随着大模型、世界模型技术快速落地，智能驾驶行业迈入AI Agent全新发展周期，产业正从功能化辅助驾驶，向具备自主感知、决策、规划能力的驾驶智能体深度演进。国内L2级辅助驾驶渗透率持续走高，智驾加速普及迎来“平权时代”，算力瓶颈、车企自研与供应商路线博弈、商业化盈利闭环等议题成为行业核心焦点。与此同时，中国智能汽车出海进程提速，但全球各地差异化法规、数据属地化存储、本地化驾驶场景适配等多重挑战持续凸显。
2026年6月17日，第九届智能驾驶与出海大会围绕“AI Agent时代 智能驾驶正在从‘辅助驾驶’走向‘驾驶智能体’”这一话题展开了精彩的圆桌讨论。本次圆桌由长城汽车技术品牌与规划总监杨永喆主持，JetBrains智能汽车业务中国区负责人杜嘉宁、KPIT CTO陈毅驰、长城汽车智能驾驶产品资深专家陈龙、华为技术有限公司智驾解决方案专家黄梓亮参与讨论。
以下为圆桌讨论内容整理：
Q&A 1
杨永喆：大模型进入汽车后，智能驾驶会演变成“驾驶Agent”吗？
黄梓亮：Agent必然是人工智能的最终形态，自动驾驶的演进历程亦然。第一代基于规则驱动，感知、规划、控制均由人工编写规则实现，无法覆盖长尾边缘场景；第二代采用BEV+Transformer架构，本质上解决了感知与空间重构的部分问题，但仍无法完全覆盖，且仍为分段式架构；后续逐步演进为端到端方案，VLA及世界模型等技术的引入，使自动驾驶系统在算力平台上真正形成一个懂驾驶的智能体。随着L3和L4的逐步落地，这一基于人类思维范式构建的人工智能智能体，本质上就是一个搭载于四轮之上的Agent，能够解放人的双手与双眼。
陈龙：其实不应该定义为Agent，而应是智能体。Agent的本质是代理，仍需人来指令如何执行；而未来的智能汽车，应当是一个真正的智能体。就像《三体》中所描绘的智能体，它能理解你，并主动操控资源来帮助你实现意图。它不仅能感知你所感知的，更能想到你尚未想到的，并提前为你实现。比如当会议即将结束时，它会读取你的日历，判断你接下来的去向，届时车已在门口等候。所以我认为，它的未来形态，是智能体，而非简单的 Agent。
陈毅驰：我认为当前阶段，车上运行的实际上已经接近一个驾驶Agent，只是我们在讨论时将其与座舱进行了关联。事实上，在智能驾驶过程中，无论是启动、结束，还是途中遇到问题时与用户的交互，确实并不充分。因此我们看到，即便是高速NOA，激活后的留存率也并不高，大约在60%至70%。如果能通过与座舱的结合，使其与驾驶员的交互更加完善，无论是在条件不满足时更顺畅地避险，还是退出时带来更好的体验，我认为它才有可能从当前的Agent阶段，过渡到所说的智能体阶段。但以目前的体验来看，尚未达到这一水平。
杜嘉宁：在各行各业中，我们都看到越来越多专业化垂类智能体的出现。以软件开发为例，Coding-agent的出现已使开发方式与以往截然不同。过去我们提供IDE，它是供程序员和工程师编写项目与程序的工具；而有了Coding-agent之后，它成为了人、AI与项目三者的完美结合点。
Agent应该具备自我接收信息的能力、思考能力、拆分能力，甚至自我提升与学习的能力。智驾Agent同样如此。如果说传统智能驾驶可能仅接收一个指令，完成从出发点到目的地、安全顺畅的任务即可。但随着Agent的介入，它需要学习和感知更多的东西，包括驾驶员的习惯、当日的心情、外部天气及所有周遭环境。它完成的不再只是一个从A到B的任务，而是一种贴近用户习惯的出行方式。
传统智驾的本质是算法为车服务；而到了Agent时代，甚至更往后，可能世上不再有“车”这一概念，它只是一个拥有四个轮子的具身载体，可以完成各种各样的任务，但所有任务的核心，一定是围绕这个载体和车上的人。
Q&A 2
杨永喆：算力是否仍然是智能驾驶发展的核心瓶颈？
杜嘉宁：算力一直是一个重要话题，毫无疑问，它是必要条件。但随着上层技术日益精进，业务场景愈发丰富，越来越多的企业与用户开始将关注点转向算力上层，例如电力消耗、AI Token消耗，以及投入这些Token能否获得相对平衡的收益。在算力满足的前提下，无论是驾驶员还是车内乘客，大家更期待的是，你究竟能带来怎样一个真正愿意买单的场景。因此我认为，未来可能会出现更多维度的新矩阵来衡量这一价值。
陈毅驰：关于算力，从云端来看，目前仍在运营的大厂云端算力应该都不匮乏，否则就难以维持。至于车端，它确实是一个重要因素，但并非制约因素。因为我们讨论车端时，更多关注的是有效算力。
我们承接了许多项目，致力于将芯片内的算力有效利用，把带宽占满，并针对不同芯片定制神经网络流程与算子，优化实时性，满足功能安全要求。但仍面临各种各样的问题。我认为当前没有哪颗芯片能达到芯片设计厂商本身预期的状态。因此，许多算法厂商选择自研芯片与算子，以充分压榨自身设计的性能。但对于德州仪器、高通等更通用的芯片厂商，其有效算力并未被充分利用，实际仍面临不少问题。
陈龙：算力本质上是服务于体验的，目前来看仍有很大的机会。我认为可以从两点来看。第一，从科技行业来看，当前大模型使用较多的企业，如阿里、Google等，其财报显示明年算力投资呈爆炸式增长，这说明从趋势上算力必然是渴求的。第二，从我们自身做汽车的落地实践来看，确实仍有大量算力需求。比如大家买电视或手机时会关注高刷120Hz，而当前电视多为60Hz。其实汽车背后同样隐藏着这样的“赫兹”，即控制的精细度，而这非常吃算力。当前摄像头多为60Hz甚至36Hz，未来是否存在高刷摄像头？输入更精细化，输出也更精细化，此时对算力与带宽的要求将极为强烈。因此，这个方向仍有很大的增长空间。
黄梓亮：这是一个哲学问题，未突破时，它是瓶颈；突破后，便不再是瓶颈。随着需求、功能及应用规模的持续迭代，算力需求必然不断增长。但随着技术普及与成本下降，算力又会逐步普及开来。以我们的乾崑架构为例，已从几万卡扩展到十万卡、二十万卡；抖音、美团等互联网用户也采购了大量我们的卡，这证明业务在持续增长，底层算力需求也随之攀升。
至于瓶颈在哪里，只要业务能盈利，能转化为利润以覆盖基础设施成本，便不存在问题。从云端算力的角度来看，大厂一般没有瓶颈，真正的瓶颈在于生产端，比如我们的算力能否生产出来，存储与内存能否供应充足。对于更多中小客户而言，他们主要使用云端短期租赁，也可能签订长期合约，这在其可承受范围内，也并非瓶颈。总体来看，云端算力呈现租赁与自建并存的格局。是否构成瓶颈，仍取决于各自的业务，这是从商业与成本维度的判断。
从技术和研发维度来看，如果没有AI-coding，研发人员对算力的需求远超最初手动编写代码的时期，诉求会大幅增加。尤其在车端，我们看到许多新势力搭载英伟达或地平线的芯片，算力很大。但受制裁等因素影响，端侧算力的TOPS数值多年未有明显提升。这反过来要求我们的模型、算法及整个软件系统，都必须思考如何在有限算力上实现最优功能。这对我们而言确实是一个瓶颈，但每个版本都在逐步突破，新版本叠加新功能，仍能为消费者带来较好的体验。
杨永喆：我想举一个例子。在消费电子领域，以iPhone为例，从iPhone 11到最新的iPhone 17，iOS 27仍然支持iPhone 11。这说明几年前的产品，其算力在当下依然能够运行。关键在于用户体验与市场发展需求。当然，在车端，算力的储备、对未来用户体验的预设与布局，以及每一代产品迭代中的持续优化，都不是一个简单的算力瓶颈问题，而是算力、用户体验、技术储备与体验优化的综合性问题。
Q&A 3
杨永喆：智驾平权时代，车企如何实现商业闭环？
陈龙：这个问题本质上可能并非技术问题，而是商业问题。在中国做智驾是非常卷的。这是一个发展过程，也是汽车行业快速普及、为消费者创造价值的阶段。因此，我们只是在路上，曙光就在前方。先服务好用户，最终我们会获得应有的回报。
黄梓亮：站在供应商的角度，核心还是要保持自身利润，不论是否公平。因此，在提供具有竞争力的产品的前提下，我们应尽可能赋能车企，帮助其把车造好、卖好。这必然会产生溢价。溢价从何而来？体现在其他供应商持续内卷、将成本压至最低，而我们也已压无可压。我们内部调度的算力平台，已按内部价格结算，让出了很大一部分利润。如果我们的乾崑架构真正去采购外部训练卡，构建一个十万卡、二十万卡的集群，成本必然更高。所以，从供应商角度来看，我认为应基于自身优势能力，把产品做好。至于如何实现盈利？就是扩大甲方主机厂的销售规模，将单件成本进一步拉低。
陈毅驰：虽然都在说智驾平权，但其提供的客户体验或客户的真实需求，并非一定要用。目前渗透率约百分之六七十，不算低，留存率也在百分之六七十左右。即便我们把体验做好，将留存率提升至百分之九十，一年实际使用的车达到三四百万台，已是相当好的普及水平。我认为靠量很难把利润补回来。或许可以借助自动驾驶平台，为每辆车找到其他盈利途径，如自助服务、自动洗车等。
杜嘉宁：“平权”这个词很有趣。它有消极的一面，谁也不比谁强多少；但更积极的一面在于，平权意味着所有思考都要往前想一步，这其实是一个很开放的世界。当所有智驾方案在几乎相同的算力、几乎相同的AI模型，甚至未来能力与成本都拉齐时，剩下的可能就是上层商业化的思考了。如果想真正让自己超出一头，关键在于如何更好地贴近用户的实际体验，或者在增值商业化服务上是否具备创新思维。现在很难再用一种新产品或新功能去绑定客户，因为你能做到的，别人也差不多都能做到。但如果你能更贴近个性化用户的行为习惯、驾驶习惯与思维方式，我认为这是增加用户粘性、从而将增值化服务变现的一条路径。
杨永喆：智驾平权本身是一个营销用词，因为智驾本身就分为从L2到L4的级别。我们所说的究竟是L4的平权，还是L2的平权？如果说L2平权，实际上每家企业在传播时都会标注一行小字，说明是什么样的L2。因此，无论是智驾平权，还是未来L4、L5的智驾，其实都无法达到百分之百的平权，因为成本与供应链始终存在其中。
陈龙：大家都在说智驾平权，但智驾其实远未平权。我们常说的百分之六七十的渗透率，指的是L2，即传统的在车道中间行驶，这个层面确实已平权至百分之六七十。但领航辅助L2+尚未达到百分之三十，大概在百分之二十左右，大有可为。而L3、L4仍在路上。因此，智驾平权的道路还很长，整个产业链应保持兴奋，我们仍有很大的空间。
Q&A 4
杨永喆：车企自研与供应商模式，未来谁将主导智能驾驶生态？
杜嘉宁：我认为任何行业都会面临类似的问题。一个经典的例子是iOS和安卓。苹果构建了一个封闭式的硬件生态系统，从而通过软件服务实现巨大的商业化变现。而现在许多主机厂为了尽量减少对供应商及供应链的依赖，希望能够自行掌控全部生命周期成本，理所当然地希望将端到端全部包揽。但并非所有人都能成为苹果。
同样，一些新兴势力主机厂，不可能完全从零到一去做所有事情，也不可能有足够的投资来完成一切。整个生态中也允许大量供应商存在，他们专注于各自的垂类领域，拥有深耕的经验，同时也被需要。所以我认为这是一个共同生长、共同包容的生态。
杨永喆：这个问题里还有一个隐藏条件，当前大家都在推进车企资源开发，但车企资源开发的成本是巨大的，无论是算力卡、训练模型与算法，还是车辆数据采集与数据清洗。像第三方合作伙伴，比如谷歌，拥有大量数据来源，并且可以通过数据脱敏处理后搭建分享平台。但这往往存在一个相互博弈的过程，车企倾向于自己全部拥有，但投入很高；如果将此事开放、交由他人完成，又担心他人很快成为同质化竞争对手。所以就出现了一个问题，到底谁来主导这个生态？是采用第三方更优质的大数据集，还是车企自研开发、全部自行掌控，打造出独特的差异化优势？
陈毅驰：我觉得现在是谁手里有钱，谁才可能熬到最后。很多公司上市后，变现手段增多，就会持续在此领域投入，甚至扩展至其他行业。以前常说电动化是上半场，智能化是下半场，但我们看到的情况是，电动化阶段，国家确实给予了大量支持；而智能化阶段，国家在这方面的支持似乎不会投向汽车行业。因此，在中国做企业或做业务，跟着国家方向走比较能活下去。
当前的大趋势是，很多做智驾的企业跑去做了机器人或者其他业务，最终仍守在汽车行业持续投资的，是既有钱又能变现的企业，确实可能在商业过程中占据主导地位。当然，也不排除Tier 1会站出来，因为在出海客户那边，中国的技术实力确实不错，他们可能拥有更好的变现手段，从而持续推进自身的技术迭代。
陈龙：汽车本质上是从机械产品演化为机电产品，再到如今的电子产品形态。因此，要寻找经验教训，应着眼于科技产业。阿里巴巴在电商时代拥有了几乎所有用户的消费数据，从而主导了整个生态。回归汽车行业，未来亦是如此，谁拥有用户数据，谁就能产生价值，构建生态闭环。
但同时我们也看到，人的需求或聚集效应呈正态分布。会有一个强势企业占据绝大部分用户数据，打造自身生态，但也存在长尾生态。以手机产业为例，高通作为底层生态，赋能了众多手机品牌，满足不同消费者的需求。我认为汽车行业也一样。未来必然会出现一两个巨头，拥有绝大部分用户数据，搭建自身生态。但那些能找到小众客群的企业，同样也能在生态中被赋能、存活下来。
黄梓亮：归根结底，市场经济下最终要看哪种模式能持续实现商业闭环。目前来看，某些供应商量很大，也能实现商业闭环，关键在于其他供应商能否进一步将成本拉低。说到底，后面就是一场鏖战，供应商与供应商之间、供应商与主机厂自研之间的鏖战。
我们以前博世时代，都是大供应商，没有主机厂自研？为何到了L2+、L2.9时，主机厂开始考虑自研？因为在初始阶段，先发供应商收费很贵，大家发现其中有很大一部分利润，主机厂认为这部分利润不能被供应商长期把控。这与消费电子产品类似，有很多手机厂商采购高通骁龙，也有华为自研手机SoC，两种模式都能活得很好。当然，有时活得太好了，就会被制裁。所以最终还是要看哪种模式更适合企业自身的发展。以比亚迪自研电池、宁德时代作为最大电池供应商为例，谁更厉害？本质上，宁德时代的护城河在于比亚迪也在造车。
哪一种模式能推得出去？这要综合考量供应商的定位、供应商的成本，以及主机厂对利润的期望。我认为，未来多条腿走路，供应商的机会可能更多。并非所有主机厂都能承受智驾端到端基础设施、人力投入以及大规模持续运维费用的压力。
杨永喆：确实如此，这并非一个简单的零和游戏，不是你死我活的竞争关系。正因为不同车企的战略、不同供应商的合作模式，才带来了多种形态。这个问题没有定论，没有谁一定主导谁。不同企业的背景、技术研发实力以及供应链的良性结构，决定了不同车企选择不同的合作模式，有自研的，有半自研的，有完全外采的，也有全部由供应商提供的。确实是多种形态共同发展。
Q&A 5
杨永喆：全球智驾时代，智能驾驶如何跨越法规、数据与本地化挑战？
黄梓亮：主要谈谈数据主体隐私保护这一块。欧盟及其他国家管得很严，中国也是。智驾用于训练大模型的数据，肯定无法流出所售汽车所在国。以后去日本，日本路况的交通数据要在日本训练；在欧洲的，要在欧洲训练。每个国家、每个主机厂或每个供应商，都要在各自所在国构建属于自己的算力数据中心，这是一笔很大的投入。但法律法规无法改变，这确实是一件很难做的事。
面对如此高的成本，该如何考量？这又要回到前面的问题，供应商模式是否能较好地解决这个问题？只需一个供应商在日本建一个数据中心，训练出来的模型既能给比亚迪用，也能给丰田用。基座模型数据也在共享的数据中心中，将基座模型训练出来。我认为这是一条比较合适的路径。
陈龙：我们正处于一个逆全球化、地缘政治的时代，接下来要做的就是扎扎实实地针对每个地区的隐私法规、消费者数据，去建设数据库、建立流程。唯一可能的路径，是将全球化划分为几个大区——北美区、欧洲区、中国区等。目前我看到大家的做法是，先走通一个区，把整个流程跑通，将方法论沉淀下来，再去征服下一个市场。就像当前中国汽车智驾出海一样，先把中国做通，里面的方法论、基础设施如何搭建，形成一套先进的理念或经验，能够可实施地复制到下一个市场。
陈毅驰：去年我们接到了很多出海采集数据的项目，完成脱敏、合规后回国。但项目到最后，数据部分往往被砍掉，先把车卖出去，智驾和ADAS功能在海外可能先不开启，或仅开启部分。其实技术上并没有真正难做的事情，一点一点去做即可，主要是成本确实不低。不过，蔚来、极氪、小鹏在海外都已设有研发中心和数据库，功能其实也可以在海外完成，并非一定存在很高的门槛。但在当前国内智驾尚未实现商业闭环的情况下，再花一大笔钱投入海外，现阶段看上去确实不太明智。宝马、奔驰也都有方案，国内也有成熟的供应商，但在海外并未因智驾功能出色而多赚钱。这就有一个问题：何时投、是否投，还是在海外选供应商即可完成？目前我们看到，国内客户的策略是先把车卖出去，毕竟卖车确实能挣钱，智驾投入较大，可以暂且缓一缓。
杜嘉宁：这个问题对外企来说是长期存在的话题。JetBrains是一家总部在欧洲的企业，业务覆盖全球200多个国家，用户超过1600万。要在各地区开展业务，首先面临的就是各地数据安全合规性不同的问题，尤其是欧洲必须严格遵守GDPR。我们和其他企业的一贯做法是：尽量抽象出公共层。对于上层非常敏感的原始用户信息，在地缘政治加持下确实无法做到丝滑迁移，因此需要做一个平衡，看这块市场的吸引力是否足够大，是自建中心，还是为了快速开展业务而与当地资深供应商合作。这样完全不需要从零到一开始，既能方便、合法合规地落地业务场景，成本也可控。不过，智驾更多不是了解各地区不同的道路条件，而是当地的法规、驾驶习惯。如果车企能将其转化为另一种与用户脱敏的数据形式，可能会是一个很有趣的方向。
Q&A 6
杨永喆：智驾出海是每家企业都非常想做的事，但困难重重，各地法规不同、要求不同、标准不同、地域不同、用户需求不同。对于智驾出海，各位有什么呼吁？你们认为企业应如何做才能做得更好？应该从哪些维度出发，为行业带来启发？
杜嘉宁：我们在欧洲已经有很多汽车业务客户。如果大家不是想在欧洲从0到1建一个完全的中国企业，而是采用过去传统外企进入中国的股份制方式，我们可以做很多事情。
陈毅驰：经历去年许多项目范围变小，我认为首先是“想出海先出去”，不要因为多花了钱就把项目砍掉。另外，欧洲确实有很多不同的基础设施，多样性非常高。因此，还是要深入市场，想办法实现商业闭环。
陈龙：我觉得要以长城汽车创始人魏总的心态去想这件事，本分地从用户角度出发，服务好用户，不玩虚的，为用户创造价值，企业才有价值。
黄梓亮：在中国要先基于国产算力，包括华为、地平线、黑芝麻，先把大模型培育好，开花结果，然后再推广到全球。而不是把中国模型的种子播种到国外的算力上。就像长安的荔枝一样，要运也是把岭南的土和岭南的荔枝运到长安，而不是把荔枝的种子播到长安的土地上，那是种不活、种不好的。
