2026世界新能源汽车大会上，“AI驱动智能汽车技术跃迁与全场景落地”专题论坛格外引人瞩目，大家都非常关心的一个话题是：当AI以铺天盖地之势涌入汽车行业，研发工程团队究竟该如何驾驭它？

MathWorks产品战略高级首席技术专家Jason Ghidella博士在这场专题论坛中的演讲引起业内人士的重新思考。会间，Ghidella博士接受了AI《汽车制造业》记者的专访，围绕AI如何重塑汽车研发并帮助车企提升竞争力的主题，系统阐释了MathWorks对“工程化AI”的理解与实践路径。

MathWorks产品战略高级首席技术专家Jason Ghidella博士和MathWorks中国区汽车行业负责人周斌

从“软件定义”到“AI定义”的挑战

当前，汽车智能化正从单点功能创新走向系统级AI能力构建，而支撑跨域协同的工程体系，在很多企业中可能尚未完全准备好。

Ghidella博士在采访中直言：“未来三到五年，汽车研发将继续从文档驱动、样车主导的流程，转向模型与数据驱动、持续验证的工作方式。” 在他看来，模型为不同工程学科提供了共同且可执行的系统描述，数字工程将需求、架构、设计、代码、测试和安全证据连接起来，而AI则可以辅助完成工程知识检索、工件起草、模型修改、仿真运行、结果分析以及更广泛的工程流程编排等重复性工作。

但一个更深刻的转变正在发生：“工件生成越快，瓶颈越会转移到验证环节。” Ghidella博士的这句话，点出了当前车企AI应用中最容易被忽视的陷阱——当AI把代码生成、模型修改、测试用例编写的速度提升十倍之后，如果验证能力没有同步扩展，企业收获的不是效率，而是堆积如山的“待验证资产”。

三个问题划定“AI应该做什么？”

“AI定义汽车”的口号之下，行业对AI的期待常常游走在两个极端之间：要么将其神化为可以替代工程师的“全能大脑”，要么将其贬低为只能写PPT的“花架子”。

Ghidella博士给出了一个更务实的判断框架：“AI的价值边界应取决于三个问题——输出能否验证？能否追溯？风险能否控制？”

他进一步划定了AI适合深度参与的环节：需求起草、代码和模型创建辅助、数据处理、测试用例生成、仿真运行、缺陷识别和结果总结。而对于需要工程判断的工作，他态度明确：“工程师必须直接参与，包括定义系统需求、分解安全目标、进行架构权衡、判断场景完整性、确认建模假设以及批准发布。”

这套边界的背后，是MathWorks对“可信度”来源的深刻理解。谈及Simulink Copilot和Agentic Toolkit等新工具时，Ghidella博士强调：“可信度并非来自语言模型本身，而是来自围绕它建立的工程工作流；即使在AI出现之前，情况也是如此。”

他用两个案例佐证了这一判断：在美国，Lucid Motors已将MATLAB、Simulink、GitHub Copilot和MATLAB MCP Server用于虚拟整车模型开发——AI智能体可以理解模型层级、调整被控对象和控制器参数、运行桌面仿真、诊断错误并汇总结果，而工程师仍会审核关键决策和模型行为；在中国，一家汽车客户针对自动泊车功能开展了概念验证，在受管理的工程工作流中，AI智能体将一项建模和验证任务从约一个月缩短到约三小时。

“中国速度”下的工程化AI

更多中国车企的工程实践，为“工程化AI”提供了极具说服力的注脚。

极氪使用System Composer、MATLAB和App Designer为其车载操作系统开发SOA维护工具，并利用Simulink和Embedded Coder支持面向服务的软件开发和C++代码生成。蔚来通过虚拟整车仿真，在32类驾驶场景下优化双电机纯电系统。博世中国将基于模型的系统工程与基于模型的设计相结合，使用Requirements Toolbox实现需求追溯，使用System Composer开发系统与软件架构，工作流覆盖接口定义、数据字典、软件模型、单元测试、集成测试以及向Classic AUTOSAR迁移。

Ghidella博士还特意提到了吉利汽车的案例：“吉利汽车研究院将Simulink、Simulink Test和Polyspace产品集成到域控制器的DevOps流水线中，实现模型检查、代码生成、测试、静态分析和构建自动化，这将集成配置和构建周期从最长一周缩短至一到两天，并支持每日构建与测试，首次集成通过率超过90%。”

Ghidella博士还说：“这些正是‘中国速度’的实际含义：不是以质量换进度，而是更早测试、更高复用、自动化质量门禁和更少返工。”

这句话值得中国汽车行业深思。过去几年，“中国速度”常常被简单理解为“加班多、迭代快、敢冒险”，但更本质的逻辑其实是：速度的来源不是压缩验证，而是把验证嵌入开发流程的每一个环节。

“平衡安全、质量和开发速度的最佳方式，是将质量检查嵌入开发流水线，而不是作为末端的独立活动。” Ghidella博士强调。

对中国车企的三点建议

作为长期观察全球汽车工程实践的专家，Ghidella博士对中国车企的建议坦诚而中肯：“中国车企非常善于快速响应市场并应用新技术，下一步，是将项目层面的速度转化为能够跨车型项目规模化复制的工程能力。”

他给出了三点具体建议：“第一，建立共享的系统架构、建模规范、接口和验证策略，以减少重复工作，并提高集成的可预测性。第二，将模型、场景、测试用例和数据作为企业级工程资产进行管理，再通过产品线工程帮助团队在不同车型间复用这些资产。第三，通过受控工作流引入AI，确保AI生成的工件可追溯、可测试、可审计。”

这三条建议指向同一个核心命题：中国车企需要从“项目成功”走向“体系成功”。一款车型开发得快，不代表每一款都能快；一个团队用好了AI，不代表整个组织都能用好。“转型不必一开始就覆盖整个组织。企业可以从一个量产项目或高价值领域入手，衡量开发周期、缺陷、复用率和验证覆盖率，再将行之有效的做法逐步推广。” Ghidella博士的建议务实而可操作。

可复用的知识资产才是真正的价值所在

谈及未来，Ghidella博士的判断回归到一个看似朴素的观点：“真正的价值不仅是提升个人工作效率，更在于将工程知识沉淀为可复用的模型、测试、工作流和追溯记录。”

在MathWorks的构想中，未来的工程体系是一条“可执行的数字主线”——从需求、架构、详细设计、软件实现，到测试和验证证据，每一个环节都通过模型连接起来，AI则在这条主线之上承担结构化的智能体任务。“AI应融入这些成熟工作流，使其输出可被测试并实现追溯。进展最快的组织，将是那些能够复用数字资产、自动化验证，并将经验推广到不同项目中的组织。”

对于正在加速出海的中国车企而言，这套体系的价值尤为突出。Ghidella博士指出：“对于全球化发展的中国车企，一致的工程语言和工具链能够减少国内团队、海外研发中心、供应商及合作伙伴之间的协作摩擦。各方可以交换模型、接口、测试和验证证据，同时遵循AUTOSAR等标准，以及成熟的功能安全和网络安全实践。”

当AI以前所未有的速度生成代码、模型和测试用例，汽车行业的竞争焦点正在从“谁能更快地做出来”，转向“谁能更快地验证、更可靠地复用、更系统地沉淀”。这或许才是“AI定义汽车”时代，工程工具真正需要回答的问题。正如Ghidella博士所言：“AI可以提升工程产出效率，但不能替代工程师对工程决策承担责任。” 速度与严谨的平衡，将成为每一家车企在AI时代的必修课。