作者丨铅笔道 松格

编辑丨铅笔道 邹蔚

封面图丨阿尔特官网

AI 公司负责人，一头扎进甘蔗田，调研怎么砍甘蔗。

只为搞清楚一件事：要提升砍甘蔗效率，最应该设计什么样的农机？AI 可以融合哪部分设计让刀盘更稳定？

他就是阿尔特汽车副总裁、AI.X Lab 负责人，阿尔特太乙人工智能总经理刘亚彬。AI.X Lab 是由汽车设计巨头阿尔特（深交所上市，市值 55 亿元）孵化的 AI 部门。

2022 年 ChatGPT3.5 问世后，刘亚彬见识了 AI 大模型的强大力量。他意识到，如果将阿尔特在汽车设计行业多年积累的海量知识、工程流程和数据做成垂直大模型，那么：AI 不止能让汽车设计效率更高，更能打破行业边界，为整个制造行业带来智能化新机会。

2025 年，阿尔特联合水木创投、英伟特达、上海人工智能实验室共同投资设立阿尔特太乙，向制造行业输出 AI 解决方案。

如今，阿尔特太乙已跑通造型 AI 创绘工具、汽车研发知识大模型、智能风阻预测等落地产品，合作覆盖汽车、机器人、飞行器甚至农机领域。

最近，铅笔道与刘亚彬交流，挖掘出 AI 赋能工业的诸多机会，精华如下：

1、AI 在汽车设计中的落地场景有哪些？

从产品定义、造型设计的创绘生成，到 CAD 理解、跨岗位数据打通，再到功能开发测试、CAE 科学计算等强物理约束问题，AI 已深度介入汽车研发全流程，帮客户节省时间、提升研发效率。

2、工业 AI 要实现规模化落地，最难的是什么？

缺人。" 懂 AI 又懂工业 " 的交叉型人才稀缺，联合 AI 模型公司、算力厂商、数据公司、科研机构、行业客户共建技术与商业闭环。这个过程中，还要面临不同数据格式和工业软件，没有对齐的问题。

3、工业 AI 的未来方向是什么？

通过数据融合更好的人机共生，而且不止于汽车行业，而是向农机、电子等更多工业领域延伸，通过搭建智能体平台生成智能体的能力，成为帮助企业更快、更好完成产品研发的 " 智能化引擎 "。

声明：访谈对象已确认文章信息真实无误，铅笔道愿为其内容做信任背书。以下是刘亚彬口述。

- 01 -

55 亿上市公司孵化 " 智能化引擎 "

中国汽车行业的剧变，从 2013 年开始——新能源车进入快速发展期。

车越来越像消费电子产品，需要研究用户使用场景，软件定义汽车，减少零部件数量，实现更灵活的组合。而在软件控制下，车的响应和人直接操作的主观感受并不完全一致，在自动驾驶场景里尤其明显。

我逐渐意识到，行业里对 " 人的驾驶感受 " 和 " 行为数据 " 的理解，其实是严重不足的。

开始思考，阿尔特是不是应该有一个用户体验研究和产品定义的部门。公司成立了用户体验开发工作室，一方面做用户调研和洞察，明确车型定位、功能、性能和可靠性要求；另一方面，帮助主机厂做产品定义，涉及品牌、文化、DNA、车型调研等内容。

阿尔特汽车副总裁刘亚彬

这一步，也让外界开始意识到，阿尔特不仅是执行者，而是可以参与到产品定义阶段的公司。

但随着行业进入精细化竞争阶段，车企逐渐面临车价调整；开发节奏加快、模块化技术普及，设计公司的服务价值被不断压缩，我们必须寻找新的转型方向。

AI 进入我们的视野。

多年前，我们就开始系统性梳理 AI 能力，但真正的刺激，来自 2022 年底 ChatGPT。2023 年 3 月，百度文心一言发布，让我意识到，国产大模型在工业领域应该是有机会的。

我们成立了 AI .X Lab，和智谱、清华、英伟达展开合作，也很早意识到算力和数据安全是绕不开的，基于英伟达芯片，在无锡联合建设了算力中心。

早期有很多 " 许愿式 " 的尝试探索，比如 2D 转 3D、生成式 CAD 、跨岗位数据打通、云原生设计。有些实现了，有些非常难，也促使我们不断调整方向。

真正落地，是从 "AI 内化 " 开始的。我们先让阿尔特内部的人用到最先进的 AI 工具，通过大量 workshop，拆解工程流程，找 AI 真正能介入的点。

先从造型图形入手，再做垂类知识大模型，最后挑战科学计算这些强物理约束问题。

当这些工具在内部跑通之后，客户开始主动找上来，愿意为节省时间、提升创意效率、提前获得工程反馈买单。我们成立了阿尔特太乙人工智能，把内部验证过的能力产品化。

- 02 -

死磕两大通用赛道

太乙成立之后，很快就面临一个现实问题：接下来做什么新产品。

在每一个业务板块里，我们拆出几百个应用场景，排优先级，从简单的、确定性强的开始。

已经完成的造型创绘、风阻预测、知识大模型之外，有两个方向，是决定死磕的。

第一个是二维工程图。工程制图这件事，看起来简单，但它背后是非常复杂的同源关系和约束关系。大家很快意识到，这项技术即便在全球范围内，也尚未有成熟的标杆性案例。现在能做到的，基本都是自动化，或者一些功能型软件公司能解决一部分。

第二个是数据平台。我越做越发现，数据转化未来能产生很重要的商业价值。怎么让数据真正流转起来。我们给自己找的一个对标 Palantir （美国软件公司，以大数据分析能力著称）——业务细节拆解、方法论、AI 能力暂时做不到成熟，但方向是类似的。

这两个方向之所以被选出来，是因为它们具备很强的行业通用性。比如二维图纸，不只是汽车，其他行业也需要。

在客户这件事上，太乙一开始就有一个天然优势——母公司的资源通道是完全打通的，而且母公司非常支持我们干这件事。

太乙也有自己独特的客户来源。因为我一直把太乙定义成一家 AI 科技公司，而不是一家 "AI 应用公司 "，所以很多 AI 生态里的伙伴会主动给我推项目、推客户，这个价值非常大。

哪怕是车载大模型，上车绝对不是 " 塞一个模型进去、蒸馏一下、缩小一下 " 这么简单，你要和车机系统、生态、测试流程全部打通，这些都是专业活。

另外一种合作方式，是像百度伐谋的 Agent 平台。我可以基于它的底层能力，做汽车行业全局最优解的 Agent。基于阿尔特 AI 战略核心平台 " 太乙 "，在风阻智能预测方面与百度伐谋深度合作，双方以真实工程数据和设计场景为基础，将风阻预测问题抽象为一个多目标、可演化的算法优化任务，通过运行结果的持续回灌，不断调整模型结构，使预测模型在演化过程中逐步逼近最优解。 传统汽车风阻验证依赖仿真软件求解，单次耗时达 10 小时。

太乙目前已经卖给客户、跑通的产品，是造型创绘工具。

- 03 -

共建工业 AI 的商业闭环与生态

商业闭环我们反复改过很多次。

除了买断、Saas、Maas 之外，我们开始尝试更多组合方式：

比如软硬件一起卖，做成类似一体机或盒子，即插即用；

比如 AI 培训，通过培训建立通道，再转化到产品；

再比如做平台，不管是 AI 工业设计平台、智能体研发平台还是数据平台。

在这个过程中，我们和行业 AI 龙头公司聊得非常多。我希望他们理解，我们不是只买算力，而是在一起共建能力。再往后走，就是高质量数据集，这些数据既能训练模型，也能作为资产。

从长远看，我们不卖车，但我们卖的是帮助别人更快、更好造车的能力。这也是太乙存在的核心价值之一。

从公司和行业两个层面来说，在汽车和 AI 这件事上，最难跨越的，不是技术本身。

你在一个传统汽车相关的公司里，哪怕它本身也是科技公司，只要你讲的是一个大家还没理解过的东西，就一定会遇到否定。很多时候不是对错的问题，而是对方根本听不懂你在说什么。

更现实的是，AI 的迭代速度太快了。有时候我们一群人刚把一个决策讨论完，发现 AI 已经往前跑了一大截。

我希望的是，每个业务部门里都能出现 " 超级个体 "，先把自己手里的轮子换掉，用 AI 把现有的工作真正做一遍。只有当某个业务因为 AI 出现了以前完全不存在的工作形态，那才算成功；如果只是辅助提效，那是效率层面的成功，但不是结构性的改变。

行业层面的鸿沟也很深。第一个，是工程师的知识和操作大量是隐性的。很多工程师自己也说不清楚为什么这么干，只是 " 我鼠标一划，它就对了 "。要把这种东西转化成机器能理解的逻辑，本身就是一个巨大的挑战。

第二个，是工具割裂。数据对齐几乎全靠工程师之间人工沟通，这本身就极其低效。

第三个，是 CAD 向 AI 的跃迁。我一直认为，CAD 在 AI 上实现很难。因为机器不负责任，人要负责任。你设计出来的零部件必须满足真实的功能和性能要求，这不是 " 生成一个结果 "，有形状，有基本属性，就结束了。

我们是怎么应对这些难题的？

科研合作。目前已经能看到一些阶段性成果。中科院工业人工智能研究所、清华、北理、北航、浙大、复旦，我们现在都有合作点。英伟达也会给我们推荐生态。总之，有点像在牵头做一个 " 开放科研场 "。

我们现在赋能的客户种类很多，不只是汽车公司，还有主机厂、机器人公司、飞行器等等。让我最意外的客户，其实是农机。农机带来的思考远不只是 AI。

零部件能不能卖给农机？造型、工程开发能不能迁移？在内燃机为主的场景下，电动化怎么切？刀盘稳定、驾驶监测、含糖量检测、转弯半径，甚至农艺本身的问题，全都牵扯进来。

通过系统性地学习一遍农机。那一刻我意识到，AI 不只是带来客户，而是会重新打开整个工业世界。

2025 年是我们发展很快的一年，也遇到了 " 最难啃的骨头 "。最硬的一块，是知识大模型。

当我发现它在我们高频场景里真正起作用、对图纸的理解已经开始接近人类工程师时，并且保持输出的稳定，那一刻我是真的开心。它目前比通用大模型更准。能帮上工程师，这是最重要的。

本文仅为口述者独立观点，不代表铅笔道立场，不构成任何投资建议。