当前行业内，AI 在车端智能辅助驾驶、人机交互层面的落地实践已经取得长足进步，但整车全生命周期维度的 AI 价值尚未得到充分挖掘。汽车完整业务链条覆盖概念规划、设计开发、集成验证、测试、生产制造到售后运维多个环节，各环节长期处于知识割裂状态，大量有价值信息停留在局部部门内部，难以跨环节流转复用，这也成为制约整车研发迭代效率、产品质量管控以及售后问题处置能力提升的关键阻碍。借助智能体 AI 技术，打通整车全生命周期的知识双向流动通道，能够有效破解各业务阶段信息孤岛难题，释放 AI 在汽车研发、测试、生产、售后全流程的应用潜力。
2026 年 9 月 17 日，SONATUS 联合创始人兼首席技术官方宇在 2026 第四届 AI 定义汽车论坛上表示，整车知识应当在全生命周期当中完成积累并且实现双向流动，依托统一管理车辆数据、边缘智能与 AI 智能体的工具链，可以打通各个业务阶段的知识壁垒，让知识跨环节流转，而不是停滞在每一个业务交接节点。
方宇丨SONATUS联合创始人兼首席技術官
以下为演讲内容整理：
整车全生命周期的知识孤岛现状
汽车研发制造拥有一套成熟完整的业务流程，从前期概念规划，开展方案设计，推进系统集成，交由测试团队在多元环境下开展验证工作，再进入工厂完成整车生产，最终交付到客户手中开展售后服务，构成整车完整生命周期。现阶段这套流程由不同职能部门分段承接，各个部门都配备专属工具与作业模式，业务开展过程中会生成代码、文档以及各类业务资产，但这些产出物很难便捷流转至下一业务环节进行复用。
测试环节最先感受到信息割裂带来的业务痛点，测试团队并不参与前期设计工作，但开展测试方案制定、整车测试执行，以及定位测试过程中暴露的故障问题，都需要大量来自设计环节的业务信息。当测试过程中出现异常，测试团队需要耗费大量精力追溯问题源头，同时还要把问题信息同步至设计团队，推动问题整改，信息流转不畅拉长了整个故障闭环周期。
信息隔离的问题同样存在于生产环节，整车下线需要执行下线终检工作，确定检测重点、分配检测资源都需要参考前期设计环节的相关信息，但生产端很难直接获取这些前置信息。对于车企而言，售后服务同样面临巨大挑战，一旦车辆出现批量缺陷触发召回，将会对企业形成重大考验。售后部门往往缺少充足的信息支撑，无法快速定位、处置现场故障，也难以高效将现场故障信息反馈至研发部门，无法支撑后续车型迭代规避同类缺陷。
造成上述一系列问题的根源，是整车业务流程被切分为多个独立阶段，不同部门独立开展工作，信息缺少跨环节流通与综合利用的通路。各部门为适配自身业务，持续引入种类繁多的业务系统与工具，企业需要投入大量资源完成系统授权、集成、补丁维护以及人员培训工作，即便投入大量时间成本，业务产出效果依旧不及预期。
各个业务阶段都配备针对性工具，设计部门使用仿真工具，测试部门使用专属测试工具，生产、售后环节同样使用完全差异化的业务工具。工具本身相互独立，工具背后承载的数据与业务信息也处于相互隔离的状态，信息共享实现难度很高。即便部门之间完成信息传递，接收部门想要把外部信息转化为产品功能或者完成产品优化，依旧要经历漫长周期，需要重新开展设计修改、软件迭代等一系列工作。同时工程师群体完整撰写文档的意愿有限，大量业务信息分散存储在源代码、项目管理系统以及其他业务载体当中，无法通过文档完整获取全部需要的业务资料。
业务现状表面上看属于技术选型问题，本质来源于人的客观局限性。人的认知理解能力存在上限，因此行业才会出现岗位专业化分工，同时人的时间资源有限，很难投入无限时间整理完整信息交付下一环节，即便已经识别出业务问题，落地整改也需要消耗可观时间，正是这些客观条件造就当前行业普遍的业务模式。
AI 打破业务壁垒的实现思路
AI 技术可以完成很多人力无法高效完成的工作，以此为基础能够改变整车全生命周期信息割裂的现状。将 AI 部署在现有各类业务工具上层，把工具背后存储的数据、文档以及历史业务记录全部交由 AI 进行处理，依托 AI 不间断的信息处理能力，完成海量信息的读取与解析。
即便底层业务工具保持相互独立，AI 也可以对工具背后的信息完成快速理解、分析与共享。一个团队识别出的业务问题，可以借助 AI 快速同步至其他团队，AI 能够将业务问题快速转化为缺陷修复方案、新增产品功能，同步生成配套测试用例。分散在源代码、各类业务系统内的碎片化信息，对于架构设计完善的 AI 系统而言，同样可以完成解析利用。搭建一套运行在现有业务信息底层的 AI 系统，能够推动信息真正流动起来，让不同部门快速便捷调用跨环节业务信息。
组织架构层面形成的信息交流障碍，无法单纯依靠技术手段消除，这部分内容需要企业管理层进行考量，通过组织调整消除业务交接过程中的壁垒。在统一工具链的框架之下，并不要求替换各个部门正在使用的专业工具，仿真求解器、硬件在环测试台架、下线检测设备、诊断扫描工具都可以继续保留，继续发挥专用工具的业务价值，一体化工具链追求的不是统一全部工具，而是打造一份全业务环节共享的业务记忆。
全生命周期内有四类核心内容需要实现共享，第一类是车辆相关的数据信号、配置信息以及历史记录，整车全部功能的理解、客户使用行为的分析，全部建立在车辆数据之上，车辆数据是跨环节共享的基础。第二类是车辆软件相关内容，包含测试框架、测试用例，都应当支持跨部门复用。第三类是业务工作流，单个部门定义的工作流程，同样可以开放给其他部门，例如研发阶段使用的测试工作流，可以直接供整车集成测试环节调用，不需要重复开发。第四类是业务过程沉淀下来的知识与业务发现，这部分内容必须实现共享。各业务部门可以继续沿用自身习惯的业务工具，核心是完成数据、信息与知识的互通。
借助 AI 系统，可以实现整车全生命周期信息的正向传播与反向传播。正向传播指前端设计信息向下游传递，为测试部门提供参考，帮助测试实现更高针对性、提升测试效率，同时帮助售后部门实现更加精准快速的故障诊断。反向传播是指下游业务环节发现的信息向上回流，当售后端发现批量车辆缺陷，相关信息需要快速反馈至研发团队，支撑产品迭代修改。知识需要跨阶段双向流转，设计意图与预期车辆表现，能够转化为测试判定标准与整车异常基线；故障特征以及触发条件，能够反馈到新版本开发需求与单元测试当中；已经识别的问题特征，可以直接转化为下线检测项；工厂与供应链看到的产品差异，能够拓宽后续项目的测试覆盖范围；市场端故障模式与保修数据，用来优化产品需求与测试方案；开展故障诊断时，可以直接调取车辆完整工程历史信息作为支撑。
SONATUS 已经和日产欧洲技术中心落地相关实践案例，日产整车测试团队在整车验证阶段长期面临故障处置周期过长的难题，测试现场发现故障之后，定位故障根源、输出解决方案需要耗费两周时间，核心原因就是测试团队缺少足够的信息与知识作为支撑。导入 SONATUS 的 AI 解决方案之后，系统整合全部研发环节信息，同步分析测试环节采集的各类数据，AI 系统直接向测试团队输出故障诱因、故障关联车辆部件以及可行的解决思路。这套方案将日产从发现故障到完成处置的周期，从两周压缩至两天，同时拓展更多真实场景的测试覆盖范围，直观体现出知识互通带来的业务增益。
面向全生命周期 AI 应用的车辆能力要求
想要把 AI 贯穿整车研发、测试、生产、售后全流程，车辆端需要提供对应的基础能力，支撑整套 AI 体系运行。
首先需要支持 AI 系统按需获取带上下文的车辆数据。AI 开展分析工作的过程中，部分诊断信息存储在车辆电子控制单元内部，并没有上传云端，AI 需要能够按需调取 CAN 总线、以太网信号、运行状态、故障码、电子控制单元诊断信息、软件版本以及配置信息，可以按照事件触发，采集故障发生前后时段数据以及历史数据。仅仅向外输出信号的车辆只是传感器，能够输出附带上下文完整数据的车辆，才可以参与到全生命周期业务闭环当中。
其次车辆边缘端需要具备受控执行能力。AI 可以高效生成软件内容，不管是研发阶段原型开发、测试阶段新增测试用例，还是售后环节新增数据采集逻辑，AI 都可以生成对应的执行程序。车辆需要保障 AI 生成的程序能够安全部署运行，在车辆安全与资源约束之内，运行数据采集策略与 AI 模型，并且把业务发现结果向上反馈，在量产之前的原型车与测试车队阶段就输出结果，而不是仅依靠已经交付客户的量产车辆。
同时车辆端需要完成原始数据预处理工作，AI 并不擅长直接处理海量原始数据，不需要把车辆采集全部原始数据直接输送给 AI 系统。需要在车端完成大量预处理工作，输出中间处理结果，再把中间结果交付 AI 开展最终分析，以此提升整体分析效率。
整套 AI 解决方案还要解决多数据源集成的现实问题，车企研发流程当中存在数十种相互独立的数据源，AI 系统需要具备能力快速和大量异构数据源完成对接整合。AI 本身输出结果存在不确定性，同一问题多次询问可能得到不一样的回复，座舱娱乐场景下该特性可以接受，但车辆故障诊断业务对结果确定性要求极高，因此整套 AI 系统需要建立追溯、复核机制，配套安全论证，保障 AI 输出结果可靠可信。
业务落地收益与现存挑战
打通整车全生命周期知识流转链路，可以给车企以及整个供应链带来多重业务收益。首先能够实现更优质的产品设计，测试环节以及市场端沉淀的经验，可以直接作用于下一轮产品决策，不需要等待完整车型迭代周期。其次带来更好产品质量，各类业务阶段识别出的问题，可以同步给其他环节，问题更早被拦截，更少缺陷流到客户手中。同时用户体验得到改善，基于真实用户使用情况完成的产品优化，可以通过 OTA 快速推送，不用推迟到下一个整车项目。故障处置效率得到提升，市场端捕捉到异常信号，可以在一次 OTA 周期之内完成修复。SOP 推进速度、市场端产品质量、故障处置速度与准确度，将成为决定企业市场竞争力的关键指标，没有落地这套体系的整车项目，将会错失上述业务收益。
当然这套体系落地依旧存在不少待解决的现实工作。多类专用工具需要和共享的数据、业务发现完成对接，整个过程不需要替换原有工具，重点做好连接集成。AI 智能体输出的结果需要像测试台架输出结果一样具备可信度，需要完善可追溯、复核以及安全论证相关工作。组织层面同样存在待解决事项，企业需要明确业务交接环节的责任主体，如果测试与售后之间的业务交接不存在对应的负责岗位，企业就应当设立该岗位。
SONATUS 打造 Fastlane™平台，构建覆盖云端到车端的车辆 AI 平台，支撑车辆学习、适配与持续迭代。平台包含 Fastlane™ Insight，实现 AI 驱动的根因分析与决策；Fastlane™ Collector，实现实时与历史车辆上下文按需访问；Fastlane™ Edge，支持车端 AI 可扩展集成与执行；Fastlane™ Copilot，面向测试验证实现车辆智能能力的快速部署。SONATUS 在云端搭建 AI 平台，基于客户需求输出定制化 AI 解决方案，在车端提供灵活的数据采集与车端数据分析解决方案，协助车企把 AI 系统以及工程师生成的新增功能、修改内容，部署到目标车辆完成稳定运行。
未来展望与挑战
面向未来，率先落地整车全生命周期 AI 智能体系的企业，将获得显著的竞争优势。AI 原生汽车的关注点，不能仅仅聚焦车辆座舱与智能辅助驾驶功能，整车全生命周期是 AI 原生汽车缺失的另一半。技术层面已经突破大部分历史障碍，但组织层面的壁垒需要企业管理层主动做出选择，搭建对应岗位，理顺业务交接的权责。统一的工具链并不是用一套工具替换企业现有的全部专业系统，核心是实现整车业务记忆的共建共享，让知识顺着整车生命周期正向、反向双向流动，以此缩短业务周期，控制产品风险，最终实现设计、质量、客户体验的全方位提升。
（以上内容来自SONATUS联合创始人兼首席技術官方宇于2026年9月17-18日在第四届AI定义汽车论坛发表的《同一智能，贯穿全生命周期——AI原生汽车缺失的另一半》主题演讲。）
