AI要进汽车研发，真正难在哪？

“AI为啥可以有幻觉？因为它不承担责任，可以瞪眼瞎说。”

近日，在第十四届汽车与环境创新论坛上，FISITA终身名誉主席、清华大学教授、汽车产业与技术战略研究院院长赵福全的一句话，将AI进入汽车研发后的一道现实难题摆到了台前。

AI会犯错，这并不新鲜。但当AI从聊天窗口走进汽车研发，错误的代价就不再只是一个不准确的答案。

例如，在车身轻量化设计中，AI预测模型可以帮助工程师快速评估不同结构方案的性能。但预测结果再理想，也不代表方案一定能够通过碰撞验证，更不意味着它可以直接投入生产。

AI可以参与计算，却无法替工程师承担判断的责任。

随着越来越多的工业软件引入AI，汽车研发正在获得新的提效工具。但一家车企能否真正用好这些工具，远比部署一个模型复杂。

研发周期越来越短，更优方案从哪里来？

汽车研发最难的，往往不是找到一个可行方案，而是在众多方案中找到更好的那个。

以车身轻量化为例，减薄一块钢板可能降低重量，却也可能影响碰撞安全；增加加强结构，又可能抵消此前的减重成果。

工程师需要在重量、安全、成本和制造工艺之间反复权衡。一个指标改善，并不代表整个设计方案更好。

奇瑞汽车轻量化技术委员会主任刘冶钢在接受盖世汽车采访时指出，新能源汽车轻量化已经从相对单一的减重目标，转向多目标、多约束的综合优化。

这意味着，研发团队需要寻找的不是某个指标上的最优解，而是同时满足多项工程要求的设计方案。

问题在于，可能的设计组合实在太多。

图片来源：AI

汽车研发早已广泛应用计算机辅助工程（CAE）仿真。工程师能够在制造实物样件之前，分析结构强度、碰撞性能等指标，并根据计算结果调整设计。

优化算法也并非新鲜事物。通过设定设计变量、目标函数和约束条件，软件可以帮助工程师搜索不同参数组合。

但有了这些工具，不代表研发效率就不再受限。

传统开发过程中，工程师需要反复修改结构、调用仿真工具，再根据结果进入下一轮调整。面对复杂碰撞工况，高精度计算可能消耗大量时间和算力资源。

当设计变量增多、性能要求更加复杂，寻找更优方案的成本也会随之增加。

更棘手的是，汽车行业留给工程师的时间正在缩短。

近年来，中国汽车市场竞争加剧，新车型开发周期不断压缩。整车企业希望更快推出产品，但安全验证、可靠性测试和制造准备，并不会因为上市时间提前而自动变得简单。

此前，在盖世汽车举办的AI定义汽车论坛上，盖世汽车合伙人、研究院副总裁王显斌谈及研发提速给供应链带来的压力时，曾直言：“这些省完还赶不上节点，就只能动验证的刀子。”

这句话背后，是汽车开发越来越突出的时间矛盾。

设计方案需要反复优化，必要的验证又不能随意压缩。如果研发效率的提升主要依赖减少验证工作，风险便可能被推迟到开发后期，甚至产品交付之后。

因此，真正值得探索的方向，是能否在设计阶段减少无效尝试，把有限的计算和验证资源用在更有价值的方案上。

AI进入汽车结构设计，正是在这样的背景下获得了新的应用空间。

AI能帮工程师省下多少时间？

如果高精度仿真计算耗时较长，那么能否先利用AI预测，减少不必要的重复计算？

这是AI进入汽车结构优化的一种应用思路。

在奇瑞与江苏大学联合开发的iDO轻量化智能设计平台中，研发团队尝试将AI预测模型与参数化建模、CAE仿真和自研优化算法结合，提高复杂结构设计的优化效率。

据刘冶钢介绍，该平台已经迭代至2.0版本，并应用于星纪元ES、风云（参数丨图片）A9/T11、C21A、E02等车型或项目的前期开发。

其中，参数化建模、仿真分析和优化算法早已应用于汽车研发。AI增加的主要是基于已有数据进行快速预测的能力，使部分设计方案能够以更低的计算成本进行评估。

但预测并不等于验证。

模型可以辅助估计不同参数组合的性能，却不能仅凭预测结果确认方案已经满足安全、制造和可靠性要求。

因此，AI并不是独立完成汽车设计，而是作为现有工程工具体系中的一个环节，参与寻找更优方案。

刘冶钢提供的数据，展示了这套工具组合在实际开发中的应用成果。

在E02项目中，研发团队针对侧面碰撞和柱碰相关子系统，经过四轮优化迭代，实现减重13.8kg。

在平台级应用中，iDO相关优化工作实现了车身最高减重21kg，前提是相关性能指标达标。

此外，相关优化工作还取得了碰撞空间提升100—150mm、防撞梁吸能提升32%的成果。

这些数据对应不同的优化对象和评价指标，不能简单相加，也不能直接理解为同一辆车同时实现了全部改善。但它们共同说明，轻量化设计并不是单纯减少材料，而是在满足工程要求的前提下，寻找重量与结构性能之间更合理的平衡。

除了优化结果，研发效率也是衡量这类工具价值的重要指标。

据刘冶钢介绍，iDO使构件建模周期缩短75%，优化效率较现有商业优化软件提升40%以上。

这两项改善并非全部来自AI预测模型。参数化建模减少了重复操作，自研优化算法提高了参数搜索效率，不同工具之间的协同也参与了这一过程。

换句话说，AI能够发挥多大作用，不仅取决于预测模型本身，也取决于它能否融入原有的研发流程。

类似的效率探索也出现在海外车企。

图片来源：AI

西班牙车企SEAT与工程软件企业Synera合作，曾通过工程工作流自动化，将一项白车身优化流程的处理时间从42小时缩短至1小时。

此后，双方又在既有自动化流程上引入AI智能体。据Synera披露，2026年展示的一项制造可行性评估任务，处理时间由约4周缩短至30分钟。

两组数字对应不同任务，不能直接比较，更不能简单等同于整车研发周期的缩短。

但这一案例说明，汽车研发效率的提升并不总是始于更强的AI模型。工程流程本身的改造，同样能够带来显著变化。

奇瑞尝试通过AI预测与优化算法的结合，提高结构设计的方案探索效率；SEAT则通过工作流自动化及后续引入的智能体，减少工程工具之间的重复操作和任务衔接成本。

两条路径并不相同，却指向一个共同事实：AI只有进入具体的工程流程，才能真正产生价值。

而当越来越多车企都能够获得类似的AI工具，另一个问题也随之出现：为什么使用相似的软件，研发效果仍然可能存在差距？

有了同样的算法，为什么做不出同样的设计？

商业工业软件正在加快引入AI。

2026年3月，新思科技发布Ansys 2026 R1，其中GeomAI可辅助几何方案探索，SimAI则能够利用仿真数据训练预测模型，为设计研究和性能优化提供支持。

这为车企提供了更多选择。部分AI能力不必完全依赖企业自研，也可以通过成熟的工业软件获得。

但获得工具，只是开始。

同样是车身轻量化，不同车型的材料体系、结构布置、碰撞要求和制造工艺可能存在明显差异。即使使用相同的软件，研发团队也需要重新确定哪些设计变量可以调整，哪些性能指标必须满足。

如果设计目标设置不合理，或者遗漏了重要的制造约束，算法即使找到了数学意义上的更优解，也可能无法应用到实际车型。

因此，AI进入汽车研发，首先要解决的是如何把复杂的工程要求转化为明确的优化问题。

而要做到这一点，离不开企业积累的专业知识和工程数据。

刘冶钢认为，AI进入汽车研发后，工业软件的竞争不仅涉及算法，还取决于工程数据、专业知识与实际应用场景的结合。

例如，哪些结构调整能够改善碰撞表现，哪些材料组合适合特定制造工艺，都是研发过程中逐渐形成的经验。这些信息如果分散在不同项目和团队中，就很难充分用于后续的智能优化工作。

赵福全此前提出的“1+N+X”模型体系，也涉及通用能力与企业应用之间的分工。其中，“1”指基础大模型，“N”指专业领域模型，“X”指企业专属模型。他认为，制造业企业没有必要都去开发基础大模型，更应重视结合自身业务建立专属模型能力。

不过，拥有数据和模型，并不意味着已经解决了实际应用中的全部问题。

AI预测模型依赖已有数据。当新项目采用不同的材料、结构形式或工况时，原有模型的预测精度可能发生变化。

刘冶钢强调，AI预测必须受到模型精度和适用范围的约束。尤其在复杂碰撞等关键工况下，高保真CAE仿真、工程师评估以及必要的实物试验仍然不可替代。

这意味着，研发团队不仅需要知道模型能够做什么，还必须知道它在哪些条件下可能失效。

通过将预测结果与仿真、试验结果进行比较，工程师可以判断模型的适用范围，并据此调整设计方法。经过反复验证的经验和流程，也有机会在后续项目中复用。

但这种复用并非没有边界。面对新的材料、结构或工况，模型仍然需要重新评估。

这也意味着，即使使用相同的AI工具，不同车企仍然需要依靠自身的工程经验，判断哪些结果值得采用、哪些必须重新验证。

AI正在让寻找设计方案变得更快，却没有让工程判断变得可以省略。

而这种判断能力，既来自工程师的专业经验，也依赖企业长期积累的数据、设计流程和验证体系。

当算法逐渐普及，真正难以复制的，或许正是车企将AI的计算结果转化为可靠汽车设计的能力。