從Demo到生產力：阿爾特太乙如何讓AI走進汽車設計研發(fā)深水區(qū)| 2026AI Partner·北京亦莊AI+產業(yè)大會

Demo 具備單點開放能夠驗證東西的作用，但不應該只停留在展示層，而要進入汽車研發(fā)體系內部，成為一種新的工程能力。

汽車設計研發(fā)是一項高復雜度、高成本、高安全要求的系統(tǒng)工程，單點AI Demo難以真正落地。阿爾特太乙基于一線研發(fā)經驗與私域數(shù)據(jù)，構建了從知識大模型、造型AI創(chuàng)繪、空氣動力學智能預測、CAD智能檢索、零部件智能生成到2D智能投圖的產品矩陣。其核心理念不是做單點工具，而是打造“工程師一句話，平臺全程跑完”的全流程AI研發(fā)設計平臺，讓AI從“驚艷一刻”走向“長期生產力”。

以下為演講內容，經36氪整理編輯：

劉亞彬丨阿爾特汽車副總裁、阿爾特太乙人工智能總經理

大家上午好，我是阿爾特汽車的劉亞彬，非常高興有機會在這里跟大家分享我們有關AI+汽車設計研發(fā)持續(xù)的實踐和思考。

今天的主題是：當 AI 走出 Demo，它如何真正進入汽車設計研發(fā)的深水區(qū)？過去一年多，AI 給整個科技產業(yè)帶來了非常大的震動，但站在汽車研發(fā)這個行業(yè)里，我們會更冷靜地看待這件事。一輛車從產品定義、造型設計、工程設計，到仿真驗證、試驗驗證、工藝制造、質量交付，每一個環(huán)節(jié)都有大量約束。它既有性能目標，也有法規(guī)要求；既有成本邊界，也有制造工藝；既要滿足用戶體驗，也要承擔安全責任。我們自己在做AI的過程中做了一二百個Demo，也收到過幾千個Demo，真正落地的并不多，這個過程中我們有一些思考跟大家分享一下。

一個Demo 很漂亮，說明技術有想象力，具備單點開放能夠驗證東西的作用，但不應該只停留在展示層，而要進入汽車研發(fā)體系內部，成為一種新的工程能力。我將汽車設計研發(fā)的核心挑戰(zhàn)，系統(tǒng)性地概括為“三高”特征：高復雜度、高成本、高安全要求。

首先第一個挑戰(zhàn)是高復雜度，復雜的系統(tǒng)工程。從工程師的一句構想，到基礎材料學，再到信號處理，最終延伸至生產制造與智能制造的完整鏈條——在這條技術鏈條上，每一個環(huán)節(jié)都由“最小作用單元”構成，而這些單元之間彼此交織、相互影響，最終形成的是一個不斷權衡與取舍的復雜過程。

第二點是高成本，這與漫長的開發(fā)周期密不可分。汽車研發(fā)目前仍需約24個月，雖已基于軟件工程發(fā)展和經驗累計從過去的30多個月有所縮短，但仍難以及時響應用戶需求的變化。而每個設計都要經歷仿真、實驗、制造直至市場驗證的多重關卡，試錯代價極高。更棘手的是，變更的影響鏈條極長——任何一個零部件的失誤，都可能沿著鏈條波及整個系統(tǒng)乃至整車，導致模具重開，造成大規(guī)模的資金與工時浪費。

第三點是高安全。汽車研發(fā)之所以受限于諸多法規(guī)與標準，是因為安全本身是一個多維度、跨區(qū)域的復雜命題。不同國家、不同板塊都有各自的信息安全、功能安全、結構安全、約束系統(tǒng)安全及主動安全要求，法規(guī)約束極為嚴苛。這使得單個Demo無法從單點擴張到整個開發(fā)流程中。與此同時，質量責任極其重大——研發(fā)過程需要做性能衰減排查，對質量進行全流程保證，確保產品的一致性。而這一切的前提，是每一個環(huán)節(jié)的結果都必須可追溯，才能滿足汽車產業(yè)對安全的終極要求。

這“三高”挑戰(zhàn)構成了AI進入汽車研發(fā)深水區(qū)的核心門檻，也使得市面上的Demo呈現(xiàn)出兩個鮮明特點。第一個特點是“樣例可行”，意思是它在全流程的每個環(huán)節(jié)里都可用。但問題在于，從文本到圖形，再到CAD、CAE，每個環(huán)節(jié)的技術邏輯都不一樣，單點生成之后，工程上如何閉環(huán)？Demo做完后，最終的結果還是得落到工程師手里，由人來判斷，或者判斷結束。第二個特點是“效果比較驚艷”，但結果是否可信？工程上的可信度，有時連5%都很難滿足。尤其是在接觸部件比較多、系統(tǒng)比較復雜的設計中，概率統(tǒng)計與工業(yè)確定性之間的矛盾應該如何解決？最起碼在汽車研發(fā)領域，要想做出靠譜的AI，第一要能接入流程，也要懂約束，同時還要能追溯結果，并且能處理各式各樣的業(yè)務。

今天的主題是帶AI到一線，阿爾特太乙本身就在一線，我們離一線非常近，推開門、到隔壁樓就是一線。阿爾特本身做汽車設計研發(fā)，走在行業(yè)前端，是唯一在A股上市的汽車設計研發(fā)公司。阿爾特太乙是誕生于汽車設計研發(fā)一線的AI科技公司，我們擁有公網上無法查到的數(shù)據(jù)，所有場景都對外開放，同時我們在AI領域與科研機構、頂尖AI大廠以及相關保險公司均建立了深度合作。

高質量數(shù)據(jù)集也必不可少，全流程里每個數(shù)據(jù)原來都是工業(yè)軟件和工程師，通過操作PC或者work station來制作出來對應的數(shù)據(jù)，但這些數(shù)據(jù)之間的關系并未在過程中被固化。如果要做AI，我們近500款車型的研發(fā)設計經驗，以及近100類多元數(shù)據(jù)格式，如何實現(xiàn)打通與實時流轉？如何將設計數(shù)據(jù)與規(guī)范性數(shù)據(jù)關聯(lián)在一起？這是我們目前正在推進的一項龐大工程。再次強調數(shù)據(jù)的重要性，是因為：Demo是給人看的，而生產力落在流程里，作用于數(shù)據(jù)之上。要實現(xiàn)數(shù)據(jù)之間的聯(lián)通、讓數(shù)據(jù)“能說話”，這不僅是數(shù)據(jù)本身的問題，還涉及語義層面。我們需要在數(shù)據(jù)之上增加一層元數(shù)據(jù)，將語義解釋附加其上，例如針對設計對象的本體和設計過程的本體。基于這些私域數(shù)據(jù)，我們已經走通了多款產品，以下我重點介紹六個典型場景。

第一個場景是汽車研發(fā)知識大模型。 它能夠將公司20年的know-how在一分鐘內快速定位。具體能力包括：產品調研中如何將VOC（客戶之聲）翻譯為工程語言；專業(yè)問答與快速檢索規(guī)范、法規(guī)及歷史經驗案例；圖紙理解與圖形學識別；質量審查，包括對公差、材料工藝的描述性審查；當收到檢測報告時，能夠像擁有十年以上工作經驗的專家一樣，對不符合規(guī)范的內容給出評價；以及知識溯源。這些能力可以有效彌補通用大模型在工程可行性和工程量化方面的不足。知識大模型解決的是“懂”的問題，而下一個場景要解決的是“畫”的問題

第二個場景是造型AI創(chuàng)繪-太乙。 這也是阿爾特太乙發(fā)布的第一款產品。它解決的核心問題是：如何將一個靈感以最短路徑轉化為可交付的工程資產。當前Diffusion模型發(fā)展迅速，能夠生成圖像，但無法直接交付——因為工程可行性、比例關系、品牌DNA等多方面約束仍需滿足。我們需要將自身對數(shù)據(jù)的理解、對造型領域的know-how注入模型中，從而支持文生圖、圖生圖、渲染、從草圖到效果圖、文生視頻、圖生視頻、圖生3D等能力。之所以要做到3D，是因為造型從趨勢主張到最終NURBS曲面生成，中間需要一個完整的閉環(huán)，這個閉環(huán)必須能夠生成3D模型乃至大曲面。造型生成之后，下一個關鍵問題是：它的空氣動力學表現(xiàn)如何？

第三個場景是“御風”空氣動力學智能預測。 這是我們探索AI4 Engineering的重要實踐。其流程是：以大語言模型為入口，結合圓方模型，最終生成造型效果圖，效果圖再生成3D模型，3D模型進而預測表面速率和壓力分布，并給出設計修改建議。它最大的價值不是簡單減少溝通成本，而是將CFD仿真工作大幅前置——交到設計師和項目經理手中，讓他們能夠快速做出預測，從而改變研發(fā)節(jié)奏。我們還具備參數(shù)化輪廓建模、基于輪廓的效果圖生成、3D生成建模以及AI快速風阻預測等能力。針對轎車、SUV、卡車等不同車型，我們已開展了多類風阻代理模型的數(shù)據(jù)級研究，覆蓋全流程風阻開發(fā)。以上三個場景偏向造型與性能，而研發(fā)流程中還有一個核心痛點：如何在海量CAD數(shù)據(jù)中快速找到所需內容。

第四個場景是CAD智能檢索。 相比于文本檢索，我們面臨的核心挑戰(zhàn)是CAD數(shù)據(jù)的檢索。如何構建查詢語句？如何進行向量化數(shù)據(jù)檢索？是否采用Agent RAG？通過這些技術的結合，我們幫助工程師快速定位下一步工作內容，查找相似零部件，甚至通過模糊輸入找到對應的3D數(shù)據(jù)，并確保3D數(shù)據(jù)所附帶的層級標簽清晰可讀。這一能力與圓方模型（工業(yè)3D CAD基座模型）深度結合。檢索只是第一步，更深層的需求是：能否直接用一句話生成CAD？

第五個場景是零部件智能生成。 這是我們當前的重點開發(fā)方向。其核心能力分為兩個維度：一是“懂設計”——基于B-rep（邊界表示）等當前前沿技術，實現(xiàn)用一句話在3D空間中快速生成CAD模型；二是“會操作”——基于操作序列完成相應動作，不改變傳統(tǒng)工業(yè)軟件的操作方式，而是讓AI自主思考應該如何執(zhí)行。生成CAD之后，還需要一個關鍵環(huán)節(jié)將其交付到生產端：二維投圖。

第六個場景是CAD 2D智能投圖。 它連接設計與生產，核心是將工藝要求準確反映在二維圖紙中。自動化技術可以完成批量投圖、規(guī)則引擎判斷和公差標注。而AI在此基礎上進一步發(fā)揮作用：智能選擇基準面、智能對應公差標注，并最終判斷標注是否準確。其目標是讓工程師從重復性勞動中解脫出來，將精力投入到真正需要判斷力和創(chuàng)造性的工作中。

如何走出Demo、實現(xiàn)規(guī)模化落地？我們的經驗是：一切基于數(shù)據(jù)。包括我們自己的私域數(shù)據(jù)、行業(yè)公開數(shù)據(jù)，以及合成數(shù)據(jù)。但數(shù)據(jù)本身并不足夠——汽車工程語言體系有其獨特性，工程師之間的交流、工程師與消費者之間的溝通，所傳遞的信息完全不同，因此必須做好專業(yè)術語的語義映射。在此基礎上，流程與組織是阿爾特太乙的明確優(yōu)勢。流程層面，我們構建了從設計、仿真到驗證的完整業(yè)務閉環(huán)，融入工程規(guī)則與邊界，通過智能體與Skill編排以及上下文工程，形成可運轉的研發(fā)流程體系。組織層面，我們建立了工程師持續(xù)反饋機制、跨部門協(xié)同機制、問題閉環(huán)跟蹤機制，以及知識沉淀機制。數(shù)據(jù)是基礎，語義是橋梁，流程是骨架，組織是保障——四者缺一不可。

基于這些能力，我們構建了AI+汽車研發(fā)設計平臺。其核心邏輯，不是打造單點工具，而是實現(xiàn)“工程師一句話，平臺全程跑完”。具體而言，平臺需要解決以下幾個問題：如何調用數(shù)據(jù)和工具？如何在數(shù)據(jù)平臺上完成數(shù)據(jù)加工？各智能體之間如何協(xié)同合作、自主完成決策？我們的理解是，通過大模型能力，以一個統(tǒng)一入口（無論是自然語言，還是圖形與自然語言的組合）實現(xiàn)全流程閉環(huán)。

在推進這一平臺的過程中，我們也積極與產業(yè)伙伴共建生態(tài)。在國家行業(yè)共建的牽引下，我們與產業(yè)伙伴圍繞“讓AI可驗證、可交付、可閉環(huán)”這一目標，開展了一系列合作。過去兩年，我們與眾多科研機構、高校、工業(yè)軟件公司、智能體開發(fā)公司、物理AI公司以及3D重建生成領域的伙伴進行了廣泛探索。目前，我們正參與國家人工智能應用中的汽車研發(fā)方向工作，聯(lián)合發(fā)布了汽車設計研發(fā)領域的智能體與AI白皮書，并完成了基礎開發(fā)數(shù)據(jù)集的構建。我們非常愿意將這些成果開放出去，與產業(yè)伙伴共享。

回顧一路走來，從Demo到生產力，阿爾特太乙已經走過了一段路程，其中有收獲，也有諸多苦澀。接下來，我們誠邀各位產業(yè)伙伴，與我們一起走好后半程。謝謝大家！