車用產業 AI 導入指南:智慧座艙、研發、供應鏈、售後四大場景與車規要點

上季我們陪一家 Tier 1 零件廠評估一套研發用的生成式設計工具。工具本身很聰明,能把 CAE 模擬跑得又快又漂亮。問題出在第三週:客戶的品保主管問了一句「這套模型的訓練資料在哪個機房?會不會流到境外?能不能過 IATF 16949 的稽核?」全場安靜了。工具很強,但沒人回答得出這幾題,案子就卡住了。

這就是車用產業 AI 導入跟其他產業最不一樣的地方。別的行業,AI 出錯頂多是客服答錯、報表算歪;車用產業出錯,可能是煞車決策延遲、召回、人命。所以這個領域的 AI 不是「能不能做得出來」的問題,而是「能不能扛得住車規與資安稽核」的問題。這篇是我們給車用團隊的導入地圖:先講清楚為什麼車規是主軸,再帶你走過智慧座艙、研發、供應鏈、售後四大場景,每個場景我們另外有更細的 spoke 文章可以往下深挖。

為什麼車規與資安是這個 hub 的主軸

在別的產業,你可以先做一個很美的 Demo 再談合規。在車用不行。這裡的順序是反的:合規邊界先劃好,AI 才進得了現場。

幾條硬線你繞不過去。功能安全 ISO 26262,決定了任何會影響車輛行為的 AI,要落在哪個 ASIL 等級、需要多少冗餘與可驗證性。預期功能安全 SOTIF(ISO 21448),專門管「系統沒故障、但在它沒被訓練過的情境下做錯決策」——這正是機器學習最危險的地帶。網路安全 ISO/SAE 21434 與聯合國 UNECE R155,要求你從供應鏈到 OTA 更新的每一環都有威脅分析與可追溯。再加上品質體系 IATF 16949,和歐洲市場的 GDPR、中國的資料出境規定。

我們的經驗是:AI 模型的黑箱性,跟車規要求的「可解釋、可追溯、可驗證」天生打架。所以車用 AI 導入的真正工作量,有一半不在調模型,在把模型的每個決策、每筆訓練資料、每次更新,都變成稽核員看得懂、簽得下去的證據鏈。這件事沒做,再聰明的 Demo 都上不了線。

四大場景:風險等級不同,打法也不同

四個場景的資安與車規壓力差很多,不能用同一套標準。我們一般這樣分:

智慧座艙是離使用者最近、也最容易踩隱私雷的場景。駕駛監測會蒐集臉部與視線,這在歐洲直接觸及 GDPR 的生物特徵條款。而且座艙推論常常要在斷網、進隧道時照樣運作,雲端方案在這裡會失靈,得認真評估車端部署。

研發設計看起來安全,其實最容易外洩公司最值錢的東西。工程師把還沒發表的車體結構、電池配方餵給外部 LLM,等於把 IP 送出門。我們的做法通常是私有部署加資料分級,讓模型只在圍牆內學習。

供應鏈是投報率最快看得到的場景。品檢視覺、需求預測、產線異常偵測,這些不直接影響行車安全,ASIL 壓力小,可以先做出成績、建立團隊信心。但要盯緊模型漂移——去年一條產線換了供應商的螺絲,視覺模型的良率判讀就悄悄失準了兩週才被發現。

售後是最容易被低估的金礦。故障預測與維修 Copilot 能把老師傅腦裡的經驗變成可查詢的知識系統,但一碰到讀取實車資料,就落入 UNECE R155 的資安管轄,授權與加密不能省。

導入的順序,比技術選型更重要

如果要我給一個最實用的建議:不要從最性感的智慧座艙開始。從供應鏈或售後這種 ASIL 壓力小、資料相對乾淨、成效看得見的場景切入,先讓組織長出「AI 上線並且有人真的在用」的肌肉,再往研發與座艙這種高風險場景推進。

我們接車用案子,第一件事從來不是選模型,是跟客戶的功能安全與資安團隊一起,把每個場景的合規邊界畫清楚,再讓工程師進場把系統扛到通過稽核、扛到維修技師每天真的打開來用。Demo 那天全場點頭不算數,過了 IATF 稽核、產線師傅離不開它,才算數。四大場景每一個的細節,我們會在各自的 spoke 文章裡拆給你看。