top of page

下一代软件浪潮：AI Agent 将如何重塑汽车产业？

软件形态正在发生天翻地覆的变化。

几个月前，微软 CEO 萨提亚·纳德拉预测，在AI Agent时代，SaaS is Dead。由此在科技行业掀起了轩然大波。

“I think the notion that business applications exist that's probably where they'll all collapse right in the agent era let that sink in for a moment the CEO of the company that brought us Windows Office and basically created the software industry as we know it. ”

自1969年，IBM 将其软件和服务从硬件销售中剥离开，软件成为具有单独价格的商业产品以来，软件形态不断演进。

在传统软件时代，软件厂商取软件许可证的方式销售软件，客户支付一定的费用后，服务商便把软件部署在客户的本地化设备上，客户可以无限期地使用该软件。但缺点是除了要支付软件本身的费用，还要支付培训、维护、技术支持以及更新升级的费用。

21世纪初期，在计算机发展、互联网技术和市场需求共同孕育下，SaaS兴起。典型代表Salesforce在1999年创立时就秉持SaaS的理念，开发和维护标准化软件，并通过互联网以即用即付费的方式将软件提供给客户，极大地降低了软件的使用门槛和成本。

过去20年，SaaS凭借其低成本、易部署、可扩展的特点，成为企业软件的主流交付模式，并渗透到各行业企业的日常运作，从销售、市场到人力、财务和IT等方方面面的需求，在都能在市场上找到对应的SaaS产品。

但传统SaaS产品也存在着“先天不足”：功能固化、数据割裂、响应不灵活。

时间来到2025年——AI Agent 元年，伴随着近年来LLM（大型语言模型）技术的飞速发展，以 AI Agent为代表的软件新形态带来了更高的效率和更低的成本。

在纳德拉看来，SaaS 应用就是包装精美的数据库操作界面，一张 CRUD 数据库（“CRUD”：Create、Read、Update 、Destroy）外加一堆业务逻辑，这些业务逻辑未来都会迁移到AI Agent 中 —— 这些 Agent 能无缝跨越多个数据库和系统协作，不仅仅能完成简单任务，它们还能处理复杂的业务逻辑，甚至能为实现目标自己编写代码。

因此，越来越多企业开始探索基于AI Agent 的新工作方式。从感知、决策支持到任务执行，Agent 的能力边界不断扩展。Gartner把 Agentic AI 列为“2025年十大战略技术趋势”，并预测到2028年，33%的企业软件将使用Agentic AI，15%的日常工作决策将由Agent自主完成。

像在互联网时代，互联网把多个行业重构一遍一样，在Agentic AI时代，千行百业有机会以更低成本、更高效率“用AI重做一遍”。

AI Agent 正在重塑汽车行业

汽车行业也不例外。

AI Agent = 感知（Perception） + 推理（Reasoning） + 行动（Action） + 工具（Tools） + 记忆（Memory） + 云端协同（Cloud Loop），核心理念是在大模型的基础上，融合规划能力、持续记忆与工具调度，实现具备主动感知、智能决策和执行能力的智能体。

汽车行业具备数据丰富、场景多元化、技术成熟、市场需求高和行业竞争激烈等特点，恰好是最适合 AI Agent 落地的领域之一。AI Agent 作为“可感知、可推理、可行动”的数字员工，不仅有机会重构汽车系统能力边界，也可以重新定义人的角色，帮助人类员工从具体操作中抽身，转向战略监督、创新与高价值决策。这一变化不仅有望显著提升汽车研发、制造、服务等环节的生产效率，也将催生一系列新的业务模式与组织形态。

在具体场景中寻找AI Agent最佳落地点

AI Agent 的落地过程，本质上是一个“从场景出发”的再理解过程。对车企来说，把Agent当作一个全能助手一股脑“塞进系统”是不可取的，而是需要回到业务本质，聚焦那些能快速创造价值的落脚点。

什么样的场景是高价值场景呢？根据甲子光年《企业级Al Agent(智能体)价值及应用报告》，AI Agent 的最佳落地点往往具备几个特征：

  • 业务价值高：业务价值密度决定ROI上限，需量化KPI提升与战略贡献；

  • 数据可用性高：数据可用性要求覆盖完整、实时且干净；

  • 流程契合度高：流程契合度衡量与现有系统无缝集成及用户接纳成本。

这就要求车企一方面要“Know Why”——深入理解行业和用户的细分需求，厘清问题本质、判断价值空间；另一方面，要“Know How”——结合项目管理与资源调度能力，将Agent逐步嵌入流程节点并实现闭环控制。

智协慧同在与众多车企合作的过程中，发现了众多可落地的场景，例如智能诊断、智能热管理、AI空调等。在这些问题明确、具备数据基础、流程契合度的具体场景中，AI Agent 的落地能清晰看到效率提升或成本优化的收益。

以车辆智能诊断场景为例，在智能汽车舆情高度敏感的背景下，故障诊断效率的提升直接关系到用户满意度与品牌声誉。但传统故障诊断依赖人工经验和静态规则，往往跨部门沟通繁杂、响应时间长，容易遗漏早期征兆。

如果能部署一个“诊断 Agent”，它能够：

  • 实时聚合数万个车端参数；

  • 融合故障码、工单、历史维修等异构数据；

  • 基于上下文进行多轮分析推理；

  • 自动生成结构化诊断建议；

  • 并持续将诊断知识沉淀至知识库；

那么，主机厂的售后响应效率将大幅提升，品牌风险也能前置化控制。

这个场景的价值很多企业都已经看见，并开始探索。智协慧同在今年也推出了VDM车辆智能诊断系统，可识别 92% 的服务前故障，帮助客户将投诉率降低超过 50%，为主机厂带来切实可量化的售后运营收益。

VDM 2.0将深度融合AI能力，实现：自然语言交互（用户抱怨/售后人员提出问题）→多轮对话+诊断模型调用→问题分析与推理→诊断建议生成→诊断模型/知识库持续迭代。

因此，在合适的场景里，AI Agent 的落地不仅可行，而且价值可见。在汽车这个数据密集、流程复杂的行业中，仍有大量尚未被激活的应用空间，等待我们去发现、验证、复制。

车企要落地垂直场景的AI Agent需要具备哪些条件？

以热管理和诊断场景为例，要通过 AI Agent 实现智能场景，需要具备以下几个核心要素：

一、数据基础（Data Infrastructure）

✅ 1. 多源数据采集能力

  • 传感器数据（温度、流量、压力、电流、电压等）

  • 车内总线数据（如CAN、LIN、FlexRay等）

  • 历史诊断数据（DTC、工单）

  • 环境信息（天气信息、地理位置、路况信息）

  • 人员信息（表情、状态、衣着、行为等）

✅ 2. 多模态时序数据管理能力（数据库）

  • 高效的时序数据库（如车载TSDB）处理：毫秒级采样数据、日志数据、向量化特征数据（）

  • 数据压缩、索引与查询优化能力

二、智能模型能力（AI & ML Models）

✅ 1. 模型训练能力（云端）

  • 利用历史大数据，训练多任务模型，如：

    • 热管理预测模型（冷却需求、风扇控制、驾驶行为&行程）

    • 故障预测模型（电池、动力、热系统）

    • 异常检测模型（如AutoEncoder或时序异常检测）

✅ 2. 端侧推理模型（Edge AI）

  • 模型量化、剪枝（TinyML、TensorFlow Lite）

  • 在SoC或MCU上运行轻量模型，实时响应

三、Agent逻辑与框架（Agent Framework）

✅ Agent的基本能力：

  • 感知（Perception）：持续监控车辆状态

  • 决策（Reasoning）：基于模型输出 + 规则引擎 + 经验推理

  • 行动（Action）：执行控制命令，如调节风扇、提示维修等

  • 自适应（Learning）：在云端不断迭代模型，提升Agent智能水平

四、边缘计算引擎与专家知识融合

  • 某些关键诊断逻辑还必须结合专家Knowhow：

    • 如某故障需连续采样5次触发，或者需同时满足温度>70°C、电流异常、持续10s等

  • 可通过Hybrid Approach：AI模型 + Symbolic Rule

五、车云一体机制（Vehicle-Cloud Loop）

✅ 闭环机制（诊断模型跨车云秒级部署+数据灵活采集）

  • 支持模型云端开发，车端秒级部署

  • 支持车端Agent推理 → 云端分析确认 → 人工审核/回流训练 →版本更新

  • 故障定位准确率随时间提升

六、可解释性与安全合规（Explainability & Safety）

  • 对每一次故障诊断要提供可解释的依据

  • 满足汽车软件安全规范（如ISO 26262、ASPICE）

  • 敏感数据不出车（边缘数据库+边缘计算），保障个人隐私

写在最后

在垂直业务场景，AI Agent通过将数据、业务Knowhow、业务逻辑、大模型有机整合成智能化的决策和推荐系统，革命性的提升业务决策的质量和效率、以及C端的产品体验，这无疑是Agentic AI时代开启的变革趋势。

然而，要真正的落地AI Agent，高价值数据集和专业知识库等是需要长时间积淀的数字化地基，真正Ready的车企屈指可数。

EXD围绕车端多模态时序数据库、车云联合计算、Edge AI打造智能汽车的AI Data Infra，旨在解决车企落地AI Agent需要的数据基础设施。

目前，国内有超过10余家头部车企的30+款量产车型（近百万辆车）已经或正在搭载EXD的AI Data Infra，同时EXD联合合作伙伴，正在构建从车云联合计算→业务知识引擎→AI Agent的全栈能力，赋能车企全面深度的拥抱Agentic AI 时代。

 
 
 

留言

bottom of page