“座舱里问餐厅推荐，答案不同无所谓；但汽车诊断过程中，AI必须保证确定性正确。”

9月17日，在2026第四届AI定义汽车论坛上，SONATUS联合创始人兼首席技术官方宇表示，当前行业讨论AI定义汽车，关注点更多集中在智能驾驶和人机交互，但真正的AI原生汽车还缺少“另一半”——让同一套智能能力贯穿研发、测试、生产到售后的整个生命周期。

在方宇看来，传统汽车开发流程的一个核心问题，是信息被切割在不同部门、不同工具和不同数据体系中。研发、测试、生产和售后各自拥有自己的软件、数据库和工作流，大量知识散落在源代码、模型、Jira、历史测试记录以及车辆数据中，很难顺畅流转。

“表面上看是技术选择的问题，但根源在于人本身的局限性。”方宇解释，一个人能够理解和处理的信息有限，时间同样有限，因此很难把一个环节积累的全部知识完整整理并传递给下一个团队。

AI提供了另一种可能。如果将研发资料、测试数据、历史记录和车辆数据连接起来，AI可以跨越不同工具理解和关联信息，并进一步辅助生成问题分析、测试用例以及可能的解决方案。

方宇提到，在日产技术中心的实际应用案例中，通过将研发阶段信息与车辆测试数据结合，并利用AI进行分析，工程师定位车辆故障的调查时间由过去约两周缩短至两天。

这种信息流动也不应该是单向的。研发阶段积累的信息可以向后传递，帮助测试团队制定更有针对性的测试方案，也可以服务于生产线End-of-Line测试和售后诊断；反过来，售后发现的批量共性问题，也应该迅速反馈至研发体系。

SONATUS目前推出的Fastlane系列产品正围绕这一思路展开，包括负责车辆数据采集的Fastlane Collector、承担车端边缘计算的Fastlane Edge，以及在云端利用AI Agent进行分析的Fastlane Insight。三款产品既可以独立使用，也可以组合形成“观察—分析—行动”的持续循环。

不过，方宇强调，AI并不意味着将全部车辆原始数据直接交给大模型。车端首先需要具备灵活的数据采集和处理能力，从海量原始数据中提炼出有价值的信息，再交给AI进一步分析。同时，在汽车诊断、安全等场景中，AI输出还必须具备足够的确定性。

“真正重要的最后还是两件事：时间和风险控制。”

方宇认为，当研发、测试、生产和售后的信息真正被AI串联起来，AI带来的价值将不再局限于车内体验，而是延伸至汽车开发效率、质量控制以及全生命周期成本管理。