然语言描述数据清洗规则，AI自动生成对应的复杂数据处理脚本。

对于最受关注的提效指标，阮航给我们讲了一个项目案例。一个原本30天的项目，通过通义灵码加成，原本耗时10天的“编码实现”环节，编写代码从5人天缩减为4人天，注释补全从1.5人天缩减为0.5人天，单元测试从2.5人天缩减为2人天，代码优化从1人天缩减为0.5人天。编码阶段效率提升30%，带动项目整体提效10%。考虑到吉利汽车是一个相当庞大的组织，众多项目累加可得的收益是相当可观的。

每个深度使用AI的工作者讲到大模型的痛点，一定会谈的必然包括“幻觉”。其实用幻觉描述也不一定准确，讲“模型对不了解的事情容易胡说八道”更能让人感同身受。

所以，规模化应用也很快引出了另一个关键问题：通用大模型需要精准理解吉利的技术栈和业务逻辑。如果AI生成的代码不符合企业规范或者无法调用内部API，它的价值将大打折扣。“我们需要AI能理解吉利的业务上下文，而不仅仅是通用代码。”阮航说。

不过阿里云和吉利汽车各自的能力组合，很大程度跃过了这个山脉。

阿里云通义灵码解决方案专家贾彬介绍了通义灵码的特点：它本质上是一个高级的编码智能体（Coding Agent），结合 RAG（检索增强生成）和MCP（模型上下文协议）等技术，能够深度融合企业的私有知识库。

吉利的工作，则是构建一个高质量的，包含了私有代码库、API文档和技术规范的“专有知识库”提供给大模型。这样就能构建起一个高度精准的上下文环境，能更好利用大模型的推理能力解决研发问题。

这种配合机制，确保了AI不仅“会写代码”，还“会写吉利的代码”。例如，当工程师需要调用吉利内部的车控服务API时，通义灵码能够准确提示API的调用方式和参数规范，并遵循统一的错误处理机制。

当然，为了适应吉利复杂的开发环境和极高的安全要求，通义灵码支持企业专属版部署，确保核心代码资产不出企业内网。双方通过VPC专线等方式实现了网络隔离与安全接入。

不只是提效

所以，大规模的人数使用，让AI工具的价值在不同维度显现出来。

最直观的是效率提升。大量模板化、重复性工作被交给AI，工程师可以聚焦于系统架构设计和核心业务逻辑的创新。质量维度的改善同样明显，通过与CI/CD流水线等研发工具链的集成，通义灵码可以在编码阶段就进行逻辑预检，提升代码的规范性和健壮性。

但效率和质量的提升，还不是AI工具的所有价值。

软件工程领域有一个著名概念叫“技术债”——因过去妥协而积累的、需要未来偿还的维护成本。对于汽车这样长生命周期的产品，庞大的遗留系统就是最主要的“债务”来源。维护和迭代这些遗留代码的挑战尤为严峻，很多代码之所以存在，可能是为了绕过特定的硬件约束，或者是为了处理某些复杂的工况。

如果不理解其原始的设计意图就盲目修改，极有可能引入安全隐患。所以开发者之间常半开玩笑地说：“能跑就别动，动了就出事。”

知识传递需要借助于人，但人会流动，这使得“偿还技术债”变得更加困难，形成了所谓的“代码考古”困境。

“但这对AI不是问题，因为它能快速读取代码，能帮你解释遗留系统的复杂逻辑，看懂他人的开发逻辑。”贾彬说。

阮航分享了一个实例：一位新入职的工程师需要修改一个有着数年历史的核心模块，通过通义灵码的代码解释功能，他得以快速理解原作者的设计意图和复杂的依赖关系，将原本预估需要一周的熟悉过程缩短到了两天。AI在这里扮演了“知识管家”，甚至“任意门”的角色，让经验得以沉淀和复用，让沉寂中的代码得以换一种方式新生。

这种传送能力，在吉利的全球化协同中体现得更为明显。作为一家在瑞典、德国、意大利等地均设有研发中心的全球化企业，吉利通过推进统一代码仓、统一研发工具、统一协同平台来解决跨地域协同的问题。AI在其中扮演了越来越不可或缺的作用，促进了全球团队在统一的AI辅助环境下工作，客观上推动了编码规范和研发流程的标准化。

依托阿里云的全球基础设施，通义灵码支持吉利在多个研发中心实现“多地部署、就近接入”，确保全球开发者都能获得低延迟体验，同时满足各地的数据合规要求。

AI的介入，也在改变人的角色。

我们就用开始提过的一个质量保障为例具体展开。传统的代码评审是在提交后进行，由技术负责人手动审核。这种模式的问题在于：问题被发现时，代码已经写完，修复成本高，还可能影响进度。阮航介绍，吉利正在推动质量“左移”（Shift Left），在开发的早期阶段就发现并修复问题。

具体做法是：工程师在提交代码合并请求时，系统会自动触发调用通义灵码的API，让AI代替技术负责人完成初步的、高频的审核工作。例如检查变量命名是否规范、是否有充分的异常处理、是否符合既定的安全编码要求等。

这一转变使得资深工程师的角色发生了变化，他们从“执行者”转变为“规则制定者”，负责定义审核的标准，再交由AI去高效执行。而他们自己则可以聚焦于更复杂的系统架构和业务逻辑审核。

执行者到指挥官

所以，AI对于开发场景的影响是全方位的，AI对“人与代码”、“人与人”、“人与组织”的关系的影响也是全方位的。

这甚至涉及了一个业内广泛关注的讨论：“AI是否会进一步取代人类程序员？”阮航在采访中分享了他的洞察。他认为，未来职业生涯受到挑战的，其实是不使用AI的工程师。

“在我们内部，一直在推的一个思维就是：以后我们所有的员工都是Leader。我们要Lead谁？就是AI。我们要指挥AI，把原先我们自己在做的工作做得越来越好。”

从“一线执行者”到“AI指挥官”，人与AI显然并非取代关系。但这意味着工程师的核心能力要求正在从“实现能力”转向“定义问题、拆解任务和评估结果”的能力。在这个模式下，工程师更多是从设计、架构、验收的视角去定义需求，真正的执行和操作交给AI。

“当前工程师和AI可能各占一半，”阮航说，“但未来，我们希望工程师主导规则制定，AI承担更多执行工作。”

吉利的终极愿景是实现“黑灯研究院”：一个高度自动化的研发环境，从需求提出到部署交付的全流程，由AI与人类工程师协同完成。“当前我们已经搭建起智能化软件平台，实现了从需求到交付链路的点状能力闭环，”阮航说，“接下来希望将点状能力连接成线状能力，即实现从需求分析、代码生成到测试部署的自动化工作流，最终实现端到端的自动化交付。”

贾彬观察到：AI正在向“自主智能体”演进。随着模型在长期记忆、规划与决策上的能力提升，未来的智能体将能够承担长时程任务，自动进行复杂的任务分解、资源调度与工作流编排。与此同时，异步编程与云端Agent的兴起允许将子任务委派到云端并行执行，工程师负责高层目标与策略制定，可以同时指挥多个Agent，实现更高的并行性与可扩展性，同时通过人类监督与回滚机制保证可控性与安全性。

但是指挥官这个新一代人类程序员的定位，显然也让产业出现了“一将难求”的问题。

阮航在云栖大会的公开发言中就提出了一个呼吁：要共建AI编程的安全标准，共享软件研发的优质实践，共育新型人才。

这背后是对行业共同挑战的洞察。对汽车行业来说，既懂机械硬件又精通软件系统工程的交叉人才，是当前最急迫的需求。这个人才缺口不是个别企业能解决的。

不过，跨界对AI来说，从来都不是问题。或许，在AI降低了软件开发的技术门槛后，更多机械背景的工程师也能参与到软件开发中来。

吉利与阿里云的合作，正在验证这种可能性。当车企开始用软件的方式思考问题，当云厂商深入到制造业的具体场景，产业边界的模糊或许正是创新发生的地方。

50年前，Brooks说软件工程没有银弹。今天，AI或许不是那颗银弹，但它正在改变我们寻找答案的方式。

无万卡，不VLA：元戎启行与阿里云的“想法”和“解法”

智能座舱的“理想”样本背后，为什么需要一朵AI云?

卓驭的技术美学：从“为学日益”到“为道日损”的智驾之道