2026年5月23日，车用动力系统国际论坛首次设立的“动力系统数智化”分论坛正式开场。这个分论坛吸引了联合电子、吉利、长安、英飞凌、兆易创新、清华大学、同济大学、天津大学等企业及高校的专家，围绕“智能”在动力系统中的具体内涵、技术路线和落地形态展开了深入讨论。从芯片算力到算法架构，从整车能量管理到控制范式演进，与会嘉宾的分享勾勒出一幅动力系统数智化从理论探索迈向工程实践的图景。

　　整车能量管理需要转换思维

　　联合电子跨域业务技术中台研发总监丁锋在报告中提出一个值得行业深思的观点：当下动力系统的控制逻辑普遍基于“扭矩结构”开发，“看似非常完美”，但从整车能量管理的角度看，这一架构存在根本性的视角局限。他建议行业“上升一点”，从整车的角度重新审视能量的流动，从电流如何分配、热能如何传递、信息如何决策的视角，构建一个全新的“能量流架构”来管理整车能量。

　　这一呼吁并非空穴来风。丁锋分享了联合电子在实车测试中的一组数据：在-7℃的低温行车场景下，车辆仅有约60%的电能用于驱动，接近40%消耗于座舱加热、电池加热和低压附件。驱动、热管理和低压电网三大系统“各自为政”，缺乏从整车视角的协同优化，这是能量损耗的主要根源。为此，联合电子提出了“整车能量管理协同器”的概念，试图从需求层、规划层、控制层到执行层实现全链路优化。

　　整车厂对这一问题同样有着切身体会。长安汽车平台及模组开发部司彦涛坦言，传统分布式架构下，“能量流是串不起来的”，电池、发动机、热管理系统各自独立运行，控制逻辑分散在不同控制器中。他认为“动力域内的融合远远不够”，行业需要向“动力加热管理”的能量域融合方向演进。从扭矩架构到能量流架构的转换，本质上是一场控制哲学的变革。单一维度的扭矩分配已难以覆盖多元能量形态协同优化的需求。“分析每一度电的去向，按照需要去用好每一度电。”丁锋说。这一看似朴素的思路，实则要求控制系统具备跨域感知与动态协同的全新能力。

　　AI算法“上车”是从云端到车端的工程挑战

　　如果说能量流架构回答了“管什么”的问题，那么AI算法则面临着“怎么管”的现实拷问。同济大学汽车与能源学院助理研究员张策腾飞博士将动力系统的AI化进程划分为四个阶段：从早期的模糊逻辑和神经网络，到元启发式搜索，再到模型预测控制（MPC），最终迈向强化学习与智能体阶段。他坦言，尽管学术界早已提出强化学习的理论框架，但“真正实现工业应用还存在一定距离”。“未来发动机的多种燃烧形式，其燃烧模式会发生根本性变化，我们的思路是构建动力性能预测性大模型，让AI自动学习燃烧机理。”张策腾飞说。

　　汽车行业则正以更务实的姿态缩小这一距离。浩思动力开发专家戴正兴分享了吉利的工程实践。首先在云端通过强化学习构建优化框架，参考阿尔法狗两步学习的方法，先拟合量产车实际表现，再在约束条件下让算法自我博弈优化，随后通过模型轻量化部署到车端TC387芯片。实车数据显示，启停机次数自主下降30%~40%，综合油耗提升2%~3%。这一结果表明，在现有嵌入式算力约束下，AI已可以找到切实可行的落地路径。

　　清华大学车辆与运载学院助理研究员李雁飞博士针对燃油自适应这一长期难题提出了颇具启发性的路线。他从市场上采集的汽油样本中发现，同样的标号为92号的油品，实际辛烷值变化幅度非常大。李雁飞团队利用现有爆震传感器的振动信号实现“零硬件成本”的燃油识别，再通过迁移学习生成新map，其预测控制参数能够更为准确。其以98号目标油为例，可以使发动机热效率从38.5%提升至38.9%，并进一步通过动力总成控制策略自适应，可以提升3%的燃油经济性。

　　天津大学先进内燃动力全国重点实验教授、博士生导师宋康，则从控制范式演进的角度开展了更系统的分析并分享了三个案例。他指出，动力系统控制正从以PID控制为代表的1.0时代、以滑模/鲁棒控制为代表的2.0时代、以ADRC/MPC为代表的3.0时代，迈入以强化学习/大模型智能体为代表的“自主智能”4.0时代。宋康团队探索了模仿学习加速MPC进行商用车换挡决策，计算耗时降低1个数量级以上；提出“物理引导的强化学习”电动车热管理策略，使训练效率提升5-8倍；设计了大模型智能体辅助的重卡预见性节能控制方法，避免了MPC权重的复杂人工标定。“我们期待摆脱对详细数学建模和大量人工标定的依赖，让控制器自己学会求解最优解。”宋康说。

　　不过，算法的先进性不等同于工程的可行性。英飞凌科技（中国）高级市场经理张立红指出，不同算法对安全等级要求不同，对实时性要求越高，则意味着安全边界越小。这表明，AI“上车”需要在技术突破与工程保守之间寻找平衡。

　　数智化基座如何顺应系统要求

　　无论算法多么精妙，最终都要依托芯片这一“物理底座”运行。张立红介绍了英飞凌AURIX系列的产品路线图：TC3系列将推400MHz升级版本，硬件完全兼容；TC4系列引入PPU（并行处理单元）支持嵌入式AI，算力提升约12倍，同时通过硬件虚拟机实现软件环境的高效隔离。值得关注的是，虚拟机是通过硬件实现的，一个内核配备三套硬件寄存器组，通过切换寄存器组改变运行环境，六个CPU核由此构成一个“算力池”。此外，PPU通过独立低延时总线与ADC, eGTM和高分辨率PWM外设直连，可在不需要内核介入的情况下形成闭环控制环路，大幅提升控制系统的实时性。

　　兆易创新科技产品总监徐博则从另一维度阐释了动力系统数智化的未来方向。他提出以10BASE-T1S、CAN XL、千兆以太网为基础的新型总线技术，保障数据高速流通，高速片间接口实现MCU与NPU、SoC之间的算力扩展，边缘由DFA、PPU、NPU三种架构形成不同算力的AI运算单元，赋予系统“大脑”。他认为，DFA功耗极低，适合充电支持等“普惠型AI”；PPU适合高频控制和虚拟传感；NPU面向多模态数据融合。“数据从哪来、怎么传输、怎么决策，需要三个系统共同努力，才能达到动力系统数智化的最终目的。”他说。

　　经过近5个小时的讨论，与会嘉宾一致认为，数智化不是给传统控制系统“打补丁”，而是从架构理念到工程实践的系统重构。从能量流架构对扭矩架构的范式超越，到AI算法云端与车端的协同落地，再到芯片算力与智能体需求的深度匹配。三者环环相扣。正如本次论坛主持人、天津大学先进内燃动力全国重点实验室教授谢辉所言，“动力系统数智化一定要有顶层架构设计”，而本次论坛的价值，正在于让“智能”从一个模糊的概念热词，逐步转化为可讨论、可分解、可执行的工程路径。