9月9日，工信部等九部門聯合印發《智慧網聯新能源汽車産業發展“十五五”規劃》（工信部聯規函〔2026〕305號）（以下簡稱“《規劃》”）。《規劃》首次將“人工智能+汽車”列為重點行動，明確推廣50個左右典型應用場景，並提出優化多類型算力基礎設施部署、加速異構算力調度共享、“車路雲一體化”等部署。

　　9月16日，百度智慧雲與車百智庫聯合出品白皮書《中國汽車産業AI轉型的路徑》（以下簡稱“白皮書”），系統給出了車企AI轉型的場景、數據、平臺、組織、生態五層路徑與“AI濃度”評估模型，為當下汽車産業的智慧化轉型提供了清晰可落地的行動框架。

　　根據白皮書披露的調研數據，目前已有超過60家車企和零部件企業完成DeepSeek本地化部署，但多數仍停留在"技術貼牌"階段。這些企業面臨的困境並非彼此孤立，而是集中在算力、場景、數據與組織等相互關聯的層面：既要在數據安全、算力成本與資源效率之間尋求平衡，又要破解AI應用停留于單點試點、業務數據難以打通、跨部門協同不暢等難題；與此同時，行業評估與對標體系仍不健全，企業往往難以準確判斷自身所處階段和下一步投入重點。這些問題很難依靠單項技術單獨破解，唯有多維度協同推進，才能真正實現從單點試點到規模化應用的跨越。

　　車企AI算力落地新路徑

　　混合雲破解行業普遍痛點

　　隨著車企AI轉型進入深水區，算力資源的供需矛盾已經成為全行業最突出的共性難題。對數據安全和隱私保密要求極高的汽車行業，同樣無法繞開這一困境：完全依賴公有雲，無法滿足核心業務數據不出域的合規要求；如果全靠自建算力，又會陷入“算力卡供給不足、運行效率低、成本難以承擔”的尷尬處境。針對這一行業共性痛點，百度智慧雲提出了一套兼顧安全可控與成本效率的混合雲算力方案。

　　這套方案的核心邏輯是：車企不必勉強追求“全算力自建”，轉而採用“私有算力打底+公有雲補充”的彈性架構。在可採購的配額範圍內，企業可採購崑崙芯P800等國産AI加速卡搭建小範圍本地算力池，依託百度提供的百舸AI異構計算平臺、千帆大模型平臺等全棧軟硬體能力，快速搭建起完整的私有化AI體系；從底層算力卡、調度運維平臺到模型全生命週期運營，都有成熟的産品能力直接支撐，無需車企從零開始搭建技術體系。

　　在算力資源分配方面，該方案提出，企業自建的有限私有算力要優先供給內部高度保密的核心業務場景，如涉及生産核心數據、用戶隱私信息的模型訓練、敏感數據處理等環節，以此確保核心數據全程不出本地，完全滿足安全合規要求。當本地算力資源緊張時，大量非保密的通用業務場景可以直接外溢，調用百度公有雲的MaaS服務完成處理，無需額外投入硬體成本，性價比遠高於自行採購晶片擴容。

　　通過這種“核心場景本地跑、通用場景雲上跑”的彈性調度，車企可以把寶貴的算力資源全部用在“刀刃”上，既解決了“買不到足夠晶片”的現實難題，也無需在安全合規和算力成本之間做兩難選擇。目前這套混合雲算力模式已經在多個行業完成規模化落地驗證，正在成為汽車行業破解AI算力落地困境的主流路徑。

　　“快廣深”場景規劃方法論

　　讓企業智慧體落地不再踩坑

　　9月16日，百度集團執行副總裁、百度智慧雲事業群總裁沈抖在2026智慧經濟論壇上正式提出"産業智慧體作業系統"理念，指出其能將通用智慧體、專業智慧體、定制智慧體與企業的經營體系、雲上資源組織在一起，讓智慧體真正跑在企業業務裏。同時，百度智慧雲發佈以百度搭子為基礎的百度搭子開發平臺，把搭子同款技術開放給企業，並承諾永遠不向生態夥伴抽佣。

　　目前，百度搭子作為通用智慧體平臺，能力覆蓋代碼開發、全鏈路日常辦公等絕大多數企業高頻場景，已經具備規模化推廣條件，可直接幫助企業將智慧體嵌入實際生産環節，落地産生真實價值。

　　除此之外，百度還佈局了勝算、一見、伐謀等多款垂直智慧體産品，分別適配不同的細分業務場景。面對豐富的産品矩陣，不少企業反而陷入選擇困惑：場景這麼多，到底該先推哪個、後落地哪個，具體要怎麼一步步推進？大量企業實踐經驗顯示，智慧體落地的優先級無法在辦公室裏憑空敲定，不少場景的真實價值，只有實際跑起來才能真正看清。

　　針對企業智慧體落地的這一共性難題，百度智慧雲提出了“快、廣、深”場景規劃方法論，幫助企業避開“想太多不敢動、鋪開太廣做不深”的常見陷阱。“快”，即所有已經擁有成熟産品、經過大量用戶驗證的場景，無需反復論證糾結，直接上線使用即可。“廣”對應DuMate這類通用智慧體平臺的靈活擴展能力：平臺支持用戶自定義Skill（技能包），可先用“DuMate+自定義Skill”的模式快速試跑，初步解決問題，再在大範圍覆蓋的過程中，沉澱出真正能創造價值的落地場景。“深”瞄準企業核心業務邏輯的深水區場景，這類場景不再局限于普通的辦公提效，而是直接關聯企業核心演算法、核心業務數據的關鍵環節。

　　不難看出，“快、廣、深”方法論已經形成了完整的落地閉環：“快”讓成熟場景實現即插即用，幫助企業快速拿到第一波提效成果；“廣”通過低門檻批量試錯，篩選出企業內部原本未被發現的高價值隱藏場景；“深”則集中資源攻堅核心業務場景，推動智慧體從“辦公提效工具”真正進化為支撐企業核心業務的生産力引擎。三者結合，就能幫助企業避開智慧體落地的常見誤區，以最低的試錯成本，實現AI智慧體從試點到規模化落地的平穩過渡。

　　數據底座打底、組織變革配套

　　讓AI價值真正跑進業務

　　白皮書指出，隨著大模型能力趨同，車企AI轉型的勝負手已從"追求更強的AI"轉向"真正讀懂業務數據"。難點在於，通用大模型靠公開語料訓練，而車企核心數據沉澱在ERP、MES、PLM等系統裏，兩者存在"理解斷層"。理解一旦浮于表面，智慧體就會"按字段名猜含義"，把偏差變成業務風險。行業普遍面臨數據品質、數據孤島、新老系統打通難等系統性卡點。

　　為此，百度智慧雲主張以業務本體和知識圖譜為基礎構建企業級數據底座，打通語義斷層、統一全域數據資産。數據底座越紮實，大模型與智慧體在車企內部落地就越有根基。

　　如果説數據底座解決的是"AI能不能讀懂業務"，那麼組織管理變革解決的則是"AI價值能不能落進業務裏"。白皮書強調，AI應用迭代快、跨部門數據依賴強、結果可實時呈現，其價值釋放取決於業務流程、決策權限與責任邊界能否同步調整。企業的AI化轉型，絕不只是增加工具和項目，更是一場組織層面的深度變革。

　　AI的介入，能夠從多個維度重塑組織效率。管理者可在授權範圍內實時整合經營數據、會議記錄與一線反饋，從"事後分析"轉向"實時感知、前置干預"；決策依據被完整記錄、可追溯可復盤，有效減少"經驗拍板"；跨部門圍繞同一車型、訂單或品質問題形成共享信息視圖，問題閉環明顯加快；重復性事務交由AI承擔後，骨幹員工得以聚焦問題定義與創新設計。

　　從算力彈性調度，到場景"快、廣、深"推進，再到數據與組織的雙重升級，中國汽車産業的AI轉型正走出一條從單點提效到全鏈路重構的系統性道路。當數據被真正讀懂、組織被真正重塑，中國車企的核心競爭力也將從硬體優勢轉向"AI+整車"的體系化能力，跑出屬於自己的快車道。