什么是AIDV（AI定义汽车）？

本文约7,880字建议收藏阅读作 者 | aFakeProgramer出 品 | 汽车电子与软件引言AI 不再只是功能而是“系统的主人”2020年初当保时捷Taycan Turbo S与特斯拉Model S Performance在Carwow节目中展开直线竞速时汽车工业界第一次直观感受到了“软件定义汽车”SDV的力量。特斯拉在赛后通过OTA升级增加50马力Model S Performance当时已处于最大功率状态但后续通过OTA优化起步逻辑与扭矩分配进一步释放性能这种“硬件预埋、软件升级”的能力标志着汽车从机械产品向智能终端的根本性转变。然而这场变革只是序曲。2025-2026年汽车产业正在经历一场更深刻的范式转移AI正在从“能力插件”变成“系统控制层”。过去几年行业的共识是“软件定义汽车”但现在这个共识正在被快速改写未来的汽车不是由软件定义而是由AI决策。这不是营销概念而是架构层级的跃迁。当AI开始成为汽车的核心决策单元、协同控制中心与进化引擎整个产业的技术底座、安全体系、商业模式都在被重新定义。注AIDV 1.0阶段AI作为功能插件辅助车辆运行AIDV 2.0阶段AI成为系统决策核心与进化主体实现从“规则响应”到“自主学习”的跨越。01范式跃迁——从“软件控制”到“AI决策”1.1 SDV的本质可编程但不可进化软件定义汽车SDV的核心能力包含四大维度软件可更新OTA、硬件抽象解耦ECU、服务化架构SOA、整车操作系统OS与数据驱动。但它有一个根本限制系统行为仍然是“人类预定义的规则集合”。哪怕再复杂SDV的本质仍是if (condition) → action这种基于规则的架构决定了SDV存在三个根本性局限第一无法真正适应长尾场景。根据2025年麦肯锡自动驾驶研究报告传统自动驾驶系统只能覆盖约95%的常规驾驶场景而剩余的5%“长尾场景”如极端天气、罕见交通参与者行为、突发道路状况需要海量的人工规则编写且效果有限。第二无法自我优化。SDV系统的性能提升完全依赖工程师的OTA更新系统本身不具备从数据中自主学习、迭代进化的能力。这意味着每一次性能提升都需要人工介入效率低下且成本高昂。第三无法跨域协同决策。在SDV架构下智能座舱、智能驾驶、智能底盘、智能动力等域控制器各自为政缺乏统一的智能决策中心。当用户说“我有点冷”时座舱系统只能调高空调温度而无法协同底盘系统调整座椅加热、协同动力系统优化能量分配。1.2 AIDV的本质从“规则系统”到“学习系统”AI定义汽车AIDV带来的不是功能增强而是控制权从规则向模型的根本转移。这种转移体现在四个核心维度决策方式的转变在AIDV架构下系统不再依赖预设的if-then规则而是通过神经网络模型直接从数据中学习驾驶策略。特斯拉FSD v12的端到端架构就是典型代表系统输入摄像头数据输出转向、加速、制动信号采用“端到端为主、规则安全兜底”的混合架构。系统演化能力的质变AIDV系统具备持续学习能力能够从每一次驾驶经历中提取经验优化自身行为。理想汽车在2025年推出的“影子模式”系统能够在车辆正常行驶时并行运行AI模型对比人类驾驶员决策与AI决策的差异自动标注有价值场景实现模型的持续迭代。架构核心的重构在SDV时代操作系统是架构的核心而在AIDV时代AI模型成为架构的核心。长安汽车的SDA天枢架构将智驾、座舱、底盘、车身等六域接入一颗中央计算平台形成“毫秒级”全域协同其核心就是统一的AI决策中心。用户体验的升维AIDV系统能够提供主动式、个性化的服务。吉利在Flyme Auto 2上推出的Eva智能体能够理解“给小朋友买礼物”这样的抽象需求自动解析为“搜索附近玩具店”并根据用户的历史偏好推荐具体店铺。一句话总结SDV是“可编程机器”AIDV是“会成长的系统”。1.3 关键拐点端到端模型开始“工程化”过去两年最大的变化不是模型理论的突破而是端到端模型从Demo走向可量产工程系统。这一转变标志着AIDV从概念阶段进入产业化落地阶段。特斯拉通过FSD V14.2全面推送自动驾驶功能测试者称V14.1.2已解决95%的驾驶问题疯狂麦克斯模式能更灵活应对拥堵路况马斯克确认14.2版本用于广泛使用。其核心变化是大幅弱化规则引擎采用“端到端为主、规则兜底”的架构。这一转变带来了三个显著变化第一系统行为更加拟人化驾驶风格更接近人类驾驶员第二系统能够处理更多长尾场景如施工区域、临时交通管制等第三开发效率大幅提升模型迭代周期从数月缩短至数周。中国玩家的快速跟进截至2026年3月小鹏汽车XNGP最新版本为XNGP 7.0该系统延续“端到端VLM视觉语言模型”核心技术框架在原有基础上优化了无图智能驾驶的场景适配性实现了全国范围更精准、更流畅的无图通行。华为ADS最新版本为ADS 4.0该版本升级了“BEVOccupancyGOD通用障碍物检测”感知架构结合VLM强化场景理解能力在复杂城市道路、极端天气场景中展现出更强大的环境感知与决策能力。工程化挑战的逐步攻克端到端模型的量产落地面临三大工程挑战算力需求、实时性保证、安全验证。行业正在通过模型轻量化如知识蒸馏、量化压缩、硬件加速专用NPU、确定性调度等技术手段逐步解决这些问题。英伟达的Drive Thor平台提供2000TOPS的算力专门为端到端模型的车端部署优化高通的Snapdragon Ride Flex平台则通过异构计算架构平衡性能与功耗。02AIDV的真实技术底座(不是PPT架构2.1 架构升级从“域控制器”到“AI计算中心”当前主流电子电气架构正在从域集中式向中央计算式演进其核心目标是为AI模型提供“统一控制入口”。需明确的是中央计算EE架构是硬件集中化的体现AIDV是决策范式的变化二者不能直接划等号部分中央计算架构车辆仍采用规则SOA模式并未进入AIDV阶段。架构演进路径分布式ECU2010年前 → 域集中式2021年前后 → 中央计算区域控制2025年后中央计算平台的关键特征算力集中化单芯片算力从100TOPS向1000TOPS迈进为多模态大模型提供充足算力网络高速化主干网络从CAN总线升级至千兆/万兆以太网满足海量数据传输需求软件平台化整车操作系统如特斯拉FSD OS、华为鸿蒙座舱成为AI模型的运行载体实际案例蔚来汽车的“天枢智能驾驶平台”与“SkyOS整车操作系统”协同采用中央超算平台Adam连接四个区域控制器实现全车算力资源的统一调度这种架构使蔚来能够将智能驾驶、智能座舱、车辆控制等任务统一由AI模型决策实现真正的跨域协同。2.2 数据闭环真正的护城河很多人还在讨论芯片算力其实行业已经形成共识真正的壁垒不是算力而是数据闭环能力。完整的数据闭环链路车端采集 → 云端训练 → 模型迭代 → OTA部署 → 车端验证 → 再采集数据质量成为竞争关键特斯拉拥有超过1000万辆搭载FSD硬件的车辆每天收集数十亿帧视频数据这种数据规模和质量是其他车企难以企及的。小鹏汽车通过“影子模式”收集中国特有的交通场景数据如电动车乱穿马路、行人闯红灯等形成了本土化的数据优势。高效数据标注体系传统人工标注成本高、效率低无法满足大模型训练需求。行业正在转向自动化标注技术4D自动标注利用时序信息实现连续帧关联与运动状态估计并非简单生成3D边界框和运动轨迹大模型辅助标注使用视觉大模型预标注人工只需审核修正合成数据生成通过仿真引擎生成极端场景数据弥补真实数据不足场景覆盖的全面性智能驾驶系统需要覆盖各种极端场景包括恶劣天气、复杂光照、罕见交通参与者等。华为与赛力斯合作构建的“极端天气数字实验室”能够模拟冻雨、团雾等气象条件生成复杂交通参与者行为模型显著提升算法迭代效率注“迭代速度提升400%”为企业PR口径此处弱化量化表述突出技术价值。2.3 大模型的“去泡沫化”2024-2025年大模型概念火热但到了2026年出现一个明显趋势从“通用模型幻想”转向“垂域模型落地”。汽车领域实际落地的是三类专用模型第一视觉模型感知。基于Transformer的BEV鸟瞰视角感知模型已成为行业标配。小鹏的XNet、华为的GOD2.0、理想的Occupancy Network都在此基础上发展。这些模型能够将多摄像头输入统一到BEV空间实现精准的环境感知。第二规划模型决策。端到端规划模型正在取代传统的规则引擎。特斯拉的FSD v12、小鹏的XPlanner、华为的PDP预测决策规划都采用神经网络直接输出驾驶轨迹。这些模型通过海量驾驶数据学习人类驾驶员的决策逻辑实现更拟人、更安全的驾驶行为。第三多模态交互模型座舱。座舱大模型正在从简单的语音助手进化为全场景智能伙伴。DeepSeek、通义千问等模型经过轻量化后部署到车端能够实现多轮对话、上下文理解、情感识别等高级功能。模型轻量化技术的成熟。大模型车端部署面临算力、内存、功耗三大挑战。行业通过多种技术手段解决知识蒸馏将大模型的知识迁移到小模型如小鹏将720亿参数模型蒸馏为70亿参数混合量化对不同层采用不同精度平衡精度与效率动态推理根据场景复杂度动态调整模型计算量03一个被严重低估的问题——系统性风险3.1 AI正在打破“确定性系统”传统汽车是确定性系统Deterministic System其行为完全由预设的物理定律和工程规则决定。但AIDV是概率系统Probabilistic System其行为由训练数据和模型参数共同决定存在固有的不确定性。功能安全体系的架构性冲击。ISO 26262功能安全标准并非仅建立在确定性系统假设之上也不排斥概率系统只是目前缺乏针对神经网络NN的成熟落地流程。当前行业普遍采用“ISO/TS 5083AI功能安全 ISO 26262”的组合方案二者互补而非对立。但AI模型本质上是黑盒其决策过程难以解释输出存在概率分布仍对功能安全的落地带来挑战。实际案例紧急制动系统的差异。传统AEB系统基于规则当雷达检测到前方障碍物且距离小于阈值时触发制动。这个过程完全确定可验证。而基于AI的AEB系统通过神经网络判断是否应该制动同一场景下可能产生不同决策难以通过传统的测试方法验证其安全性。行业应对策略为缓解这一矛盾行业正在探索多种技术路径可解释AIXAI通过可视化、特征重要性分析等方法解释模型决策安全边界设定为AI系统设定保守的行为边界确保在最坏情况下也不违反安全原则混合架构关键安全功能仍采用传统确定性系统非关键功能使用AI系统3.2 集中式架构带来的新风险中央计算平台虽然带来了效率提升但也引入了新的系统性风险。单点故障风险放大在分布式架构中单个ECU故障只影响局部功能而在中央计算架构中主芯片故障可能导致整车瘫痪。这对芯片的可靠性提出了极高要求需要达到ASIL-D级别的功能安全等级。资源竞争与实时性挑战中央计算平台需要同时处理智能驾驶、智能座舱、车身控制等多种任务这些任务对实时性的要求不同智能驾驶需要毫秒级响应座舱交互需要百毫秒级响应娱乐系统可以接受秒级延迟。如何在同一硬件平台上保证关键任务的实时性是巨大的技术挑战。确定性调度技术的应用为应对实时性挑战行业正在引入时间敏感网络TSN和确定性调度技术TSN网络为不同优先级的数据流分配固定的时间槽保证高优先级数据的实时传输确定性调度器为不同任务分配固定的计算时间和内存带宽避免资源竞争硬件虚拟化通过虚拟化技术隔离不同任务防止相互干扰热管理与功耗挑战。中央计算芯片功耗可达数百瓦产生的热量需要高效散发。液冷散热系统成为高端车型的标配但增加了成本和复杂性。动态功耗管理技术根据任务负载动态调整芯片频率和电压平衡性能与功耗。3.3 黑盒决策的合规挑战欧洲特别明显欧盟AI法案EU AI Act于2024年正式通过2026年正式生效对高风险AI系统提出了严格的可解释性要求其中针对L3/L4自动驾驶的可解释要求、审计要求仍在细则制定阶段过渡期至2030年。这对采用端到端模型的智能驾驶系统构成了重大合规挑战。欧盟AI法案的核心要求1) 可解释性义务高风险AI系统的决策必须能够被人类理解2) 数据溯源要求训练数据的来源、质量、偏见情况必须可追溯3) 第三方审计必须通过独立第三方的安全与合规审计4) 持续监控部署后需要持续监控系统性能和安全状况端到端模型的解释困境端到端模型从传感器数据直接输出控制信号中间没有可解释的中间表示。当系统做出错误决策时工程师难以定位问题根源是感知错误规划错误还是控制错误行业正在尝试的解决方案第一可视化决策路径VLM。通过视觉语言模型生成决策过程的自然语言描述如“检测到前方车辆刹车灯亮起预测其将减速因此本车也准备减速”。这种方法虽然不能完全解释神经网络的内部工作机制但能为用户和监管机构提供直观的决策依据。第二数据溯源技术。通过区块链记录训练数据的来源、标注过程、质量评估结果建立完整的数据溯源链。元数据标注技术为每一个训练样本添加丰富的上下文信息如采集时间、地点、天气条件、场景类型等。第三影子模式验证。在量产车上并行运行新旧两个模型对比它们的决策差异收集边界案例。这种“人在环”的验证方式能够在真实世界中测试模型的安全性弥补仿真测试的不足。第四安全护栏设计。在AI系统外围设置基于规则的安全监控器当AI决策可能违反安全原则时安全监控器可以干预或接管。这种“AI规则”的混合架构既保留了AI的灵活性又确保了系统的安全性。对中国车企出海的特别影响中国智能驾驶企业想要进入欧洲市场必须从产品设计阶段就考虑欧盟合规要求。这需要在技术架构、开发流程、测试验证等方面进行全面调整增加了研发成本和市场准入难度。04产业结构正在重新洗牌4.1 Tier1的位置正在被削弱传统的汽车供应链是金字塔结构Tier2提供零部件Tier1进行系统集成OEM进行整车集成。但在AIDV时代这种结构正在被打破。供应链权力转移。在SDV时代软件定义权开始从Tier1向OEM转移在AIDV时代AI定义权进一步向OEM集中。OEM不再满足于集成Tier1提供的黑盒系统而是要掌控核心的AI算法和数据。Tier1的转型压力。传统Tier1如博世、大陆、安波福等面临双重挑战一方面需要向软件和AI能力转型另一方面要应对OEM垂直整合的压力。许多Tier1选择与科技公司合作或收购AI初创公司来弥补能力缺口。新的合作模式OEM与供应商的关系从传统的“采购-供应”模式转向“合作-共创”模式。华为的HI模式、百度的Apollo模式、Momenta的飞轮模式都是这种新关系的体现科技公司提供全栈解决方案OEM负责集成和品牌运营。4.2 云厂商成为“新Tier0”云服务商和AI平台公司正在成为汽车产业链的新关键玩家它们不造车但在“控制智能”。云厂商提供的核心价值1) 算力即服务提供弹性、可扩展的训练和推理算力2) 平台即服务提供完整的AI开发、训练、部署平台3) 数据即服务提供数据存储、管理、标注、合成服务火山引擎的汽车生态布局。2025年上海车展超过80%的参展车企都是火山引擎的合作伙伴包括蔚来、理想、小鹏等新势力一汽、长安等传统车企以及宝马、奥迪、大众等外资品牌。火山引擎提供从智能座舱、智能驾驶到企业数字化转型的全栈解决方案。华为的“平台生态”战略。华为通过MDC计算平台、鸿蒙座舱、ADS智能驾驶、车云服务等构建了完整的智能汽车解决方案生态。赛力斯、奇瑞、江淮等车企选择与华为深度合作将智能化的核心能力交给华为。竞争格局的变化。云厂商之间的竞争正在从基础设施竞争转向行业解决方案竞争。谁能提供更贴合汽车行业需求的AI平台谁就能在智能汽车时代占据有利位置。4.3 OEM分化两条路线面对智能化转型不同车企选择了不同的战略路径这些选择将决定它们在未来产业格局中的位置。路线A全栈自研特斯拉/部分中国车企选择全栈自研的车企通常具备以下特征技术积累深厚在软件、算法、芯片等领域有长期投入资金实力雄厚能够承受高昂的研发投入和长周期回报组织文化适配具备互联网公司的敏捷开发文化和工程师文化特斯拉的全栈自研体系芯片自研FSD芯片专为神经网络推理优化算法自研FSD端到端系统端到端为主、规则兜底掌握核心AI算法数据拥有全球最大的真实世界驾驶数据集软件自研整车操作系统实现软硬件深度协同小鹏的垂直整合小鹏自研XNet感知算法、XPlanner规划算法、XBrain决策算法同时投资芯片公司布局算力基础设施。这种深度自研使小鹏在智能驾驶技术上保持领先。路线B生态整合多数传统OEM选择生态整合的车企通常基于以下考虑资源有限无法承担全栈自研的高昂成本时间紧迫需要快速推出智能化产品应对竞争风险控制希望通过合作分散技术风险传统OEM的典型做法与科技公司合作如奔驰与火山引擎合作智能座舱宝马与高通合作智能驾驶投资初创企业通过资本手段获取技术能力建立技术联盟多家车企联合投资技术公司共享研发成果两条路线的优劣对比全栈自研上限高、差异化强但投入大、风险高生态整合上市快、成本可控但同质化严重、依赖供应商中间路线的探索一些车企选择“核心自研外围合作”的中间路线在关键领域如智能驾驶算法保持自研在非关键领域如座舱生态与合作伙伴共建。这种模式试图平衡控制权与效率。05AIDV的真正终局5.1 汽车将成为“具身智能体”在AI加持下具身智能、飞行汽车、人形机器人正在成为车企2026年发力的“新三样”。未来的汽车将不再是被动的交通工具而是具备感知、决策、执行、学习能力的“具身智能体”。需明确的是单车具身智能是基础车路云协同是规模上限二者协同才能实现全场景智能驾驶的终极目标。具身智能体的四大特征第一多模态感知能力。汽车将通过摄像头、雷达、激光雷达、麦克风、生物传感器等多种传感器融合感知环境。视觉语言模型VLM使汽车能够理解交通标志的文字含义、识别施工告示牌的内容、解读交警的手势指挥。第二自主决策能力。基于大模型的决策系统能够处理复杂的驾驶场景如无保护左转、环岛通行、施工区绕行等。系统不仅考虑安全性还考虑舒适性、效率、能耗等多重目标。第三精准执行能力。线控底盘技术为AI决策提供精准的执行载体。线控转向、线控制动、线控悬架能够毫秒级响应AI的指令实现比人类驾驶员更平滑、更精准的车辆控制。第四持续学习能力。通过数据闭环汽车能够在全生命周期中持续进化。每一次OTA更新都带来能力的提升车辆越用越聪明越用越贴合车主习惯。智能体的交互进化。未来的汽车智能体将具备深度的人机交互能力情感识别通过面部表情、语音语调、驾驶行为识别用户情绪个性化适应学习用户的驾驶习惯、音乐偏好、空调设置等主动服务根据上下文主动提供建议如“检测到您经常在周五下班后去健身房已为您规划路线并预约车位”5.2 车路云协同或是最终形态单车智能存在物理上限传感器感知距离有限、计算资源有限、信息维度有限。要实现真正的全场景智能驾驶必须走向车路云协同。车路云协同的三层架构第一层车端智能。车辆具备完整的感知、决策、执行能力能够独立处理大多数驾驶场景。这是智能驾驶的基础能力。第二层路侧智能。通过路侧单元RSU部署摄像头、雷达等传感器弥补车端传感器的盲区。路侧单元可以检测交叉路口的行人、识别交通信号状态、监控道路施工情况并将这些信息实时广播给车辆。第三层云端智能。云端汇聚全域交通数据进行宏观交通流优化、异常事件预警、协同决策调度。云端可以分析整个区域的交通状况为每一辆车提供最优的路径规划。实际应用案例百度Apollo在长沙部署的车路协同系统通过路侧传感器提前200米感知交叉路口情况在特定路口/场景下将智能驾驶的事故率显著降低。华为与深圳合作建设的“智慧道路”通过路侧单元实现信号灯状态推送、盲区预警、特殊车辆优先通行等功能。通信技术的支撑5G-V2X和C-V2X技术为车路云协同提供低延迟、高可靠的通信保障。3GPP R16和R17标准专门为车联网优化支持毫秒级延迟和99.999%的可靠性满足智能驾驶的严苛要求。商业模式创新车路云协同需要巨大的基础设施投资这催生了新的商业模式政府投资建设作为新型基础设施由政府主导投资公私合作PPP政府与企业共同投资、共享收益服务收费模式向使用服务的车辆收取订阅费5.3 商业模式的根本变化AIDV不仅改变产品更改变商业模式。未来的汽车收入结构将发生根本性变化。收入结构重构麦肯锡预测基于其2025年智能汽车产业预测模型到2030年汽车行业的收入结构将变为硬件销售40%包括车辆本体、基础配置软件订阅40%包括智能驾驶、智能座舱、性能升级等软件服务生态服务20%包括保险、充电、维修、内容等增值服务软件订阅的三种模式第一功能订阅。用户按需订阅特定功能如高级智能驾驶、座椅加热、性能模式等。特斯拉的FSD订阅费为199美元/月预计到2026年将贡献超过50亿美元的年度经常性收入。第二服务订阅。用户订阅持续的服务如OTA更新、数据服务、远程诊断等。蔚来的NIO Service提供全方位的用车服务包括保养、维修、充电、保险等月费约1000元。第三内容订阅。用户订阅娱乐内容、办公工具、生活服务等。理想汽车与爱奇艺、腾讯视频、网易云音乐等内容提供商合作提供车载娱乐内容订阅。数据变现的探索。车辆产生的数据具有巨大价值包括驾驶数据、位置数据、用户行为数据等。在确保隐私和安全的前提下这些数据可以用于产品改进优化算法、改进设计保险定价基于驾驶行为提供个性化保险城市管理为交通规划、道路建设提供数据支持挑战与应对。软件订阅模式面临用户接受度、价值感知、竞争压力等挑战。车企需要通过持续的功能更新、优质的用户体验、合理的定价策略来培养用户的订阅习惯。06结语这不是升级而是“权利转移”从SDV到AIDV本质不是技术演进而是控制权从“人类工程师”转移到“AI模型”。这种权力转移正在引发汽车产业的深刻变革。第一工程范式被重写汽车开发从基于规则的工程范式转向基于数据的科学范式。工程师的角色从“规则编写者”转变为“数据科学家”和“模型训练师”。开发流程从“设计-测试-迭代”的线性流程转变为“数据收集-模型训练-部署验证”的闭环流程。第二产业结构被重构传统的金字塔供应链正在瓦解新的产业生态正在形成。OEM、科技公司、云服务商、算法公司、芯片厂商之间的关系变得复杂而动态。合作与竞争并存整合与分化同在。第三风险模型被颠覆确定性系统的安全保证方法不再完全适用概率性系统的安全验证成为全新课题。功能安全、预期功能安全、网络安全、数据安全、伦理安全等多重安全挑战交织在一起需要全新的方法论和工具链目前行业主要通过ISO/TS 5083ISO 26262组合应对。第四用户体验被重新定义汽车从“交通工具”变为“智能伙伴”从“硬件产品”变为“服务入口”。用户与汽车的关系从拥有和使用变为互动和共生。未来三年的关键窗口期。2026-2028年是AIDV落地的关键窗口期。车企需要在技术路线、组织能力、生态合作、商业模式等方面做出战略选择。选择正确的路径可能赢得下一个十年的竞争优势选择错误的路径可能被时代淘汰。最终技术服务于人。在追求技术先进性的同时我们必须牢记AIDV的最终目标不是取代人类而是增强人类。更安全的驾驶、更舒适的出行、更高效的交通、更可持续的环境——这才是智能汽车革命的真正意义。当AI成为汽车的核心决策单元人类并没有失去控制而是获得了更强大的工具。关键在于我们如何设计、如何治理、如何使用这个工具。这不仅是技术问题更是社会问题、伦理问题、哲学问题。AIDV的时代已经到来而我们正是这个时代的塑造者。参考链接[1] https://www.eet-china.com/mp/a385440.html[2] https://mp.weixin.qq.com/s/uFiiO_TMHR4T965hhQmfmg[3] https://auto.jgvogel.cn/c1498057.shtml[4] https://mp.weixin.qq.com/s/B3MSLcS_iLwnzbbqUmMgiQ[5] https://mp.weixin.qq.com/s/AEYtZkT92A_g2f7V5yyJWQ[6] https://www.nio.cn/smart-technology/20251009001[7] https://mp.weixin.qq.com/s/rC4PtG_DMdZC5f83aY2d1A[8] https://mp.weixin.qq.com/s/ya9MWv_ppz99NzT2MjiAnA[9] https://mp.weixin.qq.com/s/dqhd7xUcmI0r7gM4aNgi2A?scene1[10] AI 时代的汽车行业.pdf[11] https://mp.weixin.qq.com/s/7PWj3gUVS0WF3NAmDicKjw[12] https://baijiahao.baidu.com/s?id1844586118447590524wfrspiderforpc欢迎加入智能交通技术群扫码进入。扫描加入免费的「智慧城市之智慧交通」知识星球可了解更多行业资讯和资料。联系方式微信号18515441838