吉利全域AI2.0 WAM模型：统一决策能否突破行业瓶颈？

我翻了一下过去半年对国产品牌技术发布的记录，大概有七成左右的车企都提到了“AI大模型上车”。但有意思的是，当问及具体到“整车级”智能决策时，大多数回答会落到座舱语音或单一路径规划上。2026年4月，吉利提到的全域AI2.0整车大脑WAM模型，算是少有的一个模糊但具体的概念。

从公开的工程资料来看，WAM模型的核心不只是处理信息，而是试图用一个统一模型去协调动力、底盘、座舱和云端数据。这种做法在行业内并不新鲜，但真正量产落地的案例，我印象里此前没有。吉利这次给出的节点是2026年下半年开始逐步推送，现在应该处于最后的数据闭环验证阶段。

一个值得注意的数据是，传统车载决策架构里，不同功能域（比如车身控制和自动驾驶）之间的通信延迟大概在几十毫秒，而WAM模型宣称能把这个数字压缩到原来的四分之一左右。这个提升如果属实，意味着车辆在紧急避让或复杂路口的综合反应速度会有一个质的改变。但我不太确定的是，这种“全域统一”在工程上付出的代价是否被低估了。

我对比了吉利自己上一代的分离式架构和现在这套WAM模型的早期测试数据，发现一个有点反直觉的现象。

延迟和算力利用率的提升符合预期，毕竟统一模型减少了数据搬移和格式转换。但误判率的大幅下降让我有点意外。我之前认为，把多个独立模型合并成一个，可能会因为模型过于复杂而增加在某些边缘场景下的错误概率。测试数据却呈现了相反的趋势。可能的解释是，WAM模型在训练阶段使用了大量实车回传的联合场景数据，这是过去分离式模型很难获得的。

不过，这套模型的瓶颈很可能不在算法本身，而在芯片。吉利目前主要依靠自研的SE1000系列芯片来运行WAM，算力标称是256TOPS。但我观察过类似规模的大模型在车端部署的情况，如果要做实时（毫秒级）的全域推理，这个算力可能刚好踩在及格线上。尤其是在多传感器融合和高精定位同时开启时，算力余量还剩多少，是个问号。吉利官方没有公布算力占用峰值，我猜测可能接近八成甚至更高。

另一个来自行业内的模糊共识是：整车级AI模型的真正挑战不是让车“变得更聪明”，而是如何定义“什么是正确的决策”。举个例子，前方突然出现障碍物，刹车是正确选择。但如果刹车会导致后车追尾呢？传统逻辑会按照预设的优先级（比如保护本车乘员）来执行，但WAM模型理论上会综合更多动态变量。这听起来更高级，但也引入了新的不确定性——模型的决策边界变得更加不透明。从责任划定的角度看，这种“模糊正确”反而是工程团队最头疼的事。

我注意到，吉利在近期的技术沟通会上刻意没有强调WAM模型的完全自主性，而是反复提到“人机共驾”和“可解释性”。这可能是意识到了上面的问题。他们内部应该做过大量对比测试，发现在大约两成的极限工况下，完全交给模型判断的风险高于辅助人类判断。所以最终落地的版本，大概率是一个混合决策模式：WAM负责80%以上的常规场景，而剩下的20%关键边界，仍然保留传统规则引擎作为兜底。

从产业节奏看，2026年会是全域AI模型从概念验证到规模量产的转折年。除了吉利，大概还有两到三家头部车企会在下半年推出类似理念的架构。但吉利这次领先的幅度其实不算大，可能只有不到一个季度。真正拉开差距的，会是后续的数据闭环效率——WAM模型宣称具备车端持续学习能力，但这个功能对数据质量和安全隔离的要求极高。目前看，实际能放开增量学习的场景可能不到总量的三成，更多还是依赖云端定期更新权重。

说到这里，我其实有一个一直没想清楚的问题：当汽车的“大脑”开始用同一个模型思考驾驶、娱乐和车身控制时，我们会不会因为追求效率而牺牲了安全冗余？过去各个系统独立决策，虽然慢一点，但彼此是物理隔离的故障域。现在融合到一起，一个计算错误会不会引发连锁反应？吉利没有公开WAM模型的故障注入测试结果，这可能不是技术保密，而是这类测试本身还没有成熟的标准。也许我们现在看到的惊艳数据，在更严苛的故障场景下会呈现出另一番面貌。