在1975年，IBM的工程师FreD Brooks在《人月神话》一书中提出了软件工程的核心难题：随着系统规模和团队数量的增长，复杂度会呈指数级上升。他得出的结论是，“没有银弹”，即没有任何单一技术可以显著提高生产力。
时隔50年，如今的汽车行业正面临着历史上最大的软硬件集成与开发挑战之一。
吉利汽车数智中心的AI产品专家阮航披露，近年来，吉利内部的软件研发人员比例已由不足10%跃升至40%。当一辆智能汽车的代码总量突破亿行，座舱、自动驾驶、底盘等异构系统在不同芯片平台协同运行时，Brooks描述的复杂度问题被放大数百倍，成为更棘手的技术难题。
然而此次，车企探索出了一条不同的应对路径。从2025年上半年开始，几个月时间内，吉利已有数千名研发人员开始应用通义灵码，AI生成的代码占比超过30%。特别是在通用逻辑开发、代码检测与测试环节，整体开发效率提升20%以上。
通过与阿里云通义灵码的深度合作，吉利正探索一个或许能破解Brooks所言“银弹”难题的潜在方案：AI真能成为解决软件复杂性和效率瓶颈的“银弹”吗？
软件化“汽车”+“智能”升级
人员结构的重大变革，折射出汽车产业本质的深刻转型。
曾几何时，汽车以硬件为核心，软件仅是辅助配件。而如今，软件已成为塑造核心用户体验的关键因素，阮航指出。这种转变带来了开发模式的变革以及产品复杂度的指数增长，形成所谓“Double Kill”。
最直观的变化体现在研发迭代速度上。过去，基于硬件的V模型开发周期以年为单位，而如今，为应对OTA（空中升级）需求，必须实现按月甚至周级的敏捷+DevOps模式。同时，汽车电子电气架构正由分布式ECU向中央计算与区域架构演进，面向服务架构（Soa）的引入，更是使系统集成复杂度指数级上升。
以吉利为例，其研发体系需同时兼顾座舱域的Linux/Android、自动驾驶的QNX及车身控制的AUTOSAR平台。应用层涵盖Java、Python等语言，底层则以C/C++为主。这些异构系统在不同芯片生态下高效、安全协作，成为一项极具挑战的系统工程。
更艰巨的是安全保障。汽车软件开发必须遵循ISO 26262功能安全标准、ISO/SAE 21434信息安全规范，以及ASPICE等国际认证，尤其在底层开发中遵守MISRA C/C++的严格规范。这些标准确保车辆的安全性能，但也与快速敏捷开发存在天然矛盾。
认识到这些系统性挑战的本质，吉利明确了借助AI技术提升研发效率的战略路径，与阿里云通义灵码展开深度合作。在多轮访谈中，我们见证了一位工程师变身“AI指挥官”的精彩故事。
全面AI赋能研发
在探讨AI落地应用时，场景分析首先不可或缺。吉利的研发体系主要由应用层软件、嵌入式开发和算法研发三大板块构成，整体而言，通义灵码等AI工具正逐步渗透各环节，助力研发数字化转型。
在应用层面，软件研发团队对通义灵码的应用尤为深入，实现了智能座舱HMI、车联网等场景的高效开发。工程师们频繁利用AI生成模板代码、逻辑逻辑转换等，极大缩短了开发周期。
嵌入式开发是汽车软件的“深水区”，主要使用C/C++，对实时性能和内存管理有极高要求。吉利正试图将AI能力引入底层开发环节，以改善代码质量与合规性，同时减少人为失误。
在算法研发方面，通义灵码帮助处理PB级雷达点云和视频数据，通过自然语言描述数据清洗规则，AI自动生成复杂脚本，大幅提升工作效率。
阮航举了个具体案例：某项目原定30天完成，但借助通义灵码，将编码环节从10天缩短到4天，注释补全由1.5天减至0.5天，单元测试从2.5天减少到2天，代码优化由1天降至0.5天，总体效率提升达30%，带动整体项目提速10%以上。考虑到吉利庞大的组织规模，这样的提效成果具有巨大意义。
每当深度应用AI，工程师们都要面对“幻觉”的困扰。虽然更准确的说法应是模型“胡说八道”，即模型对不了解的领域会生成错误或无关的内容，但也不失妙喻之意。
推而广之，大规模应用引出了另一核心问题：AI大模型必须精准理解吉利的业务逻辑和技术栈，否则生成的代码若不符合企业标准，价值就大打折扣。阮航强调，AI要理解吉利的业务上下文，而非仅仅提供通用代码方案。
阿里云和吉利的合作，正破解这一难题。贾彬介绍，通义灵码本质是一款高级编码智能体（Coding Agent），结合RAG（检索增强生成）及MCP（模型上下文协议）技术，能深度融合企业私有知识库，实现个性化、精准的代码生成。
而吉利则建立了包含私有代码库、API文档和技术规范的专属知识库，为大模型提供“补充材料”。这样，模型能在特定语境下进行推理，从而输出符合企业标准的代码，调用接口也更加精准顺畅。例如，调用内控API时，模型能提示正确参数和调用方式并遵循错误处理规范。
为了满足吉利对安全的极致要求，通义灵码支持企业专版部署，确保核心资产留在企业内网，双方通过VPC专线实现安全隔离和网络访问，保证系统安全性和数据隐私。
多维价值凸显，超越效率提升
大规模推广AI工具，不仅极大提高了研发效率，还在多个层面释放价值。
最显著的是生产力的跃升。大量重复、模板化任务交由AI处理，使工程师得以集中精力在系统架构设计、创新应用上。结合CI/CD等工具链对编码质量的把控，AI提前检测逻辑漏洞，提高规范性与稳定性。
但是，提升的还远不止这些。软件工程中的“技术债”问题——指历史遗留的、需要后续维护的“债务”——在汽车领域尤为多样且难以清偿。传统遗留系统多因硬件特殊适配或工况复杂而存在，随意修改可能引发安全隐患。工程师们常调侃：“能跑就别动，动了就出事。”
技术债的传承与偿还，也受到人员流动的影响，形成“代码考古”的难题。对此，AI表现出强大优势：它能快速理解遗留代码，辅助解释复杂逻辑，帮助开发者“读懂”过去的设计意图。例如，一名新员工用通义灵码快速熟悉多年核心模块，把原本预计一周的学习时间缩短到两天，充分发挥了AI的“知识管家”角色，让宝贵经验得以沉淀与复用。
这种“知识传递”的能力，在吉利的全球化布局中尤为关键。作为拥有瑞典、德国、意大利等多地研发中心的国际化企业，吉利用统一的代码仓库、研发平台，通过AI实现跨地域协同，促进编码规范和研发流程的标准化，降低沟通成本，加快全球创新步伐。
在质量保障方面，AI也带来变革。传统的代码评审多在提交后由技术负责人逐一审查，反应慢、修复高成本。而吉利正推动“左移质量”（Shift Left），在开发早期利用AI自动进行静态检测。例如，在代码合并请求时，AI会自动审查变量命名、异常处理、安全措施等，提升代码规范性，减轻人工负担，减少潜在风险。这让工程师从“执行者”逐步转变为“规则制定者”，由人工设定标准，AI高效执行，自己专注于复杂决策和架构设计。
