博世近日宣布，未来两年，即到2027年底，将投入超过25亿欧元（约211亿人民币），用于人工智能的应用和开发。
作为AI应用的关键领域，博世对智能驾驶寄予了厚望：预计到2035年，其软件、传感器技术、高性能计算单元和车载通讯类零部件的销售额将翻倍，远超100亿欧元（约合人民币844亿元）。
800亿的销售额，与博世2024财年超过7000亿元的销售额相比，的确是个小目标。
但是，这笔200亿的投资额，及800亿的小目标，让暴露了博世在AI时代里的野心。
博世希望让人工智能技术渗透到业务的各个角落，成为驱动自身创新与增长的核心引擎。为此，博世下足了功夫。
过去五年，博世在AI领域已提交超1500项专利申请，在欧洲处于领头羊。同时，博世集团培训中心为超过6.5万名员工提供了AI相关课程，目前已有近5000名人工智能专家专注于研发技术与应用。
今年秋季，博世正在开发的人工智能平台计划正式上线。据亿欧汽车了解，该平台能帮企业轻松构建专属的多智能体系统，且几乎无需编程基础。
其核心目标是提升制造效率、降低经营成本，并增强对市场需求的灵活响应能力。通过这一种全面且系统化的部署，企业有望节省数百万欧元的运营开支。
博世集团董事会主席史蒂凡・哈通在接受亿欧汽车采访时表示，博世已将AI与各项业务深层次地融合，覆盖家用电器、电动工具、汽车、工业及建筑等领域，这些应用均针对具体场景和实际的需求进行设计。
在他看来，AI对博世的重要性不言而喻：“当前的人工智能已演变为一种工具。若不充分的利用它，反而可能使自身陷入不利的境地。人工智能正在成为推动博世创新的重要引擎。”
史蒂凡·哈通：人们都听过这样的故事：自主人工智能或许变得更聪明、更自动化，甚至做出错误的决定，并伤害人类。
但实际上，常规的自主人工智能通常适用于特定系统，在实际应用场景中，往往是多个系统协同运作，每个系统各司其职，完成特定的任务。
举个例子，当你发出账单却未收到客户付款时，第一个系统会负责核查账单是否已寄出，还有是不是存在银行转账等技术性问题；接着，下一个系统会评估客户的支付能力，判断其是不是真的存在经济层面的困难；随后，第三个系统则会分析此类情况未来是否可能再次发生。
当然，我们长久以来存在一种关于未来的想象，就像科幻小说中所描绘的那样：人工智能不断进化，最终发展成为超级智能。从理论层面来看，这是有可能的。
尽管人类在推动技术进步方面成果显著，但目前尚无证据说明我们的技术已先进到可以在一定程度上完成这一步。因此，我不会妄下结论，笼统地将超级智能视为AI对人类的最大威胁。
相反，我更倾向于认为，当前的自主人工智能已演变为一种工具。若不充分的利用它，反而可能使自身陷入不利境地。
人类对超级智能怀有恐惧与敬畏，这非常自然的，也是无可厚非的。但就目前而言，超级智能并非现实，更像是科幻的构想，若将其置于核心位置，来指引我们当下的行动，这是非常不合理的。
我期待当下的限制只是阶段性的，跟着时间推移，各国终将意识到，研发合作仍是催生新技术的最佳路径。
博世在全球多地设有团队，包括中国、美国、德国等，始终积极与各地的顶尖专业人才、高校及技术公司开展合作。
除了搭建广泛的合作网络，博世也致力于通过打造富有吸引力的工作岗位，设计有价值的工作内容，持续吸纳优秀人才。
尤其在AI领域，我们在推进本土合作的过程中，始终严格遵循各项法律和法规的要求。
中国市场拥有极为完善的生态体系，涵盖消费者、主机厂、人工智能科技公司及产品研究开发等多个环节，已形成了良性互动的产业环境。
我个人非常认同中国高效敏捷的、充满了许多活力的研发模式，创新能快速落地实践，并基于消费者反馈，实现快速的迭代。
博世很早就开始做辅助驾驶的研发了。早期，博世在摄像头端部署人工智能，实现对车辆、自行车、行人等物体的精准识别——这正是卷积神经网络在该领域的早期应用。
此后，博世的研发进一步深入。将类似的AI算法延伸至雷达系统，并通过融合摄像头与雷达的感知数据，实现对旁边的环境的精准认知。
同时，系统会基于地理信息（如靠左或靠右通行规则）、实时路况（如限速标志检测）等设定驾驶逻辑，由此构建起一个多模块协同运作的智能系统。
技术的下一阶段，是聚焦于融合能力的升级，即通过人工智能大模型接入所有传感器数据，实现对环境信息的全域融合。
这类模型能清晰地识别道路元素、道路边界及其他交通参与者的行为，在此基础上，另一大模型专门负责驾驶决策的输出。
我认为革命性的变化在于：生成式人工智能的问世。它彻底改变了人工智能的应用范式。
如今，我们不仅能依托现有数据训练模型，更能借助生成式人工智能让系统自主学习。
例如，设定一个斯图加特的驾驶场景，通过生成式模型调整基础参数，就能衍生出雨天、暴雨、夜间等多样化场景的模拟数据。
过去人们常说“数据是新的石油”，生成式人工智能的出现，更像是一口“油井”，能持续产出新的“数据石油”。
我认为最具革命性的事情是，人工智能的技术革新始终处于动态演进中，其迭代以月为单位，这既是行业必须直面的挑战，也要求参与者从始至终保持追赶的节奏。
就像Deepseek等新玩家会带着新技术与新想法不断入场，行业格局将持续被重塑。
在这一背景下，博世始终与那些擅长研发新型人工智能技术的伙伴保持合作，我们擅长的正是将新技术应用于产品中，将前沿技术高效转化为产品落地的能力。
若缺乏销售支撑与利润积累，任何形式的创新，都难以持续。因此，我们始终致力于将辅助驾驶、人工智能及其他在研技术转化为可量产的汽车产品。
这一目标正在慢慢地落地。例如，我们与奇瑞在辅助驾驶领域的合作已取得很明显的成效，后续与别的客户的合作也陆续展开并稳步推进，合作版图正朝着全球化方向拓展。
越来越多客户选择博世的辅助驾驶技术，核心在于其在经济性、功能完整性与安全性上的综合优势。目前，该技术在德国市场也已实现应用。
我们坚信，辅助驾驶技术已成为中国市场车型吸引消费的人的关键竞争力，而这一趋势正逐步向其他几个国家和地区蔓延。
以比亚迪为例，其几乎所有新车均搭载了辅助驾驶功能，这一现象既反映了市场格局的转变，更印证了消费者需求对技术普及的推动作用。
是一个很重要的话题，人工智能的应用始终伴随着风险。其中一个核心风险在于网络安全：必须保障AI系统的安全性，防止其被恶意操纵，避免AI智能体做出错误行为。
另一个关键风险则与可解释性相关。以驾驶场景为例，车辆系统不仅要执行操作，更需与驾驶者形成互动，比如解释当前路况、自身运作时的状态，回应驾驶者的疑问，就像副驾驶座上的同伴那样提供清晰的信息。
具体到技术层面，一段式端到端模型虽能直接通过传感器输入输出行驶控制指令，带来流畅的使用者真实的体验，但其“黑箱效应”显著，人们无法追溯模型内部的决策逻辑。
这也是当前更多采用两段式端到端架构的原因：在两个大模型之间，会主动嵌入道路信息、物体识别、交通标识等关键数据，这些人为定义的核心信息可被查询追溯，以此来实现对系统运行过程的清晰记录与理解。
这一点至关重要：若用户无法明确AI在特定时刻的决策逻辑，监管便无从谈起。
毕竟，人类能清晰认知自身行为并承担相应的责任，而AI既无自主意识，也不具备法律责任能力，最终的法律责任始终由开发者承担。
近几个月来，中国监督管理的机构推出了一系列措施以强化辅助驾驶的安全准则规范，这些举措务实有效；相较之下，欧洲的部分监管手段则显得过于严苛了。
中国对博世而言，既是至关重要的创新基地，也是核心战略市场。博世中国团队展现出了极强的创新活力，而其汽车年产量达3000万辆，在全球市场占比超三分之一，市场重要性不言而喻。
过去10年间，中国已从单纯的销售与制造市场，升级为涵盖客户端、消费端与技术端的全方位创新市场。博世在此积极地推进本土化创新，且大量项目通过与本土伙伴合作落地，形成了良性的协同生态。
博世中国团队不仅能高效服务本土市场，更能将中国的创新成果反哺至全球别的市场，这种能力是快速响应市场需求变化的关键。
例如，面对中国商用车市场“柴油卡车占比下降、替代燃料与电动卡车增长”的趋势，博世针对性调整技术方向，开发出商用车电驱桥及一系列电气化技术；在电气化领域，博世在中国进行了很多投资，都非常成功。
与此同时，对于市场需求萎缩的产品，博世也同步缩减了产能，实现资源的优化配置。
博世在德国与中国的团队，正围绕所有前沿及发展中技术领域，展开深度协作，既包括制动、转向等传统设备领域，也涉及域控制器、计算机、软件解决方案、辅助驾驶等新兴技术方向，合作的技术项目超过了100项，整体进展显著，且成效良好。
可以说，创新与发展的推进，本质上是一场需要持续投入的持久战。我们对中国的员工和业务都很满意。
目前博世在华员工已超5.6万人，拥有广泛的合作伙伴网络，中国团队与全球团队之间的协作紧密且高效，为长期发展奠定了坚实基础。
当前，欧洲汽车市场的主力仍是燃油车与混合动力汽车，对于当地车企而言，更重要的是在于精准匹配消费者的购买需求，打造出消费者愿意购买的产品至关重要，若消费者购买意愿低迷，企业将面临巨大的经营风险。
尽管欧洲花了钱的人纯电动汽车的兴趣正逐步提升，这一趋势在中国市场更明显，但两地的现实条件差异明显：
从使用成本看，欧洲的电费远高于中国，以上海为例，纯电动汽车不仅使用成本极低，还能享受免费牌照等政策红利；
从基础设施看，中国的充电网络覆盖密度已相当可观，而欧洲的情况则不同——以德国为例，既缺乏上海这样的超大型城市，城市间的距离又相对更远，充电站的普及程度也远不及中国。
因此，欧洲当前的电动化进程是符合其现实条件的，这一转型必然需要时间沉淀。
电动汽车在欧洲的普及是未来必然的趋势，只是这一过程在大多数情况下要10年，甚至更久。
博世已经将AI的应用，与博世核心业务直接相关的领域进行了紧密融合，包括家用电器、电动工具、汽车、工业及建筑等。在这些领域中，博世已落地大量AI应用，且均针对具体场景和实际的需求设计。
从技术形态来看，除了运行于大型服务器集群的大型人工智能模型，小型化且高度智能的模型也将成为重要方向。它们可能部署在iPhone等便携设备、更小的终端产品，或是汽车内部。
对于这类模型而言，功耗与算力是核心约束条件：无论是手机还是汽车，其算力与能耗供给都存在上限，无法支持无限制的资源消耗。
此外，当前联网功能的可靠性与带宽水平仍有提升空间，难以完全依赖云端计算。
我相信，下一波浪潮将更多基于联网和云计算，形成“端侧（边缘计算）部署与云端部署并存”的混合模式。
这就如同我们现在使用的手机，部分功能可由设备本地直接实现，另一部分则依赖联网与云端支持，人工智能的落地，也将遵循着这种协同的逻辑。
