1975年，IBM工程師Fred Brooks在《人月神話》中提出軟件工程的核心難題：隨著系統(tǒng)規(guī)模和團隊規(guī)模增長，復雜度會呈指數(shù)級上升。他的結論是，軟件工程“沒有銀彈”，沒有單一技術能帶來數(shù)量級的生產(chǎn)力提升。

50年后，汽車行業(yè)正在經(jīng)歷軟件工程史上最大規(guī)模的挑戰(zhàn)之一。

吉利汽車數(shù)智中心AI產(chǎn)品專家阮航透露了一組數(shù)字：過去幾年，吉利內部軟件開發(fā)人員占比從不到10%躍升至40%。當一輛智能汽車的代碼量突破億行，當座艙、智駕、底盤等異構系統(tǒng)需要在不同芯片上協(xié)同工作，Brooks描述的復雜度問題被放大了數(shù)百倍。

不過這一次，車企找到了不同的應對方式。自2025年上半年開始，短短幾個月時間，吉利汽車已有數(shù)千人研發(fā)使用通義靈碼，AI生成占比超過30%，尤其在通用代碼邏輯開發(fā)、代碼檢查測試環(huán)節(jié)，代碼開發(fā)效率提升20%。

與阿里云通義靈碼的深度合作，正在探索一個可能：AI會是Brooks說的那個“銀彈”嗎？

“軟件”汽車

人員結構的劇變，映射的是汽車產(chǎn)業(yè)本質的轉變。

“過去汽車是硬件主導，軟件只是輔助?，F(xiàn)在軟件決定了產(chǎn)品的核心體驗?！比詈秸f。這種轉變帶來的，是開發(fā)模式和產(chǎn)品復雜度的“Double Kill”。

首先是迭代速度的加快。傳統(tǒng)面向硬件的V模型開發(fā)周期以年計，如今要支撐月級甚至周級的OTA迭代，必須轉向“敏捷+DevOps”模式。與此同時，產(chǎn)品復雜性也在同步增長。汽車行業(yè)正經(jīng)歷電子電氣架構從分布式ECU向中央計算和區(qū)域架構的演進，面向服務架構（SOA）的引入，讓系統(tǒng)集成的復雜度呈指數(shù)級增長。

以吉利為例，研發(fā)體系需要同時應對座艙域的Linux/Android、智駕域的QNX，以及車身控制域廣泛采用的AUTOSAR平臺。應用層多用Java/Python，底層則依賴C/C++。如何讓這些異構系統(tǒng)在不同芯片生態(tài)上高效、安全地協(xié)同工作，是極其復雜的系統(tǒng)工程。

更具挑戰(zhàn)性的是守住安全底線。汽車軟件開發(fā)必須遵從ISO 26262功能安全、ISO/SAE 21434信息安全，以及ASPICE等極其嚴格的國際認證標準。特別是在底層開發(fā)中，還需要遵循MISRA C/C++等嚴苛的編碼規(guī)范。這些標準確保了汽車的極致安全，但也天然地與快速迭代的敏捷開發(fā)模式存在張力。

看清了系統(tǒng)性挑戰(zhàn)的本質后，吉利明確了以AI技術提升研發(fā)效率的路線，與阿里云通義靈碼的深度合作隨即展開。一系列采訪之后，我們得到了一個工程師變身“指揮官”的故事。

全方位AI

談AI落地，首先要談場景。所以，我們先呈現(xiàn)一個完整的場景概括，吉利的研發(fā)體系涵蓋應用層軟件研發(fā)、嵌入式開發(fā)和算法研發(fā)三大板塊。一言以蔽之：目前通義靈碼等AI手段正在全面滲透。

其中，應用層軟件研發(fā)團隊對通義靈碼的應用最為深入，覆蓋了智能座艙HMI、車聯(lián)網(wǎng)服務等場景的快速開發(fā)。工程師們頻繁使用通義靈碼來生成新服務的模板代碼和數(shù)據(jù)轉換邏輯。

嵌入式開發(fā)是汽車軟件的“深水區(qū)”，以C/C++為主，對實時性、內存管理要求極高。在這一板塊，吉利正探索將AI能力引入底層開發(fā)場景，重點在于提升代碼質量和合規(guī)性。

算法研發(fā)領域，通義靈碼正在協(xié)助團隊處理PB級的雷達點云數(shù)據(jù)和視頻數(shù)據(jù)清洗工作。工程師可以通過自然語言描述數(shù)據(jù)清洗規(guī)則，AI自動生成對應的復雜數(shù)據(jù)處理腳本。

對于最受關注的提效指標，阮航給我們講了一個項目案例。一個原本30天的項目，通過通義靈碼加成，原本耗時10天的“編碼實現(xiàn)”環(huán)節(jié)，編寫代碼從5人天縮減為4人天，注釋補全從1.5人天縮減為0.5人天，單元測試從2.5人天縮減為2人天，代碼優(yōu)化從1人天縮減為0.5人天。編碼階段效率提升30%，帶動項目整體提效10%。考慮到吉利汽車是一個相當龐大的組織，眾多項目累加可得的收益是相當可觀的。

每個深度使用AI的工作者講到大模型的痛點，一定會談的必然包括“幻覺”。其實用幻覺描述也不一定準確，講“模型對不了解的事情容易胡說八道”更能讓人感同身受。

所以，規(guī)?；瘧靡埠芸煲隽肆硪粋€關鍵問題：通用大模型需要精準理解吉利的技術棧和業(yè)務邏輯。如果AI生成的代碼不符合企業(yè)規(guī)范或者無法調用內部API，它的價值將大打折扣?！拔覀冃枰狝I能理解吉利的業(yè)務上下文，而不僅僅是通用代碼?！比詈秸f。

不過阿里云和吉利汽車各自的能力組合，很大程度躍過了這個山脈。

阿里云通義靈碼解決方案專家賈彬介紹了通義靈碼的特點：它本質上是一個高級的編碼智能體（Coding Agent），結合 RAG（檢索增強生成）和MCP（模型上下文協(xié)議）等技術，能夠深度融合企業(yè)的私有知識庫。

吉利的工作，則是構建一個高質量的，包含了私有代碼庫、API文檔和技術規(guī)范的“專有知識庫”提供給大模型。這樣就能構建起一個高度精準的上下文環(huán)境，能更好利用大模型的推理能力解決研發(fā)問題。

這種配合機制，確保了AI不僅“會寫代碼”，還“會寫吉利的代碼”。例如，當工程師需要調用吉利內部的車控服務API時，通義靈碼能夠準確提示API的調用方式和參數(shù)規(guī)范，并遵循統(tǒng)一的錯誤處理機制。

當然，為了適應吉利復雜的開發(fā)環(huán)境和極高的安全要求，通義靈碼支持企業(yè)專屬版部署，確保核心代碼資產(chǎn)不出企業(yè)內網(wǎng)。雙方通過VPC專線等方式實現(xiàn)了網(wǎng)絡隔離與安全接入。

不只是提效

所以，大規(guī)模的人數(shù)使用，讓AI工具的價值在不同維度顯現(xiàn)出來。

最直觀的是效率提升。大量模板化、重復性工作被交給AI，工程師可以聚焦于系統(tǒng)架構設計和核心業(yè)務邏輯的創(chuàng)新。質量維度的改善同樣明顯，通過與CI/CD流水線等研發(fā)工具鏈的集成，通義靈碼可以在編碼階段就進行邏輯預檢，提升代碼的規(guī)范性和健壯性。

但效率和質量的提升，還不是AI工具的所有價值。

軟件工程領域有一個著名概念叫“技術債”——因過去妥協(xié)而積累的、需要未來償還的維護成本。對于汽車這樣長生命周期的產(chǎn)品，龐大的遺留系統(tǒng)就是最主要的“債務”來源。維護和迭代這些遺留代碼的挑戰(zhàn)尤為嚴峻，很多代碼之所以存在，可能是為了繞過特定的硬件約束，或者是為了處理某些復雜的工況。

如果不理解其原始的設計意圖就盲目修改，極有可能引入安全隱患。所以開發(fā)者之間常半開玩笑地說：“能跑就別動，動了就出事?！?/p>

知識傳遞需要借助于人，但人會流動，這使得“償還技術債”變得更加困難，形成了所謂的“代碼考古”困境。

“但這對AI不是問題，因為它能快速讀取代碼，能幫你解釋遺留系統(tǒng)的復雜邏輯，看懂他人的開發(fā)邏輯?！辟Z彬說。

阮航分享了一個實例：一位新入職的工程師需要修改一個有著數(shù)年歷史的核心模塊，通過通義靈碼的代碼解釋功能，他得以快速理解原作者的設計意圖和復雜的依賴關系，將原本預估需要一周的熟悉過程縮短到了兩天。AI在這里扮演了“知識管家”，甚至“任意門”的角色，讓經(jīng)驗得以沉淀和復用，讓沉寂中的代碼得以換一種方式新生。

這種傳送能力，在吉利的全球化協(xié)同中體現(xiàn)得更為明顯。作為一家在瑞典、德國、意大利等地均設有研發(fā)中心的全球化企業(yè)，吉利通過推進統(tǒng)一代碼倉、統(tǒng)一研發(fā)工具、統(tǒng)一協(xié)同平臺來解決跨地域協(xié)同的問題。AI在其中扮演了越來越不可或缺的作用，促進了全球團隊在統(tǒng)一的AI輔助環(huán)境下工作，客觀上推動了編碼規(guī)范和研發(fā)流程的標準化。

依托阿里云的全球基礎設施，通義靈碼支持吉利在多個研發(fā)中心實現(xiàn)“多地部署、就近接入”，確保全球開發(fā)者都能獲得低延遲體驗，同時滿足各地的數(shù)據(jù)合規(guī)要求。

AI的介入，也在改變人的角色。

我們就用開始提過的一個質量保障為例具體展開。傳統(tǒng)的代碼評審是在提交后進行，由技術負責人手動審核。這種模式的問題在于：問題被發(fā)現(xiàn)時，代碼已經(jīng)寫完，修復成本高，還可能影響進度。阮航介紹，吉利正在推動質量“左移”（Shift Left），在開發(fā)的早期階段就發(fā)現(xiàn)并修復問題。

具體做法是：工程師在提交代碼合并請求時，系統(tǒng)會自動觸發(fā)調用通義靈碼的API，讓AI代替技術負責人完成初步的、高頻的審核工作。例如檢查變量命名是否規(guī)范、是否有充分的異常處理、是否符合既定的安全編碼要求等。

這一轉變使得資深工程師的角色發(fā)生了變化，他們從“執(zhí)行者”轉變?yōu)椤耙?guī)則制定者”，負責定義審核的標準，再交由AI去高效執(zhí)行。而他們自己則可以聚焦于更復雜的系統(tǒng)架構和業(yè)務邏輯審核。

執(zhí)行者到指揮官

所以，AI對于開發(fā)場景的影響是全方位的，AI對“人與代碼”、“人與人”、“人與組織”的關系的影響也是全方位的。

這甚至涉及了一個業(yè)內廣泛關注的討論：“AI是否會進一步取代人類程序員？”阮航在采訪中分享了他的洞察。他認為，未來職業(yè)生涯受到挑戰(zhàn)的，其實是不使用AI的工程師。

“在我們內部，一直在推的一個思維就是：以后我們所有的員工都是Leader。我們要Lead誰？就是AI。我們要指揮AI，把原先我們自己在做的工作做得越來越好。”

從“一線執(zhí)行者”到“AI指揮官”，人與AI顯然并非取代關系。但這意味著工程師的核心能力要求正在從“實現(xiàn)能力”轉向“定義問題、拆解任務和評估結果”的能力。在這個模式下，工程師更多是從設計、架構、驗收的視角去定義需求，真正的執(zhí)行和操作交給AI。

“當前工程師和AI可能各占一半，”阮航說，“但未來，我們希望工程師主導規(guī)則制定，AI承擔更多執(zhí)行工作。”

吉利的終極愿景是實現(xiàn)“黑燈研究院”：一個高度自動化的研發(fā)環(huán)境，從需求提出到部署交付的全流程，由AI與人類工程師協(xié)同完成?！爱斍拔覀円呀?jīng)搭建起智能化軟件平臺，實現(xiàn)了從需求到交付鏈路的點狀能力閉環(huán)，”阮航說，“接下來希望將點狀能力連接成線狀能力，即實現(xiàn)從需求分析、代碼生成到測試部署的自動化工作流，最終實現(xiàn)端到端的自動化交付?！?/p>

賈彬觀察到：AI正在向“自主智能體”演進。隨著模型在長期記憶、規(guī)劃與決策上的能力提升，未來的智能體將能夠承擔長時程任務，自動進行復雜的任務分解、資源調度與工作流編排。與此同時，異步編程與云端Agent的興起允許將子任務委派到云端并行執(zhí)行，工程師負責高層目標與策略制定，可以同時指揮多個Agent，實現(xiàn)更高的并行性與可擴展性，同時通過人類監(jiān)督與回滾機制保證可控性與安全性。

但是指揮官這個新一代人類程序員的定位，顯然也讓產(chǎn)業(yè)出現(xiàn)了“一將難求”的問題。

阮航在云棲大會的公開發(fā)言中就提出了一個呼吁：要共建AI編程的安全標準，共享軟件研發(fā)的優(yōu)質實踐，共育新型人才。

這背后是對行業(yè)共同挑戰(zhàn)的洞察。對汽車行業(yè)來說，既懂機械硬件又精通軟件系統(tǒng)工程的交叉人才，是當前最急迫的需求。這個人才缺口不是個別企業(yè)能解決的。

不過，跨界對AI來說，從來都不是問題?；蛟S，在AI降低了軟件開發(fā)的技術門檻后，更多機械背景的工程師也能參與到軟件開發(fā)中來。

吉利與阿里云的合作，正在驗證這種可能性。當車企開始用軟件的方式思考問題，當云廠商深入到制造業(yè)的具體場景，產(chǎn)業(yè)邊界的模糊或許正是創(chuàng)新發(fā)生的地方。

50年前，Brooks說軟件工程沒有銀彈。今天，AI或許不是那顆銀彈，但它正在改變我們尋找答案的方式。

免責聲明：本文轉自網(wǎng)絡，僅代表作者個人觀點，與亞訊車網(wǎng)無關。其原創(chuàng)性以及文中陳述文字和內容（包括圖片版權等問題）未經(jīng)本站證實，對本文以及其中全部或者部分內容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關內容。本站不承擔此類作品侵權行為的直接責任及連帶責任。

關鍵詞：AI,代碼,吉利,一個,研發(fā)