一、编制背景

在人工智能快速发展的当下，AI 大模型逐步应用于汽车领域，重塑智能汽车发展技术路线，推动汽车从传统交通工具向智能终端转变。全球主要国家和地区纷纷出台相关措施，引导 AI 及智能网联汽车产业发展。然而，当前行业缺乏统一的车载软件平台架构，不同平台在技术架构、接口、数据等方面存在差异，增加了开发难度与成本，阻碍了 AI 技术在汽车领域的应用进程，因此亟需构建 AI 大模型车载软件平台架构共识。

二、AI 大模型现状、趋势及场景应用

（一）技术现状与趋势

深度学习是当前人工智能演进的核心驱动力，近年来 AI 大模型兴起，在自然语言处理、多模态理解和自监督学习方面取得突破。大模型参数量大、依赖海量数据训练，具备智能涌现、摆脱标签依赖和跨领域泛化能力，参数规模的扩张推动其性能持续提升，国内也涌现出百度文心一言、阿里通义千问等典型代表。

（二）汽车行业场景应用

三、AI 大模型车载软件平台架构

（一）平台概述

该平台是对原有车载智能计算基础平台参考架构的扩展与 AI 大模型支持增强，采用异构跨芯片计算架构，提供标准化大模型集成框架，支持模型部署与优化，实现高效推理与持续学习，推动构建智能网联大模型开发与应用生态。

（二）架构组成

平台架构包含系统软件层、功能软件层、车云协同计算层和安全体系。系统软件层分为驱动及内核层、框架层，实现软硬件解耦；功能软件层包括基础模型层和服务层，基础模型涵盖大语言模型、视觉大模型等，服务层由智能化工具服务和基础服务构成；车云协同计算层提供车与云（边）协同计算框架；安全体系聚焦多维度安全保障。

（三）架构特征

具有分层解耦、跨域共用、安全可靠的特点。分层设计实现全栈模块化开发；打破传统 “烟囱式” 架构，打通多域数据壁垒，支持跨域共用；融入功能安全、信息安全和数据安全等设计，满足车载高实时、高可靠要求。

四、关键技术支撑

（一）异构跨芯片计算硬件层

AI 推理芯片从核心内部架构、芯片级架构、系统级架构三个层次优化设计，采用混合精度量化、模型稀疏化、多核心并行、多芯粒等技术，满足 AI 大模型对算力、功耗、成本的要求；AI 大模型安全处理单元构建功能安全和信息安全架构，保障芯片安全运行。

（二）驱动及内核层

包含大模型智能计算内核、控制单元内核、安全处理内核，分别负责计算支持、车辆控制、安全保障；通过虚拟化管理解决智能业务和算力异构问题；跨内核驱动框架支持不同内核类型，实现硬件抽象与通用接口设计。

（三）框架层

构建软硬协同计算加速、服务请求编排调度、异构联合计算等框架，通过量化压缩、混合精度计算、任务调度优化、跨域算力协同等技术，突破车载资源限制，支撑 AI 大模型高效部署和安全运行。

（四）车云协同计算技术

车端完成数据采集、预处理、加密传输；云端进行数据存储、模型训练与评估；通过增量更新、OTA 技术等实现车端模型更新；借助多源数据融合、异构计算资源调度、联邦学习等技术优化车云协同，云端还设有实时和弱实时两类计算框架，满足不同任务需求。

五、安全体系

（一）安全风险分类

涵盖模型本体安全、数据资产安全、信息内容安全、供应链安全、运行时安全五大类风险，包括模型输出不可靠、数据泄露、违规信息输出、供应链组件安全、未授权访问等问题。

（二）技术应对措施

采用数据全生命周期加密与脱敏、对抗性攻击主动防御、模型安全加固、多模态冗余感知、持续安全监控、隐私计算、安全伦理规则嵌入、供应链安全与模型水印溯源等技术，构建纵深防御体系。

六、应用场景

（一）智能驾驶

实现感知数据共享、智驾功能增强、自动泊车、远程驾驶、编队驾驶等应用，提升驾驶安全性和通行效率。

（二）智能座舱

支持车载语音交互、视觉交互、多模态交互和开放式任务处理，提供个性化、智能化的座舱体验。

（三）双智城市及其他

包括智能驾驶 AI 巡检、车辆健康管理与预测性维护、入侵检测与防御等，拓展 AI 在城市治理和车辆运维等领域的应用。

七、发展建议

提出鼓励技术突破，推动 AI 与智能汽车加速融合；凝聚行业共识，促进平台架构有序迭代；健全标准法规，提高产业链协作效率；加强监督认证，确保 AI 应用安全可信；强化行业协作，打造开放共建生态等建议，为产业发展提供指引。