在软件定义汽车的大背景下，汽车软件行业正经历着前所未有的深刻变革。传统汽车主要以机械结构为核心，而如今，汽车逐渐演变为以软件为核心的智能移动平台。随着汽车的硬件和软件架构迅速演变，传统机械结构被现代电气 / 电子架构取代，为车辆赋予了更高级、智能化的功能。
AI 正成为推动汽车软件开发的重要力量。汽车软件行业面临着性能、安全性和功能等多方面的复杂和严苛挑战。性能要求的提高使车辆需更加灵敏、高效；安全性要求促使汽车系统更加可靠和智能；功能要求的增加则推动车辆拥有更多先进智能功能。在这样的挑战下，AI 为汽车软件开发带来了新的解决方案。
例如，生成式 AI 和大型语言模型（LLM）可以在开发初期为汽车软件系统提供框架和桩代码，帮助简化初始架构定义。同时，利用自然语言处理（NLP）工具，将详细的规格和需求文档输入大型语言模型，能自动生成强大的测试套件，确保在敏捷 CI/CD 开发环境中保持 ASPICE 认证。此外，AI 工具还能跟踪数据和执行流程，可视化软件子系统之间的依赖关系，运用混沌工程原则确保测试覆盖率，避免失控。通过生成式 AI 工具扫描提交的代码质量和数量，创新工具和流程以提高效率，揭示潜在安全漏洞。总之，AI 与汽车软件开发的融合趋势日益明显，为汽车软件行业带来了崭新的发展机遇。
（一）应对软件架构挑战
在汽车软件开发的初期，传统方法构建复杂系统架构往往耗时费力且难以全面覆盖各种场景。而生成式 AI 和大型语言模型（LLM）则展现出强大的优势。例如，据相关数据显示，在某些汽车软件项目中，利用生成式 AI 和 LLM 生成的架构和设计模式，能够将初始架构定义的时间缩短 30% 以上。这些工具能够快速分析项目需求和现有代码库，为开发人员提供清晰的框架和桩代码，使他们能够更高效地组装工具并交付代码。通过生成式 AI 和 LLM，开发团队可以获得更具创新性和适应性的架构方案，为汽车软件系统的稳定性和可扩展性奠定基础。
（二）保持开发环境认证
自然语言处理（NLP）工具在汽车软件开发的敏捷 CI/CD 环境中发挥着关键作用。在 Toyota 的项目中，详细的规格和需求文档被输入到大型语言模型中，NLP 工具能够快速评估这些文档和问题追踪器。通过对文本的深度分析，NLP 工具可以准确地生成测试用例和期望结果，确保软件在开发过程中始终符合 ASPICE 认证要求。据统计，使用 NLP 工具生成的测试用例，其覆盖率相比传统方法提高了 20% 左右，大大降低了软件中的潜在风险。这不仅提高了开发效率，还保证了软件的质量和可靠性。
（三）可视化子系统依赖
在汽车软件的测试和生产运行过程中，会产生大量的数据。手动筛选这些数据的难度极大，资源消耗也非常高。而能够跟踪数据和执行流程的 AI 工具则可以有效地解决这个问题。例如，某些 AI 工具可以实时监测软件子系统之间的数据流动和执行情况，通过可视化的方式呈现给开发人员。这样一来，开发人员可以更快速地定位问题，调试和改进产品。据实际应用案例表明，使用这类 AI 工具可以将开发时间缩短 40% 左右，同时降低成本。
（四）确保测试覆盖率
对于汽车的远程信息平台，通信 API 的规范至关重要。运用混沌工程原则，随机化系统行为的变量组合，可以模拟或测试可能已预见和未预见的情景。通过这种方式，确保对潜在场景的充分覆盖，避免测试覆盖率失控。在实际项目中，混沌工程的应用使得测试覆盖率提高了 30% 以上，大大增强了软件的稳定性和可靠性。
（五）创新工具提高效率
生成式 AI 工具通过从软件开发工具链内生成变更文档，进入自学习循环，为创新工具和流程以提高效率提供了有力支持。这些工具可以扫描提交的代码的质量和数量，控制代码质量，揭示潜在安全漏洞。例如，在一些汽车软件项目中，生成式 AI 工具帮助开发团队及时发现并修复了潜在的安全漏洞，提高了软件的安全性。同时，通过自学习循环，不断优化工具的性能，为汽车软件开发提供更加高效的解决方案。
（一）智能化开发愿景
在软件定义汽车的时代，软件体验逐渐成为汽车的核心竞争力，软件在汽车中承担的责任越来越大。当前车载软件开发体系难以在高效率、高安全性、高可靠性方面满足行业需求。光庭超级软件工场正是在这样的背景下应运而生。
光庭超级软件工场旨在通过探索新的软件开发模式，提升汽车软件开发能力。一方面，汽车行业协作结构在软件为主的时代发生了改变，大型主机厂及新势力纷纷布局自身软件能力，但构建强大的软件开发能力面临诸多挑战，如硬件与软件研发流程体系差异、汽车安全要求高、软件人才争夺激烈且复合型人才稀缺等问题。另一方面，光庭拥有二十多年的汽车软件开发经验与积累，希望在 AI 逐步普及的时代，实现数字化、知识化、智能化三个阶段目标，为汽车行业提供全新的软件开发解决方案。
（二）分级构想实施路径
光庭超级软件工场的分级构想为智能化软件开发提供了可分阶段实施的步骤。
L0 体系化阶段，对软件开发定义明确的过程体系，依靠经过训练的人员及标准过程文档保证软件开发活动有序执行，本质上是依靠人及文档的规范性保障软件流程执行。
L1 平台化阶段，构建端到端的全生命周期软件开发云平台，组织依赖此平台执行任务跟踪、进行流程活动并管理提交的制品，相比 L0 阶段可依赖开发平台流程推动流程实施。
L2 数字化阶段，对软件开发平台进行数字化增强，建立软件成果物单元演化过程的追溯关系，将代码变更与具体人的行为和任务关联，实现代码问题追溯、技术债度量，对软件开发进度和质量进行可量化度量。
L3 知识化阶段，为特定领域的业务与技术背景构建知识图谱，建立软件过程成果物之间的追踪和语义关联，支持智能化知识推荐和问答系统，同时实现软件开发资源的自动化抽取和技术货架动态构建，最大化实现软件开发资源复用。
随着这些阶段的逐步推进，光庭超级软件工场朝着最终目标 —— 实现机器主导的智能化开发过程迈进。
（一）车载信息娱乐系统智能化
在车载信息娱乐系统中，AI 发挥着重要作用，极大地提升了驾驶体验。个性化推荐功能基于用户偏好和历史数据，为用户提供个性化的音乐、广播、视频等内容推荐。例如，通过分析用户过去收听的音乐类型和频率，AI 可以准确推荐符合用户口味的新音乐，据统计，个性化推荐的准确率可达到 80% 以上，大大提高了用户对车载娱乐系统的满意度。智能语音助手允许用户通过语音指令控制音乐播放、导航、电话等功能，提升了驾驶安全性和便利性。例如，在驾驶过程中，用户无需手动操作，只需说出指令，语音助手就能快速响应，减少了因操作娱乐系统而分散注意力的风险。车联网功能连接互联网后，用户可以享受实时路况信息、在线音乐、在线视频等功能，进一步提升了驾驶体验。娱乐内容扩展系统可以提供游戏、电子书等丰富的娱乐内容，为乘客提供更多娱乐选择，尤其在长途旅行中，丰富的娱乐内容可以缓解乘客的疲劳感。
（二）自动驾驶系统的 AI 技术
自动驾驶系统中的 AI 技术涵盖多个方面，有力地推动了自动驾驶的发展。感知系统方面，自动驾驶汽车使用传感器如摄像头、雷达、激光雷达等感知周围环境。这些传感器收集大量数据，AI 算法能够快速准确地处理这些数据，识别道路上的各种物体和状况。例如，在复杂的交通场景中，AI 感知系统可以准确识别行人、车辆和交通标志，准确率高达 95% 以上。决策规划基于感知信息，自动驾驶系统制定安全行驶路径并控制车辆。通过深度学习算法，自动驾驶系统可以根据不同的路况和交通状况做出最优决策，提高行驶的安全性和效率。学习与优化方面，自动驾驶系统通过机器学习不断改进性能，例如路径规划、目标识别和风险评估。随着行驶里程的增加，系统不断学习和优化，性能逐渐提升。安全保障是自动驾驶系统的关键，必须确保安全可靠，包括故障诊断、冗余设计和紧急情况处理。AI 可以实时监测系统状态，及时发现潜在故障并采取相应措施，确保自动驾驶的安全性。
（三）车载安全系统智能化
车载安全系统的智能化对于提高行车安全至关重要。碰撞预警系统利用传感器和人工智能算法，检测潜在的碰撞风险，及时提醒驾驶员采取措施。例如，当车辆与前方车辆距离过近且速度较快时，碰撞预警系统可以提前发出警报，让驾驶员有足够的时间做出反应。车道偏离预警系统监测车辆行驶轨迹，并在车辆偏离车道时发出警报，帮助驾驶员保持车道行驶。疲劳驾驶监测系统通过分析驾驶员的面部表情、眼部活动和驾驶行为，判断驾驶员是否疲劳，并发出警报。据研究表明，疲劳驾驶监测系统可以有效降低因疲劳驾驶导致的交通事故发生率。驾驶员注意力监测系统监测驾驶员的注意力水平，并在驾驶员分心时发出警报，提高行车安全。
（四）车载诊断系统智能化
车载诊断系统的智能化包括实时诊断数据、故障预测与预防、远程诊断与维护和数据分析与优化等方面，提高了车辆的可靠性。实时诊断数据方面，人工智能可以实时分析车载传感器数据，识别潜在问题，并向驾驶员发出预警。例如，当车辆某个部件出现异常时，AI 诊断系统可以迅速检测到并通知驾驶员，以便及时进行维修。故障预测与预防通过学习历史数据，人工智能可以预测可能发生的故障，提前采取措施，提高车辆可靠性。远程诊断与维护利用云计算和人工智能，车主可以远程获取车辆诊断信息，并进行故障排查和远程维修。数据分析与优化人工智能可以分析车辆使用数据，优化驾驶风格，降低燃油消耗，延长车辆使用寿命。
（五）车载能源管理系统智能化
车载能源管理系统的智能化有助于优化能源效率、进行预测性维护、智能充电管理并支持新能源汽车，实现智能化能源管理。优化能源效率方面，智能算法可实时监控和分析车辆的能源使用情况，动态调整发动机和电池的运行参数，提高燃油经济性和续航里程。例如，根据车辆的行驶速度、路况和负载等因素，AI 能源管理系统可以自动调整发动机的输出功率，降低能源消耗。预测性维护系统可以预测电池寿命和性能下降，并及时提醒用户进行维护，延长电池使用寿命，降低维护成本。智能充电管理智能充电管理系统可以根据用户的驾驶习惯和行驶路线，自动选择最优充电模式，优化充电时间和成本。新能源汽车支持方面，智能能源管理系统为混合动力和纯电动汽车提供更先进的能源管理功能，优化充电策略，提高续航能力。
（六）人机交互界面智能化
人机交互界面的智能化通过自然语言交互、多模态交互、个性化定制和智能学习，提升了人机交互效率和体验。自然语言交互利用语音识别和自然语言处理技术让车主可以用自然语言与汽车进行交互，方便快捷，提升驾驶体验。例如，用户可以直接用自然语言询问车辆的状态、导航目的地等信息，车辆能够准确理解并给出回应。多模态交互将语音、手势、表情等多种交互方式融合，实现更加直观的操控，提升人机交互效率。个性化定制根据用户喜好和使用习惯，提供个性化的交互界面，满足不同用户的需求，提升用户体验。智能学习通过学习用户的使用习惯和偏好，不断优化交互逻辑，提供更加智能化的人机交互体验。
（一）行业案例分享
东软睿驰在 SDV+AI 下的汽车软件架构和方案为汽车电子基础软件开发提供了优秀的范例。东软睿驰面临着一系列挑战，如庞大的软件规模与成本分摊难题。汽车智能化变革促使汽车软件规模激增，汽车软硬架构复杂性远高于其它软件行业，软件开发成本高昂，摊销单位成本居高不下。据统计，汽车软件开发成本可能是传统软件行业的数倍甚至更高。
同时，行业标准亟需加快形成统一。汽车行业尚缺乏统一的软件开发标准，汽车开发体系的高门槛限制了更广泛的创新想法快速导入与落地。例如，在互联网领域，开放的标准如 W3C 标准、HTTP 协议等能够支持初创企业便捷地进行应用创新和商业模式探索，而汽车行业在这方面还有很长的路要走。
此外，汽车 AI 应用用户粘性尚未建立形成。AI 应用在客户粘性上与传统互联网应用存在很大差距，尤其在汽车领域尚未找到用户粘性高的 “杀手级” 应用。目前，汽车行业仍处于探索如何将 AI 能力转化为满足用户真实需求场景的阶段。
还有汽车开发周期与 AI 迭代速度尚存在差距。生成式 AI 技术衍生的应用迭代速度远超车型本身迭代速度，乃至软件 OTA 的迭代速度。这对软件平台的通用性、可靠性、兼容能力提出更高的要求。
为应对这些挑战，东软睿驰构建了通用型软件平台。该平台提供标准的基础软件及丰富的中间件，支持跨域、跨车型、跨平台的产品兼容能力。东软睿驰致力于推进行业标准的制定，实现 SOA 服务架构和接口规范统一化，让车企、供应商、第三方开发者都能够基于开放的标准实现便捷的应用开发，使得软件成本大幅下降，软件生态更加繁荣。
面向开发者，该平台具备软件快速迭代的能力，以周为单位的迭代支持车企在 AI 技术加持下智能化应用的持续创新和快速迭代。同时，打造 Cloud-native 轻量开发模式，降低传统汽车开发流程体系的门槛要求，为应用开发者提供泛互联网式的便捷、高效的开发环境。还构建了灵活开放的开发生态，激发和吸引更多软件人才协同创新，打造真正贴合用户需求的智能化功能。并且从应用开发之初引入车云一体的架构设计，实现车端与云端的无缝衔接、计算分离，为车辆全生命周期内持续提供卓越的用户体验。
（二）未来发展展望
尽管 AI 在汽车电子基础软件开发中面临着诸多挑战，但它的巨大潜力不可忽视。随着技术的不断进步，AI 将在汽车软件领域发挥越来越重要的作用。未来，AI 有望进一步提升汽车软件的智能化水平，为用户带来更加安全、便捷、舒适的驾驶体验。
在软件架构方面，通用型软件平台将不断完善，实现更高程度的跨平台兼容和开发降本增效。同时，随着行业标准的逐步形成，汽车软件开发将更加规范和高效，吸引更多的创新力量加入。
在应用创新方面，AI 将为汽车带来更多的 “杀手级” 应用，提高用户粘性。例如，通过不断探索和创新，汽车可能成为一个智能移动的生活空间，为用户提供更加丰富多样的服务。
在开发效率方面，AI 工具将不断优化，实现更快速的迭代和更高效的开发。开发团队可以更加专注于创新和用户体验，为汽车软件行业带来更多的惊喜。