降本增效正当时，诊断智能化怎么卷?

人工智能正从学术领域跨越到实际应用的新阶段，大模型驱动的群体智能技术正成为推动革新的核心动力。

对汽车行业而言，大模型上车还处于起步阶段。截止6月，超20家国内车企实现大模型上车，场景主要覆盖智能座舱、智能驾驶，除此之外，少数大模型应用于设计、生产、销售环节。

而全行业面临着的是在整个用户的全触点驾乘中，通过人机合一的方式，更加高效的给用户提供更个性化，同时又成本可控的服务解决方案。

路特斯CEO冯擎峰透露，路特斯的智驾团队只有不到400人，相比别的车企动辄2000人甚至3000人，“人员最小化效果最大化”的双赢局面要归功于智能化系统。

由此可见，全面的成本领先无疑已经成为车企竞争的基础，而人工智能赋能的智能化将成为决战的胜负手。

因此，艾拉比副总裁贺思聪在汽车蓝皮书论坛上表示，人工智能在汽车软件最纯朴朴素的应用是对于汽车诊断进行人力服务知识库的补充，由于我们整车电子的问题会越来越多，因此人工智能对于售后服务工程来说最大的应用将是降本增效。

目前看来，传统诊断如何与更智能化的新技术融合正处于爆发前夜。

新技术带来服务模式的转变

随着OTA+技术的日益成熟和普及，诊断与分析技术正在汽车行业中扮演着越来越重要的角色。从远程诊断、车机诊断到灵活数据采集、大数据可视化以及车机智驾日志的采集与分析，这些技术不仅推动了汽车智能化的发展，也促使主机厂在传统售后和服务领域进行深刻的转型。

在技术手段迅速迭代的背景下，主机厂面临着前所未有的机遇与挑战。传统的售后和服务模式正逐步被数据预警、主动服务以及故障传播链截断等新型服务模式所取代。新模式依托于对数据和信号的深入掌握，以及对失效模式与数据信息的精准关联，从而实现对车辆状态的实时监控和预测性维护，意味着诊断技术主动和自动化程度发生质的跃升。

然而，对于数据、信号、逻辑、策略等复杂技术的深度理解，是传统经销商和维修人员难以轻易掌握的。如何将智能化维修和诊断技术方案快速融入到当前车辆维修和诊断的实践中，以智能化手段促降本增效，是整个行业共同关注的焦点。

华为发布VHR云服务3.0 乾崑云鹊大模型，汽车诊断智能化被推入公众的视野。据悉，乾崑云鹊大模型支持问答式交互，输入故障描述，云鹊大模型就能自动通过语义分析，理解问题，进行智能分诊、制定诊断方案，并生成诊断结论和修复建议。全过程自动化执行，将原本的小时级诊断时长进一步缩小到分钟级，相较于现有远程诊断能力，又显著提升了一个台阶。

AI到底是不是强助攻？

一年一改款的新竞争背景下，汽车已经不是传统意义上的小改、大改。不同品牌、不同型号的新能源汽车在高频迭代的同时，带来的众多软件版本，复杂的数据结构成为智能化诊断面临的挑战之一。

华为解决方案的关键词无疑是AI。而反观主机厂，在搭建和管理自己的智能化平台中，运用人工智能来提高自身的体系效率，AI的价值在诊断领域如何物尽其用，并不简单。

“我们团队在过去半年的时间里，翻阅了海量的AI论文，试用了国内外不同的大模型来分析质量和售后问题，结果并不尽如人意，售后部门并不买单”。某主机厂技术人员如是和艾拉比探讨，而这样的感叹已经不是个例了。

事实上，目前AI大模型逻辑推演的能力明显存在不足，对于失效分析和维修方案等具备专业性要求的领域，无法给出准确的信息，就技术而言并不落地。

由此可见，底层数据和知识库能力直接影响AI在诊断中的智能化效果。

艾拉比诊断BU陈子昕在探讨研发质量与售后技术领域时，详细阐述了AI和计算机如何准确理解和分析车辆逻辑与信号的关键所在。他指出，成功的核心并不在于AI技术本身，而是依赖于三个关键的技术前置条件：

1、知识图谱的完善：

知识图谱经过十几年的发展有了长足的进步，在诊断领域的运用可以更好地理解和分析汽车各部件之间的关联和依赖关系，将各个部件、故障类型以及解决方案等信息整合在一起，形成一个全面的知识库。
需要强调的是，构建适用于汽车行业的知识图谱，需结合丰富的项目经验，并由具备车辆子系统开发与运营经验的工程师持续迭代与维护。在此基础上，结合AI大模型，通过知识图谱+AI的强强结合，互为补充，可提升知识图谱的开发效率，实现诊断时间从小时级缩短至分钟级的跨越式提升。而不可忽视的是，知识图谱构建难度和需要成本不容小觑。

2、平台的整合能力：

主机厂繁杂又各自独立的系统对诊断同样提出挑战，智能诊断平台需要必备强大的整合能力，对数十个系统数据进行对接与整合，深入理解主机厂的业务场景和底层设计。在诊断、网络报文、MPU日志、OTA、配件、维修资料等方面具备专业know-how，并知晓如何结合这些数据以辅助AI进行高效分析。

3、数据治理的精细化实施：

在全面整合与治理源数据的过程中，尤为注重对SSTS（服务支持系统）、DEFMA（设计失效模式与影响分析）、维修手册、工程原理图等关键信息源的细致梳理。通过先进的原子化拆分技术，能够将庞杂的数据集细化至最基本的组成单元，并与车辆主数据管理形成紧密的联动机制，确保每一个模型数据都严格遵循车辆特定的配置属性和精细的断点信息。

此外，为了实现数据价值的最大化，需要将诊断与汽车全生命周期软件管理平台深度融合，将问题分析与高频OTA活动紧密关联，从而提升数据价值。

地基不牢，主机厂即便投入大量资源进行AI开发，往往事半功倍。陈子昕强调，车辆数据的智能化管理和应用并非一蹴而就，是一个长期且持续的过程，需要不断根据动态变化的车辆信息、研发信息和售后信息进行优化和更新。因此，一个长期稳定、深入汽车行业的合作伙伴，将是主机厂在AI应用领域不可或缺的有力助手。

三个“能不能”

脱离更低层次的卷价格，向上卷技术才是良性竞争。智能诊断风口已来，AI厂家蜂拥而至，但从行业实践看，不与汽车行业深度融合的互联网、AI厂商不可避免都要面临水土不服。这也正是当下主机厂与AI未快速牵手的原因。

艾拉比认为，智能诊断是目前降本增效的技术捷径。但做好智能诊断需要问“三个能不能”，即平台能不能融合、智能化能不能落地、数据能不能强基？

随着汽车系统的复杂化，传统的分散平台已难以满足高效、准确的数据处理需求。艾拉比的A6平台通过融合TCE与BOM，能够无缝对接车厂数十个系统平台，打破数据孤岛，实现数据的互联互通。同时，A6能够收集、整理、分析来自不同数据源的数据，实现数据的标准化、统一化和可视化。为智能诊断平台搭建提供了一个及其有价值的数据治理和融合基座。

知识图谱虽在其他行业日趋成熟，但汽车诊断领域的使用才刚刚开始。与大多数停留在POC与PPT的AI厂家不同，艾拉比知识图谱开发团队深耕智能诊断，承接了多家厂家的图谱落地方案。鉴于智能诊断项目合作周期长的特殊属性，稳定在行业激荡期显得尤为重要。

艾拉比作为OTA+领域的行业领导者，不仅具备长期的售后诊断、远程诊断、数据采集、大数据平台、OTA开发的相关底层开发经验，也具备OTA和售后诊断的长期运营经验。

艾拉比将这些能力与AI深度融合，打造出新一代的智能诊断平台。平台不仅解决了知识图谱构建高难度、高成本的问题，同时极大缩短了数千信号筛选与失效模型关联的管理编辑时间。在问题检索和问答方面，我们利用大语言模型的优势，提供了更精准、更高效的解决方案。

在实际应用中，这一智能诊断平台不仅能够有效维护信号、数据、模型与诊断策略逻辑，更通过知识图谱将各个模型紧密串联，将智能服务的功能深入到各个环节。这种全面的智能化升级，为车辆维护和故障排查带来了前所未有的便利和效率。

当然智能化过程中光具备系统并不足够，为了更好的将数据赋能服务，越来越多的主机厂开始调整组织架构，甚至成立了专门的智能化建模和运营团队，以进一步提高一体化智能运营的效率和能力。

诊断不是目的也不是终点，汽车是要实现一站式的车辆健康管理。正如万钢所言，汽车智能化的下一步要做的，是更安全，减少事故，这对智能化来讲是最重要的。艾拉比将OTA、智能诊断和汽车软件管理平台进行整合，着眼软件管理、诊断、修复、更新全方位建立汽车健康体系，以质提效、降本增效。