汽车研发团队的名单上，多了一个新角色。

过去是造型、结构、仿真、测试、软件几类工程师，现在加上一个 AI Agent，部分过去必须由工程师亲自盯的工作，已经交到了它手上。

这个 AI Agent 不用考勤，也不用发工资，而是一个能理解人物、调用工具、跑完流程并交付结果的数字员工。

比如模型部署上车要过七道流程：量化、开发集成、流水线构建、持续集成测试、跨芯片误差校验、发版、部署。

过去这套流程需要工程师守在电脑前一步步操作，花上一整天，现在一个 Agent 把各环节工具串起来跑完，压缩到两小时以内。

风阻预测是另一个样本，以往风阻需要等车身做出实物、送进风洞才测试，验证周期不短，而且每改动一处造型，需要重头再来。

如今这项验证可以往前挪到造型阶段，在电脑里改设计，同步出计算结果，研发周期缩短两个月。

这两个案例，对应 Agent 进入研发的两条路径：

一条是接管重复、标准化的流程性工作；一条是把验证前移，改变研发流程本身。

单点提速只是第一步，当 Agent 从「一个」变成「一群」，从辅助工具变成研发团队里的固定角色，被重构的就不只是某个环节的效率，而是造车的方式。

01、一个 Agent，正在进入汽车研发

先说清楚大模型和 Agent 的区别：大模型负责理解和生成，Agent 负责理解任务、拆解任务、调用工具、执行流程并交付结果。前者是会说，后者是会干。

汽车研发，恰好是 Agent 最适合「干活」的地方之一：

• 流程相对明确，V 模型给出了清晰的输入输出框架；
• 文档和数据密集，需求、失效分析、安全论证都有标准格式；
• 有大量专业工具可以调用；
• 工程师复核结果。

传统研发最耗不起的，是试错成本。

一款全新的车型在通过产品战略阶段之后，会进入到漫长的概念阶段和开发阶段。

汽车上任何一个细枝末节的调整，哪怕只是多开一个孔，多添一根线，背后都需要跑完一套完整的研发、验证、生产、再验证的流程。

过去的验证是后置的，先造出来，再进入测试，数据不过关就重改重测，但现在验证可以前置，造型设计还在图纸阶段，硬指标已经先算出来了。

按 Agent 承担的角色不同，目前进入研发的智能体大致分成三类。

第一类是预测型 Agent，把验证挪到设计阶段。

以风阻环节为例，百年汽车工业史，某种程度上是一部工程师用经验，和风阻斗智斗勇的血泪史。

要知道，降低风阻是汽车研发里的一块硬骨头，不仅时间长、花费大，研发难度高，最终还有可能无功而返。

正因如此，哪怕只是改善局部气流、降低极小幅度的风阻系数，车企也愿意投入大量资源反复验证。

过去这件事是怎么做的？

造型出一版方案，工程师建模、提交 CFD 仿真、等结果、开会评审、改方案再来一轮。验证过程是串行的，人在等机器，机器也在等人。

阿尔特的做法，是把这个循环打断。

阿尔特御风智能预测系统，深度融合百度智能云的专业智能体「百度伐谋」，对风阻预测模型做了底层重构。

其中，御风是阿尔特面向汽车气动研发的智能预测系统，伐谋则承担智能体和任务编排能力。

这种变化会落到一笔很现实的账上，传统气动验证依赖求解 N-S 偏微分方程，单次验证耗时长达 10 小时，新系统将验证周期缩短至分钟级，预测精度接近真实物理仿真，模型误差控制在 5% 以内。

车百智库、百度智能云联合发布的《中国汽车产业 AI 转型的路径》报告给出了另一个数据：

风阻每降低 10cts，续航里程可增加 6~8 公里，AI 对研发工具链的改造，正在直接转化为整车的物理竞争力。

快只是这套系统最先被看见的部分，工程师每一次调整侧视轮廓线、关键尺寸参数与造型特征的同时，就能拿到压力分布云图与预测系数。

研发从「先造后验」变成了「边设计、边验证、边优化」，设计师、工程师与模型在同个节奏上运转。

御风系统背后的「伐谋」，并不是一个通用模型直接套用，而是把空气动力学和流体力学的物理约束融进了算法。

这是它有效的关键：通用大模型不懂流体，靠的是把领域知识、物理模型和工程数据一起融进训练。

按照《报告》的说法，这类案例依赖厂商深度定制、领域专家长期驻场，复制推广的门槛很高，属于复杂场景深攻坚类型，而非开箱即用。

第二类是执行型 Agent，接手工程师守在电脑前的活。

长安汽车的 AI 工艺大模型是现成的例子，它基于 FMEA 知识图谱，一键生成初版工艺卡片，人力成本降低 80%，新车型导入周期缩短 15 天。

理想汽车基于自研 27B 大模型打造的 PPAP 文档审核智能体，把一份上百页文件包的审核时间从 5 小时压到 2 分钟，可同时并行处理 100 份文档，目前已在 80 余家供应商落地。

这类任务的共性在于，业务人员基于 Agent 平台就能自主编写 Skill，企业统一沉淀和复用，属于轻量场景广覆盖。

第三类是协作型 Agent，从一个 Agent 到一个 AI 研发团队。

风阻之外，整车验证是更大的物理上限。

以往碰撞、NVH、热管理测试环节，都要等实车出来才能进行验证。现在能更快的验证产品性能，碰撞仿真、NVH 仿真、热管理仿真在设计阶段，就可以预测结构变形、振动噪声、温度分布等关键数据。

这些任务早已不止一问一答，单个 Agent 干不完，得靠一支团队分工：

顶层编排 Agent 拆解任务，中层领域 Agent 分管风阻、碰撞、NVH 这些专业环节，底层工具层统一接入仿真软件、数据平台和企业系统。

其中，仿真环节的智能体，把建模、提交计算、结果整理串成自动流程，试错成本和验证周期也在随之同步压缩。

仿真从来不是无用功，恰恰只有把仿真、台架这类基础验证工作做足做透了，工程师才有充足底气与精力，专心去攻克剩下 1% 最难把控的边界场景。

这是研发逻辑被重构的核心，AI Agent 进入研发并不意味着替代人类。

边界在哪里？《报告》给出了明确的定义：涉及功能安全和网络安全的分析，Agent 只能承担辅助分析和草案生成，所有危害评估、ASIL 定级、安全签署和正式决策必须由人工完成。

02、为什么汽车研发特别需要 Agent？

新车的节奏依赖研发的速度，研发的速度依赖验证的速度，而验证的速度，恰恰是整条链上最难的一环。

压力之一，新车越来越快。

今年上半年上市新车超过 600 款，剔除春节假期后日均约 3.6 款，单周最高上新 26 款。

比亚迪执行副总裁何志奇透露，一款新车动辄 10 亿元以上的投资、两年以上的开发周期，如今热度撑不过 3 个月。

这组数字背后，是一场典型的囚徒困境。不上新只能把市场拱手让人，留不住潜在消费者，所以对手快，自己只能更快，但如果所有人都提速发新车，优势就互相抵消，上新从进攻动作变成了保命动作。

上新的路只有一条：追加投入、压缩节奏、推出新款。结果新款的市场窗口有限，产能刚爬完坡就进平销期，又提前进入了改款日程。谁都知道正确的选择是什么，但没人敢去赌。

压力之二，研发越来越复杂。

新车传感器、控制器、执行器数量成倍增加，软硬件版本频繁迭代，要覆盖的工况随之放大，验证项随复杂度增加，却不会随人力增加而减少。

这是汽车行业知识密度最高的环节，V 模型、ISO 26262 功能安全、ISO/SAE 21434 网络安全三套框架之下，需求分解、失效分析、安全论证，每一步都靠跨文档的专业推理。

压力之三，验证不能缩水。

中国汽车工程学会名誉理事长付于武曾发问：「500 多款新车，是否全部走完完整的体系化开发流程？」

过去很长一段时间，部分车企把研发周期从 36 个月压缩到 18 个月，把两次冬测夏测压缩成一次，本该验证 4 个月的软件压缩到 2 周上车。

真正先进的研发体系，是通过技术减少无效工序、降低验证复杂度，而不是简单地压缩质量环节。

中国汽车该淘汰的，是把硬件验证也当成软件迭代的假敏捷，快本身没有原罪。

这三重压力叠加在一起，说明汽车研发真正缺的，不是更多工程师，而是让大量重复、标准化、可计算的工作同时发生，这正是 Agent 进场的核心原因。

03、Agent 要进入研发主流程，还需要一套底座

一个 Agent 跑通一个场景不难，难的是让几十个 Agent 在研发主流程里稳定、低成本、可追溯地运行。

这背后需要两层底座。

第一层是 Agent Infra，让 Agent 能够工作。

大模型本身只提供理解和生成能力，而智能体要在真实业务中应用，依赖 Agent Infra 对词元流动方式的系统设计。

比如智能体框架编排、工具协议集成、记忆检索管理、多智能体协作调度和可观测性、以及配合检查点恢复和人工审批机制等等，《报告》将这一层的核心概括为：「Agent Infra 是将词元高效转化为 AI 应用的环节」。

缺了这一层，每个业务部门各建各的 Agent，很快会形成新的「Agent 孤岛」。

第二层是 AI Infra，让 Agent 能够稳定、低成本地运行。

Agent 一旦规模化，算力消耗将是数量级的变化。据《报告》测算，以每日 10 万次任务为例，普通问答按每次 3000 词元计算，日消耗约 3 亿词元。

如果 Agent 平均调用模型 10 次、每次处理 10000 词元，日消耗将升至 100 亿词元，是传统模式的三十倍以上。

AI Infra 要做的，是把算力高效地转化为词元：异构算力调度、模型训练和推理加速、多芯片适配、模型部署与版本管理、运行监控。

在百度智能云的实践中，AI Infra 覆盖数据接入、基础设施、模型开发、应用部署和运行管理五个环节，车企可以按数据安全、资源弹性和成本要求，在公有云、专属云、企业数据中心或混合云之间选择部署方式。

对车企而言，底座的价值不在于单纯提供算力，而在于让模型、数据和 Agent 能够稳定进入研发流程，并持续迭代。阿尔特御风背后的伐谋，正是跑在这样一套底座之上。

这意味着汽车研发新增的，不只是一个工具，而是一类新的生产力。

Agent 先接管标准化、重复性、可计算的工作，再进入风阻、碰撞、NVH 这些高知识密度的场景，最终形成一支能够协同工作的 AI 研发团队。

在这个过程中，工程师不会淡出研发，而是从流程执行者变成问题定义者、系统调度者和边界判断者。

Agent Infra 与 AI Infra 就像研发体系的底层供电系统，让这些数字员工能够被部署、调用、协同和持续迭代。

底座的价值，要放在时间尺度里看。

从审批排产里的几个小时，到仿真前置后按月算的周期，再到几十个 Agent 协同之后整个研发节奏的变化，研发效率会一层层放大。

而比节奏更值钱的是沉淀，过去经验只能掌握在工程师手上，人员流动就得重新搭建，但现在每一次执行和修正记录都留在底座里，差距慢慢体现在数据资产的厚度上。

更重要的是，百度智能云把算力调度、模型部署、运行管理这些能力做成了现成的底座，车企接入只需要新增一个 Agent，复用的是整套体系。

这跟用电是同个道理，没有工厂为了用电自建电厂，而车企要做的是把电接进自己的研发体系，专心当好用电人。

如今，Agent 正在让工程师从重复建造中抽身，造车下半场比拼的，或许不只是某一款车的智能化程度，而是谁能更快建立一套 AI 化的研发体系。