人工智能（AI）、大模型技术在智能汽车领域的深度渗透与广泛应用，对车用操作系统（OS）提出了新的发展要求，AI OS面临新的机遇和挑战。目前AI OS仍处于学术探索初期，行业内尚未对其形成严谨、统一的定义。从发展路径来看，车用操作系统与AI的融合呈现出多种可能性，大致可划分为集成、赋能与定制、融合三个不同的阶段或模式。

此外，AI OS这一发展趋势也对软硬协同提出了更严苛的要求，行业内正在积极展开多样化的实践探索，从不同角度、不同层面尝试优化软硬件协同机制，力求为智能汽车的智能化发展提供坚实支撑。

AI OS是既有操作系统的延伸和拓展。从管理对象来看，AI操作系统实现了重要的转变。与传统操作系统相比，AI OS的外设驱动管理范畴延伸至外部数据管理，任务调度拓展为用户请求管理，内存上下文管理转变为请求的上下文管理，系统调用方式演变成了提示词交互，为用户与系统的交互提供了更加灵活和便捷的途径。

在架构层面，AI OS进行了全面升级。在内核和驱动层，新增了GPU（图形处理器）、IPC（进程间通信）驱动。在公共库层面，增加了安全、RAG（检索增强生成）、向量数据库、推理引擎等AI相关内容，构建了一个统一的推理框架、SDK（软件开发工具包）和接口。

框架层同样融入了众多AI元素。比如，引入具备UI布局能力的智能体，能够自动生成UI；引入一系列AI工具链，包括多模态大模型服务知识库、智能体服务、模型管理、端云协同服务、分布式AI服务等，为AI应用的开发与运行提供了全方位的支持。

在应用层，AI OS也展现出独特的变化。APP形式不再局限于传统的功能模块组合，更多地演变为各种智能体的灵活组合，使得应用能够更加智能、自主地响应用户需求，为用户带来更加个性化、智能化的使用体验。

简单集成阶段（AI in OS）。在这一阶段，主要是将AI相关的软件和应用集成到OS之中。例如，集成ChatGPT等超级应用，集成AI语音对话能力、AI算法辅助计算摄影、人脸识别、智能语音助手等，为操作系统增添丰富的 AI 应用场景。

赋能（AI for OS ）/定制阶段（OS for AI）。AI for OS：此阶段致力于用AI技术对OS的安全性、稳定性和性能进行优化提升，利用开发模型/AI Agent支持操作系统的设计、编码、调测、优化、漏洞分析、补丁检测和安全增强等环节。例如，东风通过开发AI Agent实现一个人一天完成三至四个人一周的AUTOSAR软件开发工作。

OS for AI：这一阶段的重点是为AI打造特有的OS，重构以AI为中心的软件架构和操作系统能力。内容上，围绕AI重新编写中间件和应用框架，包括高效、支持异构计算和优化的AI处理框架，为AI的开发和运行提供基础功能支持的基础类库，包括整车分布式异构架构下，车端的通信抽象、数据抽象、车辆基础服务以及与车辆系统隔离开来的 AI 基础服务层等。此外，还专门设计车内特定编程语言，用于定义如何更安全、更复杂地控制API，使AI跨越非严肃应用和严肃应用之间的鸿沟。

在能力方面，基于传统的OS框架上扩展出一系列支撑AI的能力；功能方面，将传统OS提供的用户交互、数据管理和外设管理等功能，进化为多模态全局AI服务；在安全性方面，针对AI模型、Agent数据不透明问题，优化隐私管理能力；可靠性方面，提升管理概率性计算的能力，防止AI带来的不确定性问题扩散到整个系统；精确性方面，提升管理非精确性计算的能力，以应对模糊/中间结果，避免不精确性在时间和空间的维度蔓延。

AI与OS融合阶段（AI as OS）。当前，企业对于将AI快速导入车内的需求十分迫切，但目前的导入仍停留在表层或APP应用层，如图文转换、说明书查阅和闲聊等以体验为主的产品，只是一个嵌入车内的AI代理，未能充分发挥 AI 的深度价值。同时，开发商仍处于传统ECU开发模式，比如智能驾驶和智能座舱领域，主要基于英伟达、高通芯片开发AI的相关应用或能力，限制了 AI 与OS的深度融合。

未来，AI必将成为一种系统级应用，将其基本能力融入操作系统层面，通过提供统一的服务对象，实现不同情况下的硬件异构和有效利用云端能力，从而打通整个车内网络和云端的连接。以手机领域为例，荣耀打造的传统内核+AI内核双内核操作系统，这种系统级服务可为车内许多应用提供支持，不局限于智能座舱、智能驾驶领域，还包括整车的控制领域。特别是在域控、多域合一的跨域控制情况下，大量应用将以AI为基础服务，为汽车智能化发展带来全新的变革。

图表1 车用操作系统与AI融合的几个可能阶段/模式

资料来源：零束科技，车百智库研究院整理

1、软硬协同天然面临深度和广度难以共同兼顾的问题。一方面，需要保证适配的广度，支持车企更广泛的选择；另一方面，又需要深度协同以最大程度挖掘芯片性能，实现软件“大小”和硬件“能力”的完美匹配。然而，在资源有限的情况下，往往难以兼顾深度和广度。

2、AI大幅增加了软硬协同的难度，“适配爆炸”现象更加显著。一是协同需求增加，传统上层软件多使用通用的CPU指令，而AI大模型、Agent则需要调用更多芯片内核和其他芯片能力。二是开放程度更低，AI阶段软件面临的适配对象，从通用硬件扩展到通用+专用硬件，而专用硬件如DSA（领域专用加速器）的指令集、运行机制、调度机制相对“黑盒”。三是适配难度更大，芯片适配模型的难度超过适配传统软件，且需要考虑车企未来切换不同大模型或根据不同场景选择不同模型，适配和维护成本极高。模型厂商面对种类、品牌远多于云端芯片的端侧芯片缺乏适配经验，且大模型本身、AI芯片架构仍在快速演进。适配工作量大幅增长，不仅影响硬件厂商适配大模型，还影响终端用户在选择大模型和芯片时的决策，导致行业效率下降。

3、目前行业内围绕软硬协同已展开多样化实践。

借鉴pytorch等国际云端AI框架打造社区协同机制。如斑马智行正致力于联合基础模型和生态企业构建AI OS套件，打造大模型开发者社区和低成本可持续的适配平台社区。

建立开放机制。如黑芝麻等芯片厂商已经开放了相关的基础算子、工具链以及适配层的一些模型、代码，这种开放举措打破了技术壁垒，为软件开发者提供了更多便利，有助于加快软硬件之间的适配进程。

借鉴PC领域通用软硬件适配中心，建立车端软硬件适配的行业基础设施。如普华基础软件已开展车控软硬件协同设计中心、车控操作系统和芯片适配中心相关建设，为车端软硬件的适配提供了统一的标准和平台，有力推动了行业的规范化发展。

打造芯片设计前置于软件算法的协同模式。如地平线基于对智驾软件算法未来发展趋势，设计芯片架构，结合自研AI工具链、编译器等OS组件，更高效支持智能驾驶软件运行，软硬协同、规模化量产上车，以抢占智能汽车“计算底座”的先机。

建设车用SBOM（软件物料清单）库，在基本标准框架的基础上，将操作系统进一步细化、拆分到更小的SBOM层面，供芯片供应商参考，以解决具体落地环节依然存在的话语差异问题，促进各方在更高颗粒度上达成认识统一，进而在更精细的分工中实现产业协同发展。国家工业信息安全发展研究中心已于2024年9月成立软件物料清单（SBOM）标准社区，目前正在推进SBOM标准、公共服务平台建设。