盖斯特研报:AIDV演进趋势预测与企业落地策略建议(3/3)

AIDV落地的策略建议

盖斯特认为，整车企业准确把握AIDV发展趋势，就能在新汽车产业竞争中占据主动。依托AI技术和生态的快速发展，AIDV推进速度将持续加快，发展窗口期较窄，车企需尽早布局。当前汽车产业的核心命题是“如何建立AIDV全新范式”，为此，盖斯特提出整套AIDV落地策略建议：企业需在明确总体原则的基础上，以总体策略为纲，全面推进各项措施，早日建成AIDV发展新范式。

1.总体原则：以“三纵六横”AI应用体系为核心

建立AIDV全新范式的总体原则是：以构建“三纵六横”AI应用体系为核心，推动企业实现全面智能化转型。

具体而言，“三纵”是保障AIDV落地的三个目标，即提升管理力、产品力和创造力；“六横”是AIDV落地的六项关键能力，包括数据、模型和算力等三项基础能力，以及场景、智能体与组织保障等三项应用能力。简而言之，企业需在构建数据、算力及模型能力的前提下，以组织变革为保障，推动智能体在各类场景中广泛应用，最终达成产品力、创造力和管理力全面跃升。

“三纵六横”AI应用体系，其实指向三大核心能力：一是场景的需求定义及转化能力；二是数字基础支撑与AI技术深度开发的能力；三是组织动态适应变革的能力。

需要明确的是，车企拥抱AI，不仅是产品和研发层面的创新，更是业务与管理上的智能化转型。车企需从清晰定义场景需求出发，加速AI与自身业务的深度融合，逐步建立以智能体为主导、组织变革为支撑的新体系，实现持续的价值创造。

2.总体策略：以目标为牵引、五方面协同演进

车企推动AIDV落地的总体策略是——目标牵引、试点切入、储备能力、生态协同及组织变革，以打造“整车超级智能体”为终极目标，采取“渐进式演进 + 因企制宜”的推进策略。具体可从五个方面着手：

第一，产品设计上，以整车智能体为目标，结合品牌特色、用户体验及自身AI能力，定义新汽车产品形态。需创新性定义能够打通多个场景的连续“场景流”，通过“乘数效应”实现产品体验融合。初期可优先以座舱智能体为试点，该方向能力成熟，且投入产出比高，能较快切入。从场景体验角度分步推进，逐步进行复杂智能体组合，积累产品落地经验。

第二，技术能力建设上，重点掌握座舱场景定义、多智能体协同调度、外部生态接口定义的全流程能力；全链路掌控智能体核心技术；做好EEA定义，推动智能体软硬件深度整合、算力适配、交互协议落地；强化芯片跨域融合与模型端侧部署，夯实技术底座。

第三，生态协同层面，聚焦座舱差异化场景的价值创造，并积极参与行业“安卓体系”建设，建立AI生态与投资职能，与座舱智能体研发团队紧密联动，前瞻扫描、评估并引入外部AI能力，提升协同效率。

第四，组织变革支撑上，设立顶层的AI领导与决策机构，以研发变革需求为牵引，整合EEA与软件架构团队，推动EEA、OS与AI的深度融合。同时在工程开发中心内成立跨领域团队，打破部门壁垒。

第五，数据中心建设上，根据产品研发需要，逐步整合原IT、数据、算力等团队，构建AI数智平台中心，强化数据要素化、资产化治理；积极参与行业可信空间建设，推动行业内外数据的联通和可交换。

当前，AIDV发展方向已经明确，不同车企推进节奏虽有差异，但均需启动相关能力储备，从自身积累最深厚、需求最明确的方向打造智能体，并逐步吸收、融合、拓展能力边界，为AIDV全面落地奠定基础。

3.产品规划与开发能力建设：以整车全域智能体化为目标

AIDV产品规划重点，是整车形态向智能体演进，通过各域级功能应用边界逐渐模糊，最终实现“整车全域智能体化”。为此，需打造“主智能体 + 垂域智能体”的协同架构，让产品做到“服务找人、自主思考”。

车企需重点培育三种核心能力：一是智能体规划、定义与设计能力，包括规划智能体的体验目标、定义智能体的形态与能力边界、设计智能体的功能融合与服务调用；二是整车AI应用开发底座能力，通过形成AIDV开发架构，为AI应用开发与运行提供全方位的支持。包括构建智能体开发框架，面向智能体业务逻辑与工作流设计。实现AI三要素（数据、模型、算力）的系统级封装，以供智能体开发调用。以及整车应用开发框架，支持快速SOA，提供更多通用接口；三是AI硬件创新与标准化能力，包括推动传统硬件标准化、设计AI原生硬件，以及创新复用、挖掘硬件价值，以支撑AI高效运行。

AIDV产品规划与开发能力建设的基本原则是：底座稳且可靠，上层应用开发速度快。这一原则要求车企在筑牢技术底座、保障运行稳定的基础上，加速应用层的创新迭代，以快速响应市场需求与用户体验升级诉求。

4.研发体系重塑：AI驱动的研发体系革命

从SDV到AIDV，不仅是技术能力的跃迁，更是一场研发体系的革命，意味着要从传统的、相对线性和封闭的研发体系，转向以AI为核心驱动、高度协同开放、高效研发且具备持续进化能力的AI研发体系。

在相对传统的SDV研发体系中，车企基于软硬件解耦，按专业领域进行模块化组织分工；研发流程可拆解，在场景挖掘、定义、分解之后开发完善功能，效率提升依赖人力投入；生态建设以软件和硬件等技术为核心，主要考虑成本、竞争力等因素建立合作关系。

AIDV研发体系的革命，主要体现在以下三个方面：

第一，全新组织分工，强调协同型组织与跨业务部门共创。不仅要实现研发的跨域融合(如舱驾融合），还要跨业务部门共创，研发－生产－销售紧密协同；

第二，流程重塑与模式变革，强调端到端开发闭环，以及基于场景需求的智能体能力设计。包括调用数据与模型、算力动态调度，输出业务价值，并反馈数据进行模型优化；

第三，开放生态建设，打造能力型生态。围绕AI关键资源与能力的互补，例如，智能体服务、算力、模型、数据等，构建开放合作生态。

5.部署能力要求：云、边、端协同联动

AIDV落地的核心部署要求，是构建云、边、端协同的技术体系，支撑AI汽车具备独立学习与自主执行能力，能为用户提供全场景主动服务。该体系要求汽车实现“快思考 + 慢思考 + 局域信息传递”的协同运作，根据不同出行场景需要来动态平衡快慢思考。这意味着端侧算力需进一步强化，同时云、边、端充分发挥各自优势、协同联动，三者缺一不可。

首先，云、边、端应分工明确、各司其职：端侧负责实时性任务，直接完成本地处理，如驾驶员状态识别、语音指令处理、紧急制动辅助等；云侧负责重算力、高复杂度任务，如全局规划、复杂生成类任务、模型训练等，均需依托海量算力与数据池生成最优结果；边侧承担辅助任务，如超视距感知及信息传递等，将外部环境信息及时反馈至车端，拓展端侧感知边界。

根据场景快慢思考的平衡需求，云、边、端的功能分工可进一步细化：端侧优先承载实时决策，需部署千亿级参数模型，算力至少达到2000TOPS；云端重点支撑重资源类需求场景，实现AI能力的持续升级与迭代；边侧重点拓展超视距感知，完成本地数据实时处理与高效传输，打通与云侧、端侧的信息链路。

未来，整车将形成以“端”为决策与执行中心、“云”为能力升级底座、“边”为感知延伸触角的三级协同架构。现阶段，企业需同步推进端侧模型能力部署，深化三级协同架构的能力储备，在保障用车场景实时性、安全性的基础上，最大化释放分布式算力效能，进而实现智能体运行效率与用户体验的双重升级。

6.生态分工要求：差异化协同，打造行业的“安卓体系”

AIDV技术体系分为全层级共性技术（模型、数据、算力）和层级专属个性技术（场景智能体、协作中枢架构），需先明确底层与上层技术的分层及发展方向。底层技术聚焦共性技术平台化，前文谈到，技术底座包括整车具身智能大模型、AIOS、中央计算架构等，这部分应稳定高效；上层技术聚焦场景差异化价值创造，包括场景化智能体定义与接入、智能体调度中枢、整车原生 AI 硬件等，满足用户个性化与差异化体验需求。

AIDV技术落地要求上层应用快速迭代、底层技术平台稳定支撑，但是整车企业难以掌握大模型、外部服务生态等全部核心要素，同时面临产品开发高投入与低利润的双重挤压，无法包揽所有工作。因此，车企若想把握AIDV发展先机，必须拥抱开放协同的产业分工。

为此，车企需牵头打造行业“安卓体系”——共性技术研发平台，以实现生态协同，形成“底层开源 + 上层定制”的发展模式。生态中各主体各司其职，在专业分工下优势互补、协同共创。其中，供应商主导通用大模型、算力基础设施等共性技术研发；整车企业聚焦垂类模型、场景化应用开发，打造产品差异化体验；行业组织牵头梳理共性技术标准，建立数据安全共享机制。

盖斯特认为，打造AIDV“安卓体系”，能够有效规避汽车行业重复投入，降低中小车企的准入门槛，实现产业效率与创新活力双提升。当前产业内对协同分工、资源共享的需求迫切性，远远超过SDV时代。

7.组织变革策略：循序渐进，研发变革是核心

在AIDV时代，全新组织形态是以智能体为各主体连接的核心枢纽，以产品智能体为需求牵引，在企业内部构建协同型组织，同时引入外部伙伴生态，形成“内部协同 + 外部联动”的全新产业协作模式。

组织变革的目标，是以用户体验为导向，基于任务流构建由智能体驱动、融合内部协同与外部能力导入的自组织综合智能体。在企业内部，智能体形成任务流智能闭环，精准把握用户需求、生成解决方案、开展预测分析并反哺优化，依托企业级共性AI能力平台，打破研、产、供、销、服各环节的界限，实现高效协同；在企业外部，与生态伙伴建立能力型伙伴关系，整合外部资源与能力，形成内外联动格局，共同赋能用户体验升级。

组织变革无法一蹴而就，推进速度依赖两个因素：一是AI技术成熟度，需从解决特定问题向自进化能力演进；二是企业与AI的融合深度，AI之于企业的关系需从工具到协作者、再到共生体演进。

可以看出，组织变革是“一把手工程”，需要全局统筹资源配置，通过局部探索由点及面落地。当前阶段，企业应聚焦强AI业务场景的突破与资源整合，以业务驱动型组织重构为起点，其中研发组织变革是核心。例如，可优先从整车产品部门切入，抽调研发工程师与AI技术专员，组建造型设计AI专项试点组。同时，应建立企业级AI中台，通过模型平台吸收软件能力、统筹AI应用规划；依托数据中心强化跨场景、跨部门、跨领域的数据贯通，为组织协同提供支撑。

需要强调的是，整车企业的组织变革并非对传统架构的修修补补，而应围绕企业级AI能力重构组织基因，塑造以智能体为主导、数据价值贯通、任务流主导调度、内外协同进化的新型组织形态，为AIDV全面落地提供坚实的组织保障。

8.数据治理战略：标准化、可互通、高价值及全生命周期

AIDV对数据的质量、数量、流通性需求，与SDV存在本质差异，这也决定了数据治理在AIDV落地中的核心战略地位。

SDV时代的数据受预设规则限制，对质量与数量的要求较低，价值随需求结束而快速衰减，生命周期较短，且与场景强耦合，易形成数据孤岛；而AIDV时代的数据对质量和数量的要求显著提升，能够实现在产品全生命周期内持续增值与复用，可与原场景解耦，实现低成本流动和复用，其价值呈现长期放大趋势。

数据竞争力已成为企业在AIDV时代的核心竞争力之一，数据治理的深度与共享广度，直接决定AI落地的质量与效率。单一企业的数据存在先天不足，难以支撑AIDV全场景落地需求，因此必须推动企业间数据共享，特别是整车企业内外数据双通。

对于车企内部，需建立统一的数据标准体系，推动整车与供应链协同，统一数据采集维度、存储格式与标注规范；加大数据工程能力投入，搭建高效数据平台，实现内部全链路数据流通。

对于车企外部，需构建安全合规的共享机制，探索数据脱敏、联邦学习、数据交易等模式，以混合所有制数据湖为保障试点，遵循“死水私有、活水调度”原则，实行数据流通按需计费，实现车企间数据的安全高效交换。

盖斯特认为，数据要素化是一项多维度协同进化的系统工程，企业必须从战略层面进行长周期、系统性、全方位的数据要素化治理，为AIDV落地提供坚实的数据支撑。

总结

综上所述，本轮汽车产业变革的底层逻辑，是AI驱动下生产要素、生产力及生产关系的全方位改变，因此产业变革呈现复杂性、全面性、系统性特征。AIDV作为汽车产业智能化的高阶演进方向，将全面重塑汽车产业结构与运作方式，推动产品形态、技术体系、组织治理、产业生态等全维度价值革新，孕育全新产业发展机遇。企业若想抓住这一时代机遇，必须尽早全方位推动AIDV落地。

然而，从当前SDV向AIDV跨越极具挑战，这不是简单的产品升级或技术迭代，而是全方位、系统性、体系化的范式重构。AIDV落地的终极目标是打造整车超级智能体，其技术架构应围绕具身智能体重构，必须突破产品定义、开发能力、技术架构、组织体系、生态分工、数据支撑等多维度瓶颈。

为此，盖斯特为整车企业制定了整套AIDV落地策略：以“三纵六横”AI应用体系为核心，以最终目标“整车超级智能体”为牵引，先从座舱智能体等成熟场景试点切入，持续夯实技术与研发能力，推动组织和治理体系变革，深化生态分工协同，完善数据治理体系，多方面协同、逐渐演进。企业唯有顺应AI发展规律，立足自身优势，做好技术、人才、生态的全方位能力储备，强化整供协同共创，才能在产业智能化转型的变革中占据主动，实现产业价值与企业竞争力的双重跃升。