聚焦智能化、电动化、AI及车路云协同，汽车行业专家如是说

近日，中国电动汽车百人会（2025）论坛在京成功召开，来自汽车行业的重磅嘉宾围绕智能化、电动化、人工智能、车路云协同等热门话题分享了他们的真知灼见，编辑部选取部分精彩内容，以飨读者。 PART.01 巩固电动化基础的具体举措 当前，全球汽车产业处于深度变革与格局重塑的关键时期，电动化和智能化是这场变革的两大核心要点。 中国电动汽车百人会理事长陈清泰指出，在汽车变革上半场的电动化进程中，我国积极布局、换道先行。2009年，我国将新能源汽车提升至国家战略高度；2011年，在部分国内外人士仍持怀疑观望态度时，我国果断启动新能源汽车产业化。经过多年实践验证，我们所选择的技术路线切实可行，政策实施的时机把握恰当。至今，我国在新能源汽车领域已取得举世瞩目的成就，赢得国际社会广泛认可。 作为全球规模最大的制造业之一，汽车产业的颠覆性变革来临之际，我国新能源汽车能够跻身世界前列，充分彰显了我国科技与制造业发展达到新的水平。 在政府补贴全面退出的背景下，2024年我国新能源汽车年产销量成功突破千万辆，标志着我国新能源汽车已步入市场驱动的稳定发展阶段。这一成绩的取得殊为不易，为进一步夯实和巩固这一基础，我们必须保持戒骄戒躁的态度，采取以下举措： 其一，坚定不移地坚持发展新能源汽车的国家战略，持续强化顶层规划指引，稳定生产与消费等各方面的预期；其二，充分发挥科技创新的核心作用，尤其要加快全固态电池的研发及产业化步伐；其三，持续完善充电设施、金融保险、维护维修、二手车交易、电池回收再利用等服务体系；其四，加速推进新能源汽车与清洁能源的对接，切实发挥电动汽车在碳减排方面的作用；其五，同步构建完善 “走出去” 与 “引进来” 的服务支撑体系。 PART.02 智能化领域的现状与推进 陈清泰指出，汽车变革的下半场是智能化，这也是我们下一步需要重点攻克的难题。事实上，我国汽车智能化的发展速度远超行业预期。2024年上半年，我国L2及以上辅助驾驶乘用车新车渗透率已超55%。预计未来几年，基础智能化功能将在新售出的乘用车中全面普及。可以说，汽车产品的科技性与智能属性已经越来越强。 进入这一发展阶段，新一代通信技术、消费电子、互联网、人工智能等跨界技术与汽车行业的融合愈发深入，边界逐渐模糊。特别是以大模型为代表的前沿AI技术，正迅速向新能源汽车领域渗透，以强大的驱动力推动汽车产品加速智能化，汽车产品、企业及产业正被AI重新定义，AI驱动将成为未来车企的底层竞争力。 然而，“隔行如隔山”，面对如此大跨度的高新技术群，汽车制造企业独行单干将面临诸多困难。跨界融合、协同创新才是通往成功的捷径。目前，全球各大车企、零部件企业、科技公司均加大研发投入，积极布局以智能驾驶和智能座舱为代表的智能化装置。汽车产业技术创新、产业发展的支点以及竞争焦点正逐步向智能化转移。 为进一步推动智能化发展，我们还需做好以下工作：其一，加强顶层设计，尤其是针对更高级别智能驾驶，制定相关制度安排与标准法规；其二，我国在网联化、智能化方面具备良好技术基础与较强产业化实力，应打破不同行业、主体间的界限，构建跨界融合的新生态；其三，大力推动芯片及操作系统等关键技术的研发和产业链的形成，完善数据、算力、路侧设施等新型基础设施建设。 PART.03 无人驾驶的DeepSeek时刻 清华大学智能产业研究院（AIR）张亚勤院士发表主题演讲《无人驾驶的一些观点》，他表示，无人驾驶是人工智能的一个关键应用领域，可以说，没有人工智能，就没有无人驾驶，AI是无人驾驶领域最为核心的技术。 在发展过程中，无人驾驶面临着诸多挑战，像安全性、实时性等问题，它还集成了各种复杂难题。一旦解决了无人驾驶，尤其是复杂城市环境下的大规模无人驾驶问题，许多相关难题也会随之迎刃而解。无人驾驶实现过程中需要关注的关键问题，既涉及市场因素，也包含非市场因素。市场因素涵盖技术可行性、真实的用户需求、产业生态及商业模式等方面。 首先，技术可行性是至关重要的一点。无人驾驶究竟是遥不可及的梦想，还是能够成为现实的技术？在技术路线选择上，是以视觉技术为主，还是采用多模态技术？是端到端的架构，还是需要运用大量强化学习算法？是否依赖高精地图等，这些都是需要深入探讨的技术路线问题。 其次，关于如何实现无人驾驶也存在诸多讨论。比如，是依靠车路协同技术，还是侧重于单车智能？是采取渐进式发展，从L2、L3逐步过渡到L4，还是直接迈向L4阶段？是选择开源模式，还是闭源模式？在竞争格局中，究竟是传统汽车制造商更具优势，还是新兴的造车新势力，亦或是高科技公司能够脱颖而出？此外，政策、法规、伦理、隐私、保险等非人为因素，这些也在很大程度上影响着无人驾驶的发展。 从全球布局来看，无人驾驶领域呈现出积极拓展的态势。例如，Waymo计划进入东京市场，百度将业务拓展到香港和中东地区，文远和小马也在中东开展相关布局。 如果Waymo在美国的业务顺利推进，百度在中国武汉的运营持续向好，文远、小马等企业也稳步发展，那么今年或许就能迎来无人驾驶领域的ChatGPT时刻。然而，要实现无人驾驶的大规模普及，还需要更长的时间。预计到2030年，10%的新车将具备L4级无人驾驶能力，那时，我们可以称之为无人驾驶的DeepSeek时刻来临。 PART.04 车路云协同的关键在于数据 中国工程院院士邬贺铨表示，智能交通主要以单车智能作为基本单元，并融合了车联网技术。在复杂路口、恶劣天气、交通标志不清等情况下，单车智能难以发挥作用。此外，单车的雷达距离有限，存在视觉盲区，且配备激光雷达成本较高，仅依靠单车智能难以具备大局观，而车路云协同能够实现全天候运行，可简化对车载传感器和雷达的要求，实现全局性感知，并将周边车辆和道路状况反馈至汽车，同时有利于城市交管部门对全局的掌控。 车路云协同的关键在于数据。不过，当前世界现有的算力水平难以满足智能交通的需求。邬贺铨提出了多项建议，涉及数据处理、智能体应用、网络建设等多方面内容。为车路云一体化发展提供了全面且具有前瞻性的见解。其中，面对海量数据处理和算力要求，未来在自动驾驶领域也应更加关注算力的压缩。 对于智能交通而言，每辆车至少需保留1GB的数据，以图像数据为例，约为1亿的token时延。在L4级别下，数据量可减少至20%～30%，L3级别可减少至10%～20%，即便在L3级别，数据量仍高达1亿EB，不仅成本高昂，且难以获取城市中极端的长尾场景数据。 目前大部分交通数据中，仅有1%来自真实道路，90%来自封闭道路，90%为仿真数据。为解决数据不足的问题，可以借助人工智能技术，通过改变光照、视觉、材质，添加人为噪声、障碍等方式变换场景，生成更多数据。 交通数据标注需要一定的专业知识，标注成本较高，故而需要开发基于人工智能技术的标注方法来替代人工标注。但完全依赖人工智能生成数据存在弊端，因为人工智能的数据不断迭代，最终可能导致数据失效，因此原始数据至少应保留10%～20%。 每个城市建设的车联网城市云平台所需的算力因智能驾驶程度而异。同时，具体算力需求取决于城市云所支持的车辆数量，另外车端同样需要相应的算力。