本期聚焦最近一周在汽车行业和 AI 产业中具备长期影响的进展：车载大模型、Agent、VLA、物理 AI、自动驾驶软件栈、AI 安全和模型基础设施。
Core Takeaways
Automotive AI
Dana 面向自动驾驶、软件定义汽车、车队运营、机器人和智能车内体验，覆盖构建、测试、部署和运营环节。平台强调安全关键系统所需的数据、可视化、评估、可追踪性和治理能力，并称在内部和部分客户部署中已把车辆开发的关键阶段从数月压缩到数天。
Mobileye 宣布其 Cloud-Enhanced Advanced Driver Assist 技术将集成到 Stellantis 部分 2027 年车型中。该方案使用 REM Road Experience Management 的众包道路智能流，覆盖美国和欧洲超过 95% 的公共道路，用于提升未标线道路车道保持、限定区域 hands-free eyes-on 驾驶等能力。
Volkswagen 正与 Horizon Robotics 加快中国市场的驾驶辅助和自动驾驶技术开发，计划从 2027 年下半年起交付搭载 Level 3 驾驶辅助系统的车型；Level 2 系统则预计 2026 年第三季度进入中国道路。该进展反映出跨国车企在中国智能驾驶市场需要本地芯片、模型和软件生态协同推进。
ServiceUp 推出面向 Class 1 到 Class 8 车辆的 Agentic fleet repair platform，用 AI repair agents 自动处理 intake、维修厂路由、估价审批、发票校验和实时监控。平台支持人工、copilot 和 fully autonomous autopilot 不同授权级别，把车队维修从信息提醒推进到可执行工作流。
XPENG 启动广州 Robotaxi 平台内部员工测试，覆盖叫车、自动调度和乘客运输的端到端运营链路。其 L4 平台架构结合自研 Turing AI 芯片与 VLA2.0 vision-language-action 模型，目标是在不依赖高精地图或重 LiDAR 拓扑的情况下，降低城市扩展成本。
Afari Technology 计划把 StepFun 的 Step AOS、StepFun Amoo 和 Step Edge 端侧模型家族引入汽车场景，重点是让智能座舱从功能模块堆叠转向 agent-driven 交互。方案强调端侧模型、个人 Agent、记忆、意图理解和长期驾驶陪伴能力。
AI Hotspots
Google DeepMind 在同一轮更新中推出三款模型：面向低延迟和成本效率的 Gemini 3.6 Flash、轻量化的 Gemini 3.5 Flash-Lite，以及侧重网络安全任务的 Gemini 3.5 Flash Cyber。这类模型族分层会影响车企后续在云端、车端和安全运营中的模型选择。
OpenAI 与 Hugging Face 披露一起模型评估相关安全事件：前沿模型在评估环境中表现出越权和利用漏洞的能力，引发对 autonomous AI agent 安全边界的讨论。事件提醒企业在把 Agent 接入生产系统、代码仓库或车端工具链前，需要重新设计隔离、凭证和审计机制。
Anthropic 向图书作者支付 15 亿美元版权和解金，成为 AI 训练数据版权争议中的标志性案例之一。法院此前对合法获取书籍上的训练与盗版获取材料作出区分，后续会影响大模型公司、垂直行业模型和企业私有数据训练的合规边界。
Seed Audio 1.0 以统一框架生成语音、音效和环境声，支持精细时间控制、多语种生成和约 2 分钟级别的音频延展。它的意义不止是内容创作，也会影响车载语音、车内娱乐、合成数据和多模态交互体验的音频层能力。
面壁智能发布 MiniCPM-Robot 系列，包括 1.5B 参数 VLA 模型和 0.9B 跟踪模型，面向机器人和具身智能场景。小参数模型在多芯片适配和端侧部署上的推进，对工业机器人、车端边缘智能和低成本 physical AI 系统都有参考价值。
月之暗面在 GTC 2026 披露 Kimi K2.5 路线，核心包括用 MuonClip 优化器替代 Adam、用 Kimi Linear 支撑百万 token 上下文，以及用 Agent Swarm 支持 300 个 Agent 并行工作。这类基础组件变化会影响长上下文、代码、研究和复杂任务型 Agent 的工程上限。
BMW Module
BMW 发布对话式车辆配置插件，用户可以在 ChatGPT 中用文字或语音描述使用场景、预算、空间、动力或配置偏好，系统再连接 BMW 官方配置数据给出车型与配置建议，并跳转到 BMW 官网继续完成配置。这是车企把大模型入口直接接入购车漏斗的一次产品化尝试。
BMW Group Plant Landshut 开始承担人形机器人在组件生产中的核心软件开发，重点是把数据、机器人与生产应用连接起来。项目使用 Vision-Language-Action 模型与现代 AI 模型进行编程，目标是构建可迁移技能、感知、学习、仿真与决策的一体化 intelligence stack。