"座舱里问餐厅推荐，答案不同无所谓；但汽车诊断过程中，AI 必须保证确定性正确。"
9 月 17 日，在 2026 第四届 AI 定义汽车论坛上，SONATUS 联合创始人兼首席技术官方宇表示，当前行业讨论 AI 定义汽车，关注点更多集中在智能驾驶和人机交互，但真正的 AI 原生汽车还缺少"另一半"——让同一套智能能力贯穿研发、测试、生产到售后的整个生命周期。
在方宇看来，传统汽车开发流程的一个核心问题，是信息被切割在不同部门、不同工具和不同数据体系中。研发、测试、生产和售后各自拥有自己的软件、数据库和工作流，大量知识散落在源代码、模型、Jira、历史测试记录以及车辆数据中，很难顺畅流转。
"表面上看是技术选择的问题，但根源在于人本身的局限性。"方宇解释，一个人能够理解和处理的信息有限，时间同样有限，因此很难把一个环节积累的全部知识完整整理并传递给下一个团队。
AI 提供了另一种可能。如果将研发资料、测试数据、历史记录和车辆数据连接起来，AI 可以跨越不同工具理解和关联信息，并进一步辅助生成问题分析、测试用例以及可能的解决方案。
方宇提到，在日产技术中心的实际应用案例中，通过将研发阶段信息与车辆测试数据结合，并利用 AI 进行分析，工程师定位车辆故障的调查时间由过去约两周缩短至两天。
这种信息流动也不应该是单向的。研发阶段积累的信息可以向后传递，帮助测试团队制定更有针对性的测试方案，也可以服务于生产线 End-of-Line 测试和售后诊断；反过来，售后发现的批量共性问题，也应该迅速反馈至研发体系。
SONATUS 目前推出的 Fastlane 系列产品正围绕这一思路展开，包括负责车辆数据采集的 Fastlane Collector、承担车端边缘计算的 Fastlane Edge，以及在云端利用 AI Agent 进行分析的 Fastlane Insight。三款产品既可以独立使用，也可以组合形成"观察—分析—行动"的持续循环。
不过，方宇强调，AI 并不意味着将全部车辆原始数据直接交给大模型。车端首先需要具备灵活的数据采集和处理能力，从海量原始数据中提炼出有价值的信息，再交给 AI 进一步分析。同时，在汽车诊断、安全等场景中，AI 输出还必须具备足够的确定性。
"真正重要的最后还是两件事：时间和风险控制。"
方宇认为，当研发、测试、生产和售后的信息真正被 AI 串联起来，AI 带来的价值将不再局限于车内体验，而是延伸至汽车开发效率、质量控制以及全生命周期成本管理。
易倍策略提示：文章来自网络，不代表本站观点。
