700TB知识、200PB数据，奇瑞给造车装了颗大脑

10月20日，2026奇瑞全球创新大会在安徽芜湖举行。Robotaxi、eVTOL、固态电池、智能机器人，11项核心技术集中发布，现场看点不少。

但比这些能直接看到、体验到的产品更值得琢磨的，是一项叫CheryMind的垂类基础大模型。按奇瑞的规划，它将成为瑶光2035战略的核心技术底座——既要参与汽车研发、制造、质量管理等内部业务，也要为智能驾驶、智能座舱、机器人、飞行器乃至农业机械提供智能能力。

过去几年，车企谈AI大多绕不开智驾和智舱。现在大模型进入产业应用阶段，问题换了一个：长期攒下的制造经验、工程数据和产品能力，能不能通过AI变成新的竞争力？CheryMind就是奇瑞给出的回答。

它和普通大模型不是一回事

大多数消费者接触的AI产品，干的是信息检索、内容生成或复杂问题分析。但造车涉及大量物理世界的工程问题：一款车型从设计到量产，要处理材料、结构、工艺、安全以及不同使用环境中的复杂变量。这些知识与经验，很难只靠通用互联网数据获得。

CheryMind的技术定位，是面向物理AI的垂类基础大模型。奇瑞的思路是把长期积累的产业知识、工程数据和真实场景经验融进统一的基础模型，再通过不同领域的垂类模型解决具体问题。

数据积累上，奇瑞公布了一组数字：

• 700TB 企业知识
• 200PB 工程数据
• 千万级研发文档
• 2500万条 教练级驾驶数据片段
• 500万条 机器人动作捕捉数据片段

这些数据的价值在于来源——工程数据记录产品设计和验证过程，驾驶数据包含车辆与复杂交通环境的交互，机器人动作数据为设备理解和执行物理动作提供训练基础。

CheryMind要做的，是把这些原本分散的知识转化为能被不同业务调用的模型能力，基础能力涵盖多模态理解、代码、推理、规划和工程调用。与此同时，奇瑞还在布局紫微芯片系列，希望通过软硬件协同为物理AI应用提供计算支撑。

AI先进入自己的车间

相比机器人、飞行器这些新业务，CheryMind眼下更值得关注的应用方向，还是奇瑞自己的汽车制造体系。

一辆车涉及成千上万个零部件，研发、采购、生产、质量管理和销售服务又分属不同业务系统。数据攒得多，不等于能高效流动和使用。CheryMind在企业端部署了CAD垂模、制造垂模、质量垂模和企业Agent垂模，试图让AI进入更多具体工作环节。

以研发为例，CAD垂模面向汽车工程设计，未来有望帮助工程师处理设计知识检索、方案分析以及部分重复性设计任务。生产制造环节，模型可以结合工艺流程和生产数据，辅助分析问题、优化生产组织。质量垂模则面向质量检测、问题分析及经验积累。

这些应用最终都指向制造业长期关心的几件事：缩短研发周期、减少重复劳动、提高生产效率、降低质量管理成本。

奇瑞披露的数据是：相关AI应用已覆盖200多个业务场景，打通400多个企业系统，涉及1500多个端到端业务流程，员工每日使用规模超过6万。

不过，应用范围扩大和经营效率改善之间还需要建立更直接的联系。AI能缩短多少设计周期、减少多少质量问题、降低多少实际成本，都要靠持续运营和具体案例来验证。制造业对稳定性和一致性要求严格，AI输出的准确性、可追溯性以及与现有工业系统的协同能力，同样影响应用效果。

四个轮子之外

企业端解决的是如何更高效地造车，另一条路线则是让不同产品具备更强的智能能力。奇瑞围绕产品端规划了智驾垂模、智舱垂模、车端智能垂模、飞控垂模、MoAgent和农机OS等技术体系。

汽车仍是最直接的应用载体。大会上展示的全维世界引擎CHERY AWE，通过构境、观语、行策等模型，让驾驶系统逐步具备对环境的理解、分析和行为规划能力。灵犀8D智感座舱则通过多模态感知和端侧AI，让车辆根据车内外环境以及用户状态主动提供服务。

规划没有停在汽车上。凌霄eVTOL、具身智能机器人和智能农机代表三个应用要求不同的方向：飞行器要感知飞行环境并完成复杂控制任务，机器人要理解人的指令并与真实物体和环境交互，智能农机要在复杂田间环境中完成识别、路径规划和自主作业。

硬件结构和使用场景差异很大，相通的技术需求却不少——环境感知、任务理解、决策规划、动作执行。这正是奇瑞布局共同AI技术底座的原因。过去开发不同类型的智能设备，往往要分别建设算法和软件体系；如果部分基础能力能跨产品复用，就有机会减少重复开发、提高新产品研发效率。当然，汽车、航空器和农业机械对实时控制、安全性及环境适应性的要求并不相同，不同领域仍需独立的工程开发与验证。

循环能不能转起来

CheryMind还有一个值得关注的设计：企业端和产品端并非两条完全独立的技术路线。按规划，各类垂直模型在实际应用中积累的新知识和新能力，可以持续回流基础模型，让CheryMind在更多场景中迭代。

制造业务积累的工程知识，可以丰富基础模型对工业场景的理解；智能汽车、机器人等产品在真实环境中产生的数据，也能为相关模型的后续训练提供支持。场景越多，这套体系越有机会形成数据积累、模型优化与业务应用之间的循环。

这一机制能否长期有效，取决于数据治理、模型训练以及不同业务之间的协同水平。跨场景共享知识和能力，还要解决数据标准与适配成本问题。

放进瑶光2035战略里看，CheryMind的意义更清晰。过去几年奇瑞围绕新能源、智能化和全球化布局，此次提出向全球智能科技公司转型，意味着未来业务可能进一步超出传统汽车制造的范围。这样的转型，需要的不仅是更多产品，还有能支撑多种业务的共同技术基础。

奇瑞目前已进入全球130多个国家和地区，建立了覆盖多个区域的研发网络，近五年累计研发投入超过1100亿元。广泛的市场和工程实践，为发展产业AI提供了应用场景和数据积累。

但对一家以汽车制造为核心业务的企业来说，AI战略的最终成果仍要落到经营和产品竞争力上：是否提高了研发和制造效率，智能产品是否形成更好的用户体验，跨领域的技术投入能否转化为稳定业务。从2026年的技术发布到2035年的战略目标，奇瑞还有很长一段路要走。