新眸原创·作者 | 鹿尧

2026年8月底，一台取消方向盘的智己工程车行驶在封闭测试道路（非社会车辆通行道路），车内只剩一块横向大屏。这是智己首次以实车验证无方向盘形态，也是其向L4无人驾驶迈出的关键一步。

可是方向盘从车上消失，问题却在变多。车上近百个控制模块互相牵动，软件要应对“多个传感器、多个控制器同时失效”的各种排列组合，复杂度指数级增长。传统研发方式逐渐接不住：故障场景测不全，一条需求从文档到合入要在多个平台间来回搬运，跨企业协作更是靠人盯人。

智己的解法不是把工作全部交给AI，而是重新分工：让AI扛住标准化、海量重复的执行，让人专注判断边界、审核质量。主机厂与供应商的协作，早已在飞书这个统一的底座上展开；现在，一个叫“豆包工作伙伴Tag”的能力，让AI第一次以“团队成员”的身份出现在主机厂与供应商的项目协同里——@一下，AI就能进群开会、协同办事，让使用飞书的汽车上下游生态协作得更丝滑，也把AI的价值最大化地用起来。

在L4级别，车辆全权自动驾驶，事故责任由车企承担。多数企业因此仍在实车上保留方向盘作为人工兜底，智己却主动拆掉了它——这意味着从环境感知到紧急接管，全得靠系统自己扛，对软件能力和冗余设计提出了行业最高要求。

硬件层面，全线控“灵蜥”数字底盘已经就位：转向纯靠电信号驱动，响应仅20毫秒，供电、通信、执行三重冗余。但硬件只是入场券。方向盘一旦从物理上消失，整车冗余架构就要从“设计”走向“实战”：原本只需应对“一个传感器出故障”，现在要把“多个传感器、多个控制器同时出故障”的排列组合全部测一遍。

图1：取消方向盘后，车内仅保留一块横向大屏

（来源：智己汽车案例材料）

研发流程同样承压。智驾研发正从“主机厂定义、供应商交付”走向“联合开发”，一条变更要跨企业评审，材料分散在各自系统里，会议前后靠人整理、催办、翻记录。评审返工、信息断点、经验随人走，成为整车研发最直接的损耗。而主机厂与供应商，已经站在同一个底座上——2025年智己“All in飞书项目”，需求、开发、测试、合入都在一个平台闭环。底座统一了，整零协同的关键就不再只是数据跨空间同步，而是让AI作为真正的团队成员参与进来。

智己与智驾合作伙伴 Momenta 的跨企业协作，就是典型场景：CCB（Change Control Board，变更控制委员会）评审，是主机厂与供应商为项目变更集中把关的跨企业会议。过去这样的评审会上，议题材料是否齐备、历史结论如何追溯、会后待办谁来跟进，都依赖项目经理逐个确认。

智己的解法，是把AI当作团队的一员——通过“豆包工作伙伴Tag”，直接@项目管理数字人 进群聊和对话。主机厂与供应商的数据各自留在本企业、按需同步，AI伙伴则跨过组织边界，参与跨企业CCB评审会议的全程协同。

会前，材料不齐不上会。两层流程卡口加上AI自动检查：飞书项目内的AI节点自动校验所有关联议题是否满足评审条件，未完成自动提醒节点负责人；AI助手核对开发、测试等必填字段是否填全，自动生成《CCB会前智能检查报告》。材料质量问题，在开会前就被拦下来。

会中，AI当场答疑。评审现场提到历史结论、版本、数据时，项目管理数字人自动查CCB知识库，把答案发到会议群，不用项目经理现场翻文档；它还能代参会、统计到场，把讨论要点实时记录下来。

会后，自动归档、拆解待办。CCB议题一键生成标准化云文档，过去半小时的整理压缩到5分钟；会上结论被拆成“负责人 + 交付内容 + 截止时间”的具体任务，直接@到责任人；延期、阻塞项临近截止自动催办。

图2：豆包工作伙伴Tag在CCB会议中参与协作

这套机制已经在智己与Momenta的跨租户CCB会议中落地。据案例材料，评审返工减少约30%，单个议题的材料整理从半小时压缩到5分钟，评审会一次性通过率明显提升——不只是流程硬卡点，AI还帮着盯进度、把材料质量关。

下一步，协作经验会持续沉淀进案例库，接入企业知识引擎：每一次跨企业协作自动归档，下次相似变更直接检索历史案例参考，主机厂与供应商越协作越顺，AI的价值也在一次次复用中被持续放大。

豆包工作伙伴Tag所在的，是智己更大的一盘棋：以飞书项目AI节点为骨架，把需求、开发、测试、合入串成自动流转的AI Agent Teams。方案已上线3个月，覆盖500多名智驾研发人员，需求文档从4-6小时缩至30分钟，SIL测试从6小时缩至2-3小时，端到端流转成功率100%。

对行业而言，更有价值的或许是人机分工的重构：AI扛住标准化、海量重复的执行，人专注判断边界、审核质量；每一次协作的经验不再随人走，而是沉淀为组织资产。

造车的竞争，正在从机械供应链转向软件、AI与数据。当AI成为团队一员，主机厂与供应商之间“任督二脉”被打通，使用飞书的汽车上下游生态得以在同一个底座上丝滑协作——每一次协同都在沉淀经验，每一份经验都在放大AI的价值。这是智己L4研发的先锋实践，也可能是汽车行业AI协同的一个起点。