从Demo到生产力：阿尔特太乙如何让AI走进汽车设计研发深水区| 2026AI Partner·北京亦庄AI+产业大会

Demo 具备单点开放能够验证东西的作用，但不应该只停留在展示层，而要进入汽车研发体系内部，成为一种新的工程能力。

汽车设计研发是一项高复杂度、高成本、高安全要求的系统工程，单点AI Demo难以真正落地。阿尔特太乙基于一线研发经验与私域数据，构建了从知识大模型、造型AI创绘、空气动力学智能预测、CAD智能检索、零部件智能生成到2D智能投图的产品矩阵。其核心理念不是做单点工具，而是打造“工程师一句话，平台全程跑完”的全流程AI研发设计平台，让AI从“惊艳一刻”走向“长期生产力”。

以下为演讲内容，经36氪整理编辑：

刘亚彬丨阿尔特汽车副总裁、阿尔特太乙人工智能总经理

大家上午好，我是阿尔特汽车的刘亚彬，非常高兴有机会在这里跟大家分享我们有关AI+汽车设计研发持续的实践和思考。

今天的主题是：当 AI 走出 Demo，它如何真正进入汽车设计研发的深水区？过去一年多，AI 给整个科技产业带来了非常大的震动，但站在汽车研发这个行业里，我们会更冷静地看待这件事。一辆车从产品定义、造型设计、工程设计，到仿真验证、试验验证、工艺制造、质量交付，每一个环节都有大量约束。它既有性能目标，也有法规要求；既有成本边界，也有制造工艺；既要满足用户体验，也要承担安全责任。我们自己在做AI的过程中做了一二百个Demo，也收到过几千个Demo，真正落地的并不多，这个过程中我们有一些思考跟大家分享一下。

一个Demo 很漂亮，说明技术有想象力，具备单点开放能够验证东西的作用，但不应该只停留在展示层，而要进入汽车研发体系内部，成为一种新的工程能力。我将汽车设计研发的核心挑战，系统性地概括为“三高”特征：高复杂度、高成本、高安全要求。

首先第一个挑战是高复杂度，复杂的系统工程。从工程师的一句构想，到基础材料学，再到信号处理，最终延伸至生产制造与智能制造的完整链条——在这条技术链条上，每一个环节都由“最小作用单元”构成，而这些单元之间彼此交织、相互影响，最终形成的是一个不断权衡与取舍的复杂过程。

第二点是高成本，这与漫长的开发周期密不可分。汽车研发目前仍需约24个月，虽已基于软件工程发展和经验累计从过去的30多个月有所缩短，但仍难以及时响应用户需求的变化。而每个设计都要经历仿真、实验、制造直至市场验证的多重关卡，试错代价极高。更棘手的是，变更的影响链条极长——任何一个零部件的失误，都可能沿着链条波及整个系统乃至整车，导致模具重开，造成大规模的资金与工时浪费。

第三点是高安全。汽车研发之所以受限于诸多法规与标准，是因为安全本身是一个多维度、跨区域的复杂命题。不同国家、不同板块都有各自的信息安全、功能安全、结构安全、约束系统安全及主动安全要求，法规约束极为严苛。这使得单个Demo无法从单点扩张到整个开发流程中。与此同时，质量责任极其重大——研发过程需要做性能衰减排查，对质量进行全流程保证，确保产品的一致性。而这一切的前提，是每一个环节的结果都必须可追溯，才能满足汽车产业对安全的终极要求。

这“三高”挑战构成了AI进入汽车研发深水区的核心门槛，也使得市面上的Demo呈现出两个鲜明特点。第一个特点是“样例可行”，意思是它在全流程的每个环节里都可用。但问题在于，从文本到图形，再到CAD、CAE，每个环节的技术逻辑都不一样，单点生成之后，工程上如何闭环？Demo做完后，最终的结果还是得落到工程师手里，由人来判断，或者判断结束。第二个特点是“效果比较惊艳”，但结果是否可信？工程上的可信度，有时连5%都很难满足。尤其是在接触部件比较多、系统比较复杂的设计中，概率统计与工业确定性之间的矛盾应该如何解决？最起码在汽车研发领域，要想做出靠谱的AI，第一要能接入流程，也要懂约束，同时还要能追溯结果，并且能处理各式各样的业务。

今天的主题是带AI到一线，阿尔特太乙本身就在一线，我们离一线非常近，推开门、到隔壁楼就是一线。阿尔特本身做汽车设计研发，走在行业前端，是唯一在A股上市的汽车设计研发公司。阿尔特太乙是诞生于汽车设计研发一线的AI科技公司，我们拥有公网上无法查到的数据，所有场景都对外开放，同时我们在AI领域与科研机构、顶尖AI大厂以及相关保险公司均建立了深度合作。

高质量数据集也必不可少，全流程里每个数据原来都是工业软件和工程师，通过操作PC或者work station来制作出来对应的数据，但这些数据之间的关系并未在过程中被固化。如果要做AI，我们近500款车型的研发设计经验，以及近100类多元数据格式，如何实现打通与实时流转？如何将设计数据与规范性数据关联在一起？这是我们目前正在推进的一项庞大工程。再次强调数据的重要性，是因为：Demo是给人看的，而生产力落在流程里，作用于数据之上。要实现数据之间的联通、让数据“能说话”，这不仅是数据本身的问题，还涉及语义层面。我们需要在数据之上增加一层元数据，将语义解释附加其上，例如针对设计对象的本体和设计过程的本体。基于这些私域数据，我们已经走通了多款产品，以下我重点介绍六个典型场景。

第一个场景是汽车研发知识大模型。 它能够将公司20年的know-how在一分钟内快速定位。具体能力包括：产品调研中如何将VOC（客户之声）翻译为工程语言；专业问答与快速检索规范、法规及历史经验案例；图纸理解与图形学识别；质量审查，包括对公差、材料工艺的描述性审查；当收到检测报告时，能够像拥有十年以上工作经验的专家一样，对不符合规范的内容给出评价；以及知识溯源。这些能力可以有效弥补通用大模型在工程可行性和工程量化方面的不足。知识大模型解决的是“懂”的问题，而下一个场景要解决的是“画”的问题

第二个场景是造型AI创绘-太乙。 这也是阿尔特太乙发布的第一款产品。它解决的核心问题是：如何将一个灵感以最短路径转化为可交付的工程资产。当前Diffusion模型发展迅速，能够生成图像，但无法直接交付——因为工程可行性、比例关系、品牌DNA等多方面约束仍需满足。我们需要将自身对数据的理解、对造型领域的know-how注入模型中，从而支持文生图、图生图、渲染、从草图到效果图、文生视频、图生视频、图生3D等能力。之所以要做到3D，是因为造型从趋势主张到最终NURBS曲面生成，中间需要一个完整的闭环，这个闭环必须能够生成3D模型乃至大曲面。造型生成之后，下一个关键问题是：它的空气动力学表现如何？

第三个场景是“御风”空气动力学智能预测。 这是我们探索AI4 Engineering的重要实践。其流程是：以大语言模型为入口，结合圆方模型，最终生成造型效果图，效果图再生成3D模型，3D模型进而预测表面速率和压力分布，并给出设计修改建议。它最大的价值不是简单减少沟通成本，而是将CFD仿真工作大幅前置——交到设计师和项目经理手中，让他们能够快速做出预测，从而改变研发节奏。我们还具备参数化轮廓建模、基于轮廓的效果图生成、3D生成建模以及AI快速风阻预测等能力。针对轿车、SUV、卡车等不同车型，我们已开展了多类风阻代理模型的数据级研究，覆盖全流程风阻开发。以上三个场景偏向造型与性能，而研发流程中还有一个核心痛点：如何在海量CAD数据中快速找到所需内容。

第四个场景是CAD智能检索。 相比于文本检索，我们面临的核心挑战是CAD数据的检索。如何构建查询语句？如何进行向量化数据检索？是否采用Agent RAG？通过这些技术的结合，我们帮助工程师快速定位下一步工作内容，查找相似零部件，甚至通过模糊输入找到对应的3D数据，并确保3D数据所附带的层级标签清晰可读。这一能力与圆方模型（工业3D CAD基座模型）深度结合。检索只是第一步，更深层的需求是：能否直接用一句话生成CAD？

第五个场景是零部件智能生成。 这是我们当前的重点开发方向。其核心能力分为两个维度：一是“懂设计”——基于B-rep（边界表示）等当前前沿技术，实现用一句话在3D空间中快速生成CAD模型；二是“会操作”——基于操作序列完成相应动作，不改变传统工业软件的操作方式，而是让AI自主思考应该如何执行。生成CAD之后，还需要一个关键环节将其交付到生产端：二维投图。

第六个场景是CAD 2D智能投图。 它连接设计与生产，核心是将工艺要求准确反映在二维图纸中。自动化技术可以完成批量投图、规则引擎判断和公差标注。而AI在此基础上进一步发挥作用：智能选择基准面、智能对应公差标注，并最终判断标注是否准确。其目标是让工程师从重复性劳动中解脱出来，将精力投入到真正需要判断力和创造性的工作中。

如何走出Demo、实现规模化落地？我们的经验是：一切基于数据。包括我们自己的私域数据、行业公开数据，以及合成数据。但数据本身并不足够——汽车工程语言体系有其独特性，工程师之间的交流、工程师与消费者之间的沟通，所传递的信息完全不同，因此必须做好专业术语的语义映射。在此基础上，流程与组织是阿尔特太乙的明确优势。流程层面，我们构建了从设计、仿真到验证的完整业务闭环，融入工程规则与边界，通过智能体与Skill编排以及上下文工程，形成可运转的研发流程体系。组织层面，我们建立了工程师持续反馈机制、跨部门协同机制、问题闭环跟踪机制，以及知识沉淀机制。数据是基础，语义是桥梁，流程是骨架，组织是保障——四者缺一不可。

基于这些能力，我们构建了AI+汽车研发设计平台。其核心逻辑，不是打造单点工具，而是实现“工程师一句话，平台全程跑完”。具体而言，平台需要解决以下几个问题：如何调用数据和工具？如何在数据平台上完成数据加工？各智能体之间如何协同合作、自主完成决策？我们的理解是，通过大模型能力，以一个统一入口（无论是自然语言，还是图形与自然语言的组合）实现全流程闭环。

在推进这一平台的过程中，我们也积极与产业伙伴共建生态。在国家行业共建的牵引下，我们与产业伙伴围绕“让AI可验证、可交付、可闭环”这一目标，开展了一系列合作。过去两年，我们与众多科研机构、高校、工业软件公司、智能体开发公司、物理AI公司以及3D重建生成领域的伙伴进行了广泛探索。目前，我们正参与国家人工智能应用中的汽车研发方向工作，联合发布了汽车设计研发领域的智能体与AI白皮书，并完成了基础开发数据集的构建。我们非常愿意将这些成果开放出去，与产业伙伴共享。

回顾一路走来，从Demo到生产力，阿尔特太乙已经走过了一段路程，其中有收获，也有诸多苦涩。接下来，我们诚邀各位产业伙伴，与我们一起走好后半程。谢谢大家！