易特驰：AI时代的AUTOSAR平台战略，从工具链到工程体系的全面升级

随着汽车软件规模的指数级增长与工程效率的下降，如何利用人工智能（AI）技术重塑传统的汽车软件开发流程，已成为行业亟待解决的核心课题。传统的AUTOSAR工程模式正面临工程复杂度失控、问题后移、调试困难等诸多挑战，亟需一场从工具到体系的智能化变革。

2026年3月19日，易特驰技术项目经理李扬在第七届软件定义汽车论坛暨AUTOSAR中国日上表示，AI不会改变AUTOSAR架构，但会重新定义AUTOSAR工程。其核心观点在于，AI的引入将推动AUTOSAR平台完成从孤立的工具链到智能化工程体系的战略转型，让AI从简单的校验工具升级为深度理解工程语义、能够辅助决策的“工程伙伴”。

他提到，易特驰已将上述理念落地于其面向CP AUTOSAR的整体解决方案RTA-CAR平台，并使其支持与AI能力融合。易特驰表示，未来的AUTOSAR平台战略正经历从“工具赋能”到“体系赋能”的转型，AI将驱动其覆盖全生命周期、实现数据驱动决策并规模化复制工程能力，最终AI不会改变AUTOSAR架构，但将重新定义AUTOSAR工程。 

李扬 | 易特驰技术项目经理

以下为演讲内容整理：

AUTOSAR的工程现实与核心挑战

尽管当前行业热议SOA、中央计算与AUTOSAR Adaptive Platform（AP），但在大量对实时性、功能安全要求严苛的控制器中，Classic Platform（CP）AUTOSAR仍是不可或缺的核心软件底座。它广泛应用于动力、底盘、车身及安全等关键域控制器，承载着最高（ASIL-C/D）等级的功能安全要求，其核心特征是高可靠性、高确定性与长期量产的稳定性。然而，在项目实践中，工程团队面临的最大挑战并非CP AUTOSAR本身或工具能力不足，而是工程复杂度的失控所引发的成本结构剧变。

图源：演讲嘉宾素材

这种变化首先体现在工作重心的转移。传统软件开发中，代码编写可能占据80%以上的时间，而在CP AUTOSAR工程中，工程师的大量时间消耗在复杂的配置工作上，包括ECUC、BSW模块的配置以及后续的集成验证，使得工程越来越像“配置工程”。其次，问题定位与调试的时间占比大幅增加。由于CP AUTOSAR从应用层软件组件（SWC）到运行时环境（RTE），再到基础软件（BSW）、微控制器抽象层（MCAL）直至硬件的层级关系复杂，一旦出现问题，排查过程漫长且困难。最后，问题发现阶段严重后移。许多配置错误无法在设计或配置阶段被传统工具有效检出，只能在集成测试甚至更晚的阶段暴露，导致修复成本呈几何级数增长。

究其根源，在于传统CP AUTOSAR工具存在明显的“边界”。它们通常“能校验但不理解”，只能机械地判断配置项的真假或数值范围，缺乏对工程语义和模块间复杂关联关系的深度理解；其工作模式是“规则驱动”，只能给出对错结论，无法提供成因分析与优化建议；同时，它们也“缺乏系统级视角”，难以全局把握配置变更带来的连锁影响，导致宝贵的工程经验难以沉淀和复用。这正是AI技术可以切入并发挥价值的关键点。

图源：演讲嘉宾素材

AI驱动的BSW/MCAL配置革新：从规则校验到影响分析

基础软件与微控制器抽象层的配置复杂性是CP AUTOSAR工程的典型痛点。当前项目的配置量已从几百上千激增至成千上万项，且BSW配置存在紧密的上下层级依赖关系。修改一处配置，往往需要同步调整多个关联模块，而传统的校验方式仅基于预设规则，依赖人工经验，导致风险只能在代码生成或测试后期才暴露。

为改变这一现状，该企业提出的AI方案是构建深度理解AUTOSAR架构的本地化模型。通过向模型输入包括AUTOSAR基础架构图、模块关系图、配置参数信息在内的大量工程数据，使AI能够学习并理解配置背后的语义逻辑与关联网络。由此，AI可以超越简单的规则校验，实现智能化的“影响分析”。当工程师修改某一配置时，AI能够自动识别并预测此变更可能影响的上下游模块及潜在的系统级风险，从而在配置阶段即可发出预警。

这种方式带来的工程价值是显著的：它能大幅减少因配置错误导致的集成返工，压缩配置与集成的周期，并将资深工程师的经验沉淀为可复用的AI模型，从而构建起智能化的BSW工程体系。 

图源：演讲嘉宾素材

智能化RTE与OS工程：从人工排查到预防问题

操作系统（OS）与运行时环境（RTE）的调试是CP AUTOSAR工程中最具挑战性的环节之一。尽管有日志和调试工具辅助，但复杂调度问题的根本原因定位往往高度依赖资深工程师的经验，耗时费力。

AI介入调试过程的思路是让机器理解正确的系统行为。具体而言，将正确的任务调度行为、代码与错误的异常处理代码一同输入给本地大模型，并结合芯片相关的异常陷阱、模式切换等信息，让AI进行深度学习。其目标是实现“智能调试”，将调试过程从依赖专家的“人工排查”转变为由AI辅助的“自动定位”，从而让工程师能更专注于解决方案的设计。

智能调试的终极目标，是从被动“看问题”转向主动“预防问题”。通过对每个任务、每次调度的执行时间、资源占用率等进行实时分析与预测，AI可以在性能瓶颈或冲突发生之前就提出优化建议，实现质量管控的前移。

图源：演讲嘉宾素材

AI赋能的ECUC配置验证：实现质量前移

ECUC配置直接决定系统行为与功能运行状态，其配置项之间存在着复杂的组合与关联逻辑。传统验证工具通常只能进行基于语法的单模块校验，无法对配置组合的全局合理性进行有效评估，这导致许多系统级问题被遗留到集成测试阶段。

AI的赋能方式是将ECUC配置所影响的模块关系、软件架构层级等更深层次的关联信息输入模型，使AI能够达到“语义级”的理解。这意味着AI不仅能检查语法正确性，更能评估不同配置组合在一起时，在系统层面的意义与风险。例如，它能判断某项内存配置与特定任务调度策略是否冲突。由此，传统的“规则校验”得以升级为系统级的“风险评估”，从而将质量问题在配置阶段就尽可能地识别和解决，完成质量管控的前移。

图源：演讲嘉宾素材

未来展望与挑战：从工具赋能到体系赋能

基于上述工程实践，该企业已将理念落地为平台能力。其面向CP AUTOSAR的完整解决方案RTA-CAR，正致力于融合AI能力，使其成为工程平台的内在组成部分，而非外挂的辅助工具。RTA-CAR被类比为“Microsoft Office”，它并非单一工具，而是一套由多个产品、组件构成的协同工作平台，能够灵活适配不同项目需求，稳定支撑长期量产。

展望未来，AI对AUTOSAR工程的推动远不止于对几个独立工具的升级，它正驱动一场深刻的战略转型：即从“工具赋能工程师”到“工程体系赋能工程团队”的转变。一个面向未来的智能化AUTOSAR平台工程体系应具备三大核心能力。

首先，AI需要覆盖CP AUTOSAR的全生命周期，从配置、开发、集成到量产阶段，提供全程智能辅助。其次，工程决策应转向数据驱动，通过积累数据、构建知识图谱，实现基于实时分析的智能决策与持续学习。最后，该体系应具备可规模化的能力复制性，能够快速学习并复制不同项目的平台经验，支持多项目并行，加速新项目的概念验证与启动。

总而言之，AUTOSAR平台正在经历从工具链到平台工程，再到智能化工程体系的深刻演进。最终的挑战与机遇在于，如何将AI深度融入工程实践的血脉，构建一个能够理解工程师意图、预见工程风险、并持续进化的大型智能系统。这不仅是技术的升级，更是工程方法论与组织协作模式的重塑。

（以上内容来自易特驰技术项目经理李扬于3月19日在第七届软件定义汽车论坛暨AUTOSAR中国日发表的《AI时代的AUTOSAR平台战略：从工具链到工程体系的全面升级》主题演讲。）