汽车行业正超越“软件定义汽车”的阶段，迈向“人工智能定义汽车”（AIDV）——在此阶段，软件不再仅仅是更新功能的工具，而是自主推理、适应和执行的基础。  

生成式人工智能通过产生见解、文本和建议来“思考”，而代理式人工智能则通过自主行动、做出决策和执行任务来“行动”。一个重大的概念转变在于，代理式人工智能不仅能增强车辆的功能，还能改变其角色。  

平衡边缘计算与云计算 

代理式人工智能的一项关键应用，是决定哪些任务应在车辆本地（边缘）处理，哪些应在云端处理。代理式人工智能并非将车辆视为被动的终端节点，而是充当智能协调器，持续评估延迟、安全性、带宽、计算资源可用性、成本和能耗，从而动态分配工作负载。 

边缘计算通常用于处理即时、安全关键且涉及隐私的任务，例如毫秒级高级驾驶辅助系统（ADAS）的响应（如制动和车道保持辅助）、驾驶员疲劳和分心监测、网络连接中断时的导航备用方案， 核心语音指令（如开启空调）、车内音视频处理，以及针对气候控制、座椅、照明和界面适配的即时用户体验（UX）调整。  

与此同时，云端通常负责处理计算密集型但对时间敏感度较低的任务，例如大型语言模型（LLMs）、场景模拟、交通、充电及使用模式优化、智能家居+汽车+移动设备生态系统，以及空中下载（OTA）更新等。 

实现车辆自动驾驶的自动化及驾驶辅助功能 

传统的ADAS遵循“感知→规则→行动”的线性模型，其响应方式为硬编码，上下文积累能力有限，且在模糊场景下的失效率较高。相比之下，代理式人工智能引入了目标驱动的行为，从而使系统能够在安全性、效率和舒适性之间进行权衡。  

代理决策循环由传感器感知、地图和遥测数据；基于大型语言模型（LLMs）和约束条件的推理层；通过目标评估和多步推理进行的规划；通过执行器和操作系统命令执行的动作；以及一个持续的反馈循环组成。与固定规则相比，这种方法旨在更灵活地应对非结构化道路和模糊状况。  

特斯拉就是一个典型的例子。特斯拉的全自动驾驶（FSD）和机器人出租车系统通过基于视觉的人工智能感知环境；制定规划并选择行驶路线；执行转向、制动和加速等操作；并适应现实世界中的各种场景。  

车载助手与用户体验 

车载助手是早期具有代理能力的AI的主要体现之一。AI代理使助手能够从基于指令的系统演变为能够理解上下文、偏好和操作限制的对话式界面。这些助手能够根据驾驶模式、历史行为模式、车辆状态、车内状况以及外部环境来调整响应。  

基于规则的系统依赖于固定的命令语法，基于大型语言模型（LLM）的系统支持自然语言，而智能助手则将自然语言处理与传感器及上下文相结合，以实现多模态推理。 例如，基于规则的电话系统要求用户使用精确的措辞，基于大语言模型（LLM）的系统能够处理灵活的请求，而智能助手则能推断出“帮我转接给约翰”这类含糊的意图。在更复杂的情况下，智能助手可以利用实时感知功能解释车辆将如何处理行人，并将信号灯状态和交通流量整合到导航答复中。  

车身控制、动力总成与能量优化 

基于智能代理的AI模型能够针对多个车辆控制领域实现持续自适应。例如，在主动悬架系统中，AI智能代理可以分析路面特性、车辆运动参数以及即将出现的地形变化。 在动力总成优化方面，智能体可监测扭矩需求、发动机参数、驾驶风格、热管理边界及法规限制，进而调整燃油喷射、能量分配和增压压力。座舱智能化是另一个主要应用场景——智能体AI可在乘客上车前调整供暖、通风和空调（HVAC）系统、座椅位置及环境照明。  

在节能型舒适性管理方面，人工智能代理可在暖通空调需求与电池续航里程之间实现平衡，在电池电量较低时降低负载，并仅在必要时对车内进行预调节。  

智能代理式人工智能还能通过在高风险环境中预先锁门、根据即将面临的路况预先调整悬架，以及为隧道或能见度较低的路段预先调整灯光，来辅助实现预测性车身控制。它能够检测执行器异常，动态重新配置系统行为，并向驾驶员提供可操作的建议。在混合动力车型中，智能代理可以决定何时使用内燃机、何时使用电动机，从而优化燃油效率和电池使用。  

OTA 生命周期协调 

基于智能代理的人工智能能够将OTA更新从被动响应的过程转变为预测性、自动化的生命周期系统。智能OTA决策意味着智能代理会根据车辆使用模式、驾驶员行为、气候、地形和网络状况，自主决定何时以及更新哪些内容。更新可以有选择地部署，而非同时推送至每辆车，并且可以在部署前预测故障概率。  

自主 OTA 协调涵盖了验证、模拟、部署、监控和回滚的端到端工作流。此外，自愈型管道可检测更新失败的情况，并自动重试或回滚。基于代理的 AI 能够协调 ADAS、车载娱乐系统和动力总成领域的更新，并利用车队遥测数据和数字孪生技术触发预防性补丁，同时支持针对极端天气和罕见驾驶边界情况的验证。  

这将带来更明智的营收策略——动态功能定价、基于使用情况的升级、更快的功能发布周期，以及更低的召回或服务活动成本。  

推广网络安全与自愈型车辆 

代理式人工智能将车辆网络安全从基于规则的被动防御模式，转变为主动、自主且持续适应的安全系统。传统的网络安全依赖于基于特征码的检测、人工事件响应以及定期更新。借助代理式人工智能，系统能够持续进行监控、检测、决策和行动，实时从新威胁中学习，并在无需等待人工干预的情况下执行响应措施。  

在边缘端，基于代理的网络安全系统会监控CAN和以太网流量模式、电子控制单元（ECU）的行为异常、未经授权的访问尝试以及传感器欺骗信号。与单一的安全模块不同，该系统配备了专门用于网络安全、身份与访问管理、OTA安全、应用安全和云安全的专用代理。 自主事件响应功能可隔离受感染的ECU或域，阻断恶意通信，回滚至安全的软件版本，切换至故障安全驾驶模式，并向原始设备制造商的安全运营中心发出警报。  

市场接受度与主要参与者 

根据标普全球移动（S&P Global Mobility）的数据，车载生成式人工智能（GenAI）聊天机器人的普及率将从2025年的约8%上升至2031年的近31%。尽管整车制造商对车载生成式人工智能聊天机器人的采用已十分普遍且呈加速趋势，但真正具备对话能力和代理功能的应用仍处于发展阶段。 大多数生成式人工智能（GenAI）聊天机器人用于车内对话场景，例如导航、车载娱乐信息系统、车辆控制，以及关于车辆说明书和功能的查询。 

汽车代理式人工智能领域是一个由多家供应商组成的生态系统，其中没有一家占据主导地位。尽管汽车代理式人工智能供应商格局仍在形成之中，但可以明确的是，该领域涵盖三个层级——汽车专用人工智能平台（座舱、整车、经销商）、工程与IT服务提供商（系统集成商）以及核心人工智能/云计算/芯片生态系统参与者。  

主要供应商包括亚马逊网络服务（AWS）、Sonatus、Cerence、Salesforce 和英伟达等。 

展望 

代理式人工智能正逐渐成为一种贯穿整个价值链的能力，而非仅限于单一车辆功能。当代理式系统融入工程、制造和出行工作流程时，能够提升整个汽车价值链的可靠性、响应速度和一致性。它能使车辆更具适应性，使智能助手更具情境感知能力，使OTA更新更具预测性，使网络安全更具自主性，并使制造工作流程更具响应性。  

话虽如此，该市场仍处于形成阶段，应用普及程度参差不齐，且许多部署仍停留在“代理式”阶段，而非完全自主。 仍有许多问题悬而未决——对于转向、制动、加速和自动驾驶等安全关键功能，在所有运行条件下，由人工智能驱动的决策是否安全？当人工智能代理做出错误决策时，责任应由谁承担？  

自主人工智能的有效性完全取决于其学习的数据质量。识别高价值数据并持续改进人工智能代理的能力，正缓慢而坚定地成为一项关键的竞争优势。最大的障碍并非人工智能模型本身，而是在高度监管的行业中，确保自主代理具备安全性、可靠性、可认证性、可解释性以及经济可行性。