【深度】吉利G-ASD，讓“汽車智能機器人”的想象更進一步

來自華為乾崑ADS 4（參數丨圖片）.0發布會來自華為乾崑ADS 4.0發布會來自華為乾崑ADS 4.0發布會

當地時間1月5日，在2026 CES的現場，吉利汽車集團發布了全域AI 2.0技術體系。不同于以往聚焦于單點功能的迭代，吉利此次通過引入WAM（世界行為模型），打破車內各域的物理壁壘。

與之同步亮相的，還有進化為“整車智能中樞”的Eva超擬人情感智能體，以及正式命名的全新一代千里浩瀚輔助駕駛系統——G-ASD。

在詳細復盤吉利此次發布的技術路線后，多位行業觀察人士向寰球汽車指出：

“從底層邏輯來看，吉利G-ASD并非只是智駕能力的升級，而是在華為的技術高墻之外，利用AI另辟蹊徑——它不再局限于‘培訓好司機’，而是通過全域融合，讓吉利真正觸及了‘汽車智能生命體/機器人’的終極形態變革。”

作為新汽車革命的終極構想，“汽車機器人”的概念雖迷人，卻因對整車協同的極高要求，一度被嚴肅的工程師們束之高閣。在底層技術路線尚未收斂、未來形態未有定論的迷茫期，絕大多數企業選擇了更為務實的路徑——聚焦于高階輔助駕駛的功能性堆疊，而非整車智能的系統性重構。

但站在2026年的節點，情況發生了質的變化。隨著大算力芯片的持續迭代量產上車以及通信協議的高效統一，讓車內多個曾經獨立的智能系統開始具備了被統一討論的物理基礎。

當然，更重要的是，AI迸發出來的強勁競爭力，讓這一暢想開始具備現實的討論基礎。

因此，本文將試圖剝離復雜技術語言的迷霧，聚焦于當下——在通往“汽車智能機器人”的十字路口，究竟是哪些技術路徑正在把汽車推向“更像一個整體智能體”的方向？在這一輪明顯的技術分化中，吉利所選擇的“全域融合”路徑，究竟成色幾何？

大分流：智能駕駛走向“系統級分化”

要理解吉利此次發布G-ASD的深層邏輯，我們首先需要將視野拉長，審視整個智能駕駛產業正在經歷的、從“功能實現”到“系統重構”的深刻轉型。

對于這一階段性的變化，產業界并非毫無共識。

中國工程院院士、清華大學車輛與運載學院教授李克強在多個公開場合指出，當前智能駕駛技術已經從“單點功能比拼”逐步進入到“系統架構能力競爭”的新階段。其核心矛盾，不再只是感知是否足夠精準，而在于不同子系統之間是否具備統一的決策邏輯與協同能力。

在他看來，隨著高階輔助駕駛逐漸成為底座能力，真正拉開差距的，將是整車智能系統在復雜場景下的整體行為表現，而非某一個算法模塊的參數領先。

基于此，我們回顧一下最近幾年智能駕駛領域，大家都在干什么，可能會更明白為什么今天我們如此聚焦吉利G-ASD。

1）智能駕駛的上半場：把“車開好”的軍備競賽

回顧過去5到8年的智能駕駛發展史，其實是一部各大廠商努力“把車開好”的血淚奮斗史。

無論是特斯拉激進的純視覺路線，還是中國智駕方案堅守的激光雷達融合路線，實際上整個行業的共識高度統一：

一切圍繞“感知—決策—控制”這根核心鏈條展開。在這一階段，所有的技術投入都指向了顯性的駕駛指標。感知算法在拼命提高對障礙物的識別率，試圖看清每一個雪糕筒和每一只橫穿馬路的小狗；決策算法在不斷優化變道和超車的邏輯，試圖在繁忙的高架橋上像老司機一樣見縫插針；控制算法則致力于讓方向盤轉得更順滑，剎車更線性。

所以可以看到的是，過去很長一段時間，L2+輔助駕駛和NOA（導航輔助駕駛）成為了主戰場。工程師們夜以繼日地解決“Corner Case”（長尾場景）：如何識別側翻的卡車？如何應對鬼探頭？如何處理雨雪天氣的傳感器噪點？

概括來講，這一階段/時期的核心任務，是解決“車能不能在復雜環境下完成駕駛任務”的問題。這是一場關于“及格線”的戰爭，誰能處理的場景多，誰的接管率低，誰就是王者。

智能駕駛專家表示，在這種思考的邏輯中，車輛本質上還是一個

“被程序控制的機械工具”。

它的智能是局部的、功能性的，就像一個裝了攝像頭的掃地機器人，雖然能避障，但它并不理解“駕駛”的深層次含義，更不懂得如何配合主人的生活節奏。

一位長期從事自動駕駛系統研究的高校教授在接受行業媒體采訪時曾直言：“當前很多高階輔助駕駛系統，在技術上已經非常接近‘優秀司機’，但這并不意味著車輛已經具備真正的智能性。”

在其看來，現階段多數方案依然停留在駕駛任務本身的最優解，而缺乏對整車狀態、乘員體驗以及跨域目標的統一理解。“從系統工程角度看，這更像是一個性能極強的子系統，而不是一個具備整體判斷力的智能體。”

2）當“能開”逐漸成為底座能力，割裂感開始浮現

然而，隨著行業頭部廠商的能力逐漸逼近實用邊界，行業開始出現一種“邊際效應遞減”的焦慮。

當一輛車已經能夠在99%的路況下自己開得不錯時，用戶開始對那剩下的1%以及整體的乘坐體驗提出了更高的要求。

此時，舊的分布式架構問題開始暴露，一種深層的“割裂感”開始困擾用戶。

最典型的場景莫過于“暈車”。當智駕系統為了避讓前方突然出現的障礙物而進行急剎車時，它只管下達“減速”指令。但此時，負責車身姿態的底盤系統（懸架、減震）對此一無所知，只能在車輛出現“點頭”動作后，被動地進行物理阻尼調整。這就導致了即便智駕很安全，但乘客卻感到暈車、不適。

這就好比兩個系統在極限的撕扯中互相抱怨：

智駕系統覺得自己很冤：“我明明安全剎停了，怎么還說我不好”；底盤系統也很委屈：“你沒提前告訴我，我怎么配合？”

針對當前高階輔助駕駛中頻繁被用戶提及的“暈車”“不適感”等問題，多位底盤與車輛動力學領域的專家指出，其根本原因并不在于智駕技術的成熟與否，而在于決策層與執行層之間缺乏足夠前瞻的協同。

一位曾參與多家主機廠智能底盤項目的技術負責人表示——

如果駕駛決策無法提前與懸架、制動、車身控制系統形成統一規劃，即便算法本身再精準，車輛在動態響應上的“生硬感”也難以徹底消除。這類問題，本質上已經超出了單一駕駛系統能夠獨立解決的范疇。因為在傳統的架構里，座艙域和智駕域是兩個獨立的王國，彼此之間只有極其有限的信號握手，不存在深度的意圖共享。

這種割裂感的存在，意味著單純堆砌智駕算法的深度，已經無法解決整車體驗的瓶頸。討論的焦點，開始從“單一功能的強弱”，轉向了“系統組織的合理性”。

3）從“駕駛系統”到“整車智能”的分水嶺

這正是當前技術路徑出現分水嶺的時刻。

一旦我們將優化的目標，從單一維度的“駕駛動作（轉向、加減速）”，擴展到多維度的“整車狀態（姿態、能耗、交互、安全、駕駛）”，技術問題的層級就發生了本質變化。

行業專家指出，面對這一變化，行業路徑大概開始分化：

路徑A：追求極致的“模范司機”。繼續深挖駕駛任務，追求在駕駛技術上超越人類，通過極其強大的駕駛能力來掩蓋系統間的割裂。這就像是雇傭了一個擁有F1賽車手技術的司機，雖然他不怎么和你說話，但他開得實在太好了，讓用戶挑不出來毛病。

路徑B：統一的“智能生命”。嘗試重構整車決策邏輯，試圖打造一個統一的“大腦”，將智駕、座艙、底盤納入同一個決策閉環，通過系統的整體協調來提升體驗。這就像是培養了一個貼身的“大管家”，他不僅會開車，還懂得察言觀色，能在你皺眉的一瞬間就把車開穩。

需要強調，其實這兩條路徑沒有絕對的優劣之分，也沒有絕對的對立之分，但它們指向了完全不同的未來形態。目前從行業來看，也有部分的企業在此之間進行探索。

不過，在行業技術的權威趨勢報告看來，隨著技術方案從功能堆疊走向統一架構、系統效率優化，自動駕駛技術正在跨越傳統感知—控制鏈條，向更高階整車智能化架構進化。

特斯拉Autopilot

此前某國內高級駕駛技術負責人也對寰球汽車表示，通過多模態融合與世界模型等技術推動“汽車智能體”進化，是當前產業發展的關鍵。

拋開理論的探討，回到吉利此時此刻的全域AI多模態融合的現實技術路徑，想要看清吉利的選擇，必須先理清行業內另外一個智能駕駛代表企業華為對這一問題的思考。

參照系：將“駕駛智能”推向工程極限的華為

聚焦國內市場，在高階智能駕駛領域，華為是領軍企業之一，代表了“專業化分工”與“極致工程化”的巔峰。

理解華為的技術邏輯，可能是理解吉利G-ASD的最佳參照系。

來自華為乾崑ADS 4.0發布會

若要提煉華為高階智駕體系的精髓，其核心指向十分明確：將駕駛任務進行極致的工程化拆解。

華為 ADS 的演進史，實則是一部貫徹‘工程師實用主義’的進化史。

從ADS 1.0到4.0，其戰略定力從未動搖——死磕中國復雜的真實路況，攻克每一個長尾難題。正是這種對工程邊界的極致探索，構成了華為智駕在用戶端實現“全場景覆蓋”與“高魯棒性”的底層邏輯。在面對紅綠燈倒計時、外賣小哥逆行、無保護左轉等高難度博弈場景時，致力于讓“駕駛自動化”這件事在現實物理世界中盡可能地可靠。

根據行業公開信息顯示，華為最新的ADS 4.0架構采用了WEWA（World Engine + World Action Model）架構。

不過需要注意的是，雖然也提到了World Action Model（世界行為模型），但其核心應用場景被極其聚焦地定義在“駕駛”本身。華為利用云端的World Engine（世界引擎）生成各種極端場景（如鬼探頭、前車急剎）來訓練AI，再用車端的模型來執行。這是一種典型的“刷題戰術”——通過在模擬題庫里做海量的難題，來提升AI司機在現實考試中的通過率。

這一技術策略的本質上，還是為了提升極致的駕駛能力。

所以在華為的技術架構中，智駕系統（ADS）擁有極高的獨立性和權威性。這導致了行為決策中心是高度聚焦的。

ADS系統的決策目標高度錨定于“如何開得安全、順暢、高效”。它會調用激光雷達、攝像頭等一切感知資源來服務于“駕駛”這一個核心任務。雖然華為也有強大的鴻蒙座艙（HarmonySpace），但在底層的決策邏輯上，座艙系統更像是一個服務員，它負責展示智駕的信息，負責娛樂，但在關鍵的動態決策上，它不干預智駕的邏輯。

這種架構的好處是顯而易見的：

智駕系統的邊界清晰，安全性更容易驗證，且不受其他系統故障的干擾。對于追求“把車開好”這一目標來說，這是最高效的解法。

當然，華為并非沒有做跨域協同。華為推出的“途靈底盤”以及iTRACK動態扭矩控制系統。這些系統確實實現了智駕與底盤的聯動。

不過，根據目前的技術架構方案，這種協同更多是“單向服務”。

比如，智駕系統預判到了前方有減速帶，它會提前通知底盤系統“準備干活”。底盤系統接收到信號后，調整懸架軟硬。這是一種“增強式”的協同——底盤的存在是為了讓智駕開得更穩，是為了服務于“駕駛”這個核心目標，而非改變決策的主體對象。底盤系統本身并不具備對整車行為的最高定義權，它依然是執行機構的智能化延伸。

從技術邏輯上來看，這種“模塊化最強”的打法，使得華為可以迅速賦能不同的車企（問界、智界、享界等），只要裝上華為的ADS單元和鴻蒙座艙單元，就能立刻獲得頂級的體驗。

但這同時也劃定了一個隱形的邊界：在華為目前的架構敘事中，討論的重點依然被嚴格限定在“駕駛系統”的范疇內。它是在造一個完美的“駕駛員”和一個完美的“座艙”，并將它們塞進車里。這種物理上的組合固然強大，但在系統生物學的層面上，它依然是離散的。尤其是在未來對AI強大賦能的利用暢想空間上，這樣的離散邏輯顯然是不科學的。

我們假設認為，華為是在攀登“駕駛技術”的珠峰，那么吉利此次G-ASD的發布，則是在嘗試繪制一張全新的“系統地圖”。

重構下一代智駕底層邏輯

如果說華為代表了“專業分工”的極致，那么吉利全域 AI 2.0 以及G-ASD的核心，則在于“統一”。

在吉利這次CES的技術發布中，我們看到了一個非常關鍵的轉折點：

決策層級的上移。

吉利認為，全域AI 1.0時代（也就是現在的大多數車），智駕、座艙、底盤是“各管各的”，數據不通、模型割裂，這種結構導致了跨域融合的困難。

而全域AI 2.0的核心使命，是構建一個統一的“整車大腦”，實現智駕域、座艙域、底盤域、動力域等跨越的感知、數據、信息共享。

需要指出的是，這里的整車大腦，并非指單一模型對所有執行鏈路的直接控制，而是指在更高層級實現統一意圖理解與跨域決策約束的系統框架。

要實現這一構想，離不開一個強大的“數字大腦”——

WAM（世界模型）。

當然在更廣泛的人工智能研究領域，“世界模型（World Model）”與“行為模型（Action Model）”早已不是新概念。

清華大學自動化系教授、人工智能領域專家張鈸曾指出：

真正高級的智能系統，必須具備對環境的整體建模能力，并能夠在模型中進行行為預演和價值評估，而非僅依賴規則或即時反應。

將這一思路映射到智能汽車領域，意味著系統需要理解的不再只是“下一步怎么操作”，而是“當前這一系列行為，將把整車帶向怎樣的狀態”。

這也被業內視為自動駕駛邁向更高階智能體形態的重要技術前提。

1）解剖 WAM：一個模擬生物神經的“數字大腦”

吉利WAM（World Action Model，世界行為模型），并非一個空洞的概念，仔細拆解其技術架構，我們會發現吉利幾乎是在用 AI 復刻生物的神經反射機制。

根據吉利發布的技術文檔，WAM 的內核由四個關鍵角色協同構成，形成了一個完整的閉環：

• 決策大腦（MLLM 多模態模型）：這是系統的“額葉”。它像一位經驗豐富的“老教練”，能看懂復雜的路況和艙內情景。當用戶下達一個模糊指令，比如“送我回家”或“我累了”，它能將這個宏觀意圖分解成一系列具體的子任務（如：規劃路線、調整座椅、改變駕駛風格）。
• 執行小腦（Action Expert 動作專家）：這是系統的“運動神經”。它利用前沿的流匹配技術，負責將大腦的意圖，瞬間轉化為方向盤轉角、油門開度、懸架阻尼乃至座艙氛圍燈的具體動作序列。請注意，這里的動作不再局限于駕駛，而是涵蓋了底盤和座艙。
• 預測模擬器（World Model 世界模型）：這是系統的“想象力中心”。它能在毫秒間對上述動作序列進行物理推演，提前“想象”不同選擇會帶來的未來狀態。比如，過一個減速帶，它會推演“快速通過”和“慢速通過”兩種情況下，車身姿態和乘客舒適度的不同后果。
• 體驗評價官（Value Function 價值函數）：這是系統的“價值觀”。基于人類駕駛數據（Human-in-the-loop），它對推演出的各種未來進行安全、舒適、高效的綜合打分，選擇那個最優解，完成端到端的自我修正。

這套機制的革命性在于：汽車的決策對象不再僅僅是“怎么開”，而是“整輛車該如何行動”。它讓車輛對于距離、速度、物體行為、社會常識的理解保持一致，相當于賦予汽車統一的“世界觀”和“常識庫” 。

2）智能體化：Eva 不再只是語音助手

基于WAM模型，這一次吉利提出了一個極具生物學色彩的架構——“1+2+N”全域多智能體協同框架。

在這個框架中，Eva（吉利的智能形象）的角色發生了質變。它不再只是一個負責切歌、調空調的語音助手，而是升級為——

“整車級超級智能體”和跨域資源調度總指揮。

最直觀的改變體現在“托管感”上。

吉利描繪了這樣一個場景：“未來，你可以將‘幫我充電’、‘接上朋友’等完整任務直接托付給 Eva” 。

在傳統的架構中，這需要用戶分步操作：先在座艙側發起查詢與導航（例如獲取朋友位置并生成目的地），再把目的地交給智駕系統執行駕駛任務。

但在吉利全域AI 2.0中，Eva接收用戶意圖后，會在系統層面完成任務拆解與跨域資源調度：

明確“去哪接、以什么策略開、如何兼顧舒適與效率”，并將駕駛執行交由G-ASD，車輛姿態與舒適性由底盤域協同配合，能耗與補能相關任務由能源域聯動完成。

Eva不再只是“傳話筒”，而更像是整車意圖層的調度中樞。

例如用戶說“我累了”，Eva可以聯動座艙的燈光、音樂與座椅設置，同時把“更平穩、更少變道、更柔和加減速”的偏好傳遞給智駕策略，使整車的行為表現更一致、更符合乘員狀態。

這種“艙駕協同”的深度融合，使得智駕不再是唯一的、高冷的決策者，而是成為了Eva隨時調用的核心能力庫。

吉利的“暴力美學”與“安全護城河”

有了統一的大腦，還需要強壯的肢體。

這建立在吉利對智駕硬件堆料上的“暴力美學”以及在數據資產上的深厚底蘊之上。

需要強調一點，G-ASD 并非吉利的獨角戲，而是吉利與千里智駕（Afari）聯合研發的結晶。

千里科技是吉利在過去兩年智駕、AI相關布局上投入最為前瞻的業務實體之一。

在此次發布中，吉利與戰略合作伙伴千里智駕共同拋出了一個極具顛覆性的技術度量衡——

“含模量”。

在過去的智駕競爭中，行業習慣用“算力（TOPS）”或“代碼行數”來衡量系統的強弱。但吉利指出，隨著AI進入大模型時代，“含模量”才是決定智駕上限的關鍵指標。

所謂“含模量”，是指AI模型在整個智駕系統中的覆蓋廣度與深度。

在“低含模量”的傳統系統中，工程師需要編寫數十萬行規則代碼（Rule-based）來告訴車子“看見紅燈停、看見綠燈行”。這種方式不僅笨重，而且永遠無法窮盡現實世界中千奇百怪的“長尾場景”（Corner Case）。

而在G-ASD這種“超高含模量”的系統中，吉利利用Scaling Law（尺度定律）的效應，通過Smart AI Agent架構將模型范式全面升級。系統融合了 VLM（視覺語言模型）、VLA（視覺語言動作模型）以及世界模型等前沿范式，用端到端的神經網絡大規模替代了人工規則。

這意味著，G-ASD 不再是一個只會死記硬背交規的“做題家”，而是一個具備通用認知能力的“觀察者”。它能通過視覺語言模型“看懂”復雜的施工路牌，通過世界模型“腦補”出被遮擋的行人。“含模量”越高，意味著規則寫得越少，系統的泛化能力越強，面對未知場景的應變能力也就越接近人類直覺。

當然，更加接近人類直覺還應該有底層的邏輯作支撐。

吉利在G-ASD的旗艦方案（H9）上選擇了目前市面上最昂貴的“軍火”。

根據披露的信息，G-ASD H9方案配備了兩顆NVIDIA Thor芯片，車端算力高達1400 TOPS。

作為對比，目前主流的高階智駕芯片算力通常在200-500TOPS之間。此外，該方案還標配了5顆激光雷達，實現了3重360度感知覆蓋。

由此看出其實吉利的邏輯很直接：

既然要跑通一個囊括智駕、座艙、底盤的龐大“世界模型”，既然要做實時推演，那就必須要有最強的算力。

這種“算力冗余”的打法，雖然成本高昂，但也為 L3 乃至 L4 級別的演進留足了空間。

因此，吉利計劃在今年（2026年）法規允許下，推送高速L3和低速L4功能，并實現Robotaxi運營。

如果說算力可以用錢買到，那么數據，尤其是高質量的失效數據（Failure Data），則是吉利手中最獨特的王牌。

在端到端大模型時代，AI的上限取決于數據的質量。大家都有海量的正常駕駛數據，但AI最難學的是“怎么處理事故”。

吉利反復強調，其WAM模型的數據來源中，融合了沃爾沃55年來持續收集和分析的超5萬起真實交通事故數據、涵蓋8萬多名相關人員。

坦率來說，這是一筆難以復制的資產。吉利將其稱為“行業第一的安全事故數據集” 。

通過將這些帶有血淚教訓的真實事故數據喂給WAM模型，AI能夠學習到真正的物理邊界和安全底線。

這使得吉利的智駕系統在性格上可能與激進的“方案”不同。它不僅通過仿真學習（AI 訓練 AI），更通過真實事故學習（歷史訓練未來）。

“安全基因”的注入，讓 G-ASD 在面對極端工況時，不僅有計算的理性，更有一種近乎本能的“避險直覺” 。

而這些成果，也來自于早前發布的吉利全域安全2.0體系。

智駕戰爭的下半場或將打響

至此，我們可以清晰地看到由吉利率領的另外一條不同于華為的2026年智能駕駛產業技術路徑：

華為，作為“技術特種兵”，正在將“駕駛”這件事做到工程學的極致。它像一位絕世劍客，追求快、準、穩，致力于成為所有車企最好的“外掛大腦”。

吉利，作為“整車架構師”，正在嘗試構建一個“生命體”。

它利用WAM模型打破了系統的物理邊界，用Eva串聯起感知與執行，試圖打造一個有統一意志的“汽車機器人”。

吉利G-ASD及全域AI 2.0的發布，其意義不在于吉利是否在某一個彎道的通過速度上超越了友商，而在于它提供了一種系統級的解題思路，并向行業拋出了一個問題：

未來的汽車，究竟應該是一個“裝了超級駕駛的冰箱彩電大沙發”，還是一個“會移動的智能生命體”？

吉利并未宣稱已經完美實現了后者，但或許我們已經可以從吉利的技術發布中，窺探到了這一構想。

在多家國際咨詢機構的研究中，智能駕駛被反復強調為一項“長期系統工程”，其競爭焦點將從單一功能領先，逐步轉向平臺級與架構級能力。

麥肯錫在相關報告中指出：

隨著自動駕駛技術復雜度不斷提高，整車系統的統一設計能力，將直接影響技術演進的上限。

這也意味著，不同企業在這一階段所做出的架構選擇，可能并不會立刻體現在接管率或某一次測試成績上，卻會在更長周期內，深刻影響其向更高階智能演進的空間。

在此次的CES上，吉利仍然給出了一個較為清晰的時刻表：

G-ASD該系統首版本已搭載于極氪、領克兩大品牌旗下共16款車型，覆蓋車輛超30萬輛，并計劃在未來逐步在吉利汽車旗下更多車型上搭載。

不可否認的是，吉利的路徑重構，拓展了我們對“汽車智能”的定義邊界。

當汽車開始擁有統一的“世界觀”，當它能感知你的疲憊并主動接管駕駛，當它能像管家一樣處理充電瑣事時，“汽車智能機器人”這個曾經虛無縹緲的概念，終于在現實產品邏輯上，向前邁出了堅實的一步。

在通往未來“汽車智能機器人”的曠野上，吉利正在以不同于華為的方式，定義著中國汽車工業的智能高度。