工业智能体如何改写汽车研发？48个月到18个月的周期压缩逻辑

先说一组对比。传统燃油车的研发周期，普遍在36到48个月。而在电动化、智能化的这一轮浪潮里，行业主流企业已经把它压到18到24个月，部分企业甚至逼近12到18个月。

周期砍掉一半，活却一点没少。传感器、控制器、执行器数量成倍增加，软硬件接口、通信协议、数据交互点呈几何级增长，气动、结构、热管理、电性能、耐久多个物理场高度耦合。这就是汽车研发当下的真实处境：时间在缩短，复杂度却在指数级上升，两条曲线正好相反。

中国汽车工业协会牵头编写的《智能体赋能汽车研发设计白皮书——从工具辅助到智能原生（2026）》共68页，正面回答了一个问题：AI到底能不能接住这个矛盾。它的答案不是"多上几个AI工具"，而是"重建研发体系"。下面按压力从哪来、政策给了什么时间表、智能体到底是什么、技术底座怎么搭、先落地哪些场景、路线图怎么排这条线，把报告的要点讲完。

一、36到48个月的研发周期，正在被压到18个月

报告开篇摆出的是双重压力，而且这两重压力是同时来的。

第一重是周期。传统燃油车研发周期普遍36到48个月，行业主流企业压缩至18到24个月，部分企业逼近12到18个月。用户需求在快速变化，竞品在快速跟进，企业必须具备快速产品定义、设计收敛、仿真验证、跨域协同的能力，而依赖人工经验、线下协同、反复试错、串行验证的老办法，已经接近效率极限。

第二重是复杂度。新能源汽车的传感器、控制器、执行器数量成倍增加，软硬件接口、通信协议、数据交互点呈几何级增长；气动、结构、热管理、电性能、耐久等多物理场高度耦合，单一性能优化必须兼顾全局系统约束；软件和算法规模爆发，车载操作系统、中间件、应用算法、数据处理流程越来越复杂，信息安全和功能安全的要求越来越严。

两重压力叠在一起，传统模式的短板就藏不住了。报告把它拆成六条，逐条看下来，会发现它们其实互相咬合。

隐性知识沉淀不下来。核心设计、仿真、校核高度依赖个人经验，经验散落在文档、图纸、模型和人脑里，难以变成组织级、可复用、可运营的资产。人一流动，能力就波动，新人培养周期长、试错成本高。

协同链条太长，信息损耗大。产品定义、造型设计、工程设计、仿真分析、试验测试、工艺制造、项目管理，环节多、部门多、系统多，数据格式不统一、接口不兼容、流程不贯通，变更传递滞后，很容易引发返工和设计冲突。

设计、仿真、验证、迭代的循环太慢。人工建模、手动仿真、线下审查、物理样机验证，单次迭代周期长、成本高，撑不起多方案并行优化，也做不到"设计即仿真、建模即验证、修改即闭环"。

数据是孤岛，资产化程度低。图纸、模型、BOM、仿真报告、试验数据、规范标准分散在不同系统、不同项目、不同部门，缺乏统一治理、统一标签、统一权限，价值释放不出来，也没法为AI模型训练提供高质量燃料。

对国外工业软件依赖度高。CAD、CAE、PLM、仿真求解器等核心工具高度依赖海外厂商，License成本高，供应链风险与数据安全问题同时存在。

重复性劳动挤占创新。大量工程师的精力消耗在建模、出图、标注、检索、前处理、后处理、报告整理、数据核对上，真正投入到创新设计、性能突破、架构优化的时间反而不够。

报告随后给了一张对比表，把传统研发模式和AI原生研发体系的差别逐项列了出来：核心依赖从"专家经验、人工操作、串行流程"转为"智能体、知识资产、并行协同、闭环迭代"；研发周期从36到48个月变为18到24个月以内；知识复用从"低、分散、难以沉淀"变为"高、结构化、可运营、可调用"；协同效率从"部门壁垒高、信息损耗大"变为"多智能体协同、全流程打通"；工业软件从"高度依赖国外工具"走向"长期自主可控、通专融合、国产化替代"。

我们在整理《智能研发白皮书：从AI辅助到AI自治的四级》时也碰到过类似的分歧，那里的结论可以拿来对照。

六项里最值得琢磨的是最后一条。它说明这件事不只是提效，还带着一层产业安全补课的含义。

二、政策已经把时间表定死了

很多行业报告谈趋势时偏模糊，这份白皮书不一样，它直接给出了可以核对的时间点和数字。

2026年全国两会围绕智能经济新形态作了系统部署，可以概括为"一个总目标、一条主线、三大关键载体、一套底座支撑"。总目标是打造智能经济新形态；主线是深化拓展"人工智能+"，从试点探索转向全面深耕和商业化规模化落地；三大关键载体是新一代智能终端、智能体、智能原生新业态；底座则是超大规模智算集群、算力基础设施、数据要素开发利用和人工智能治理体系。

真正硬的是政策文件里的量化指标。《"人工智能+制造"专项行动实施意见》（工业和信息化部等八部门，2026年1月）明确：到2027年要推出1000个高水平工业智能体、推动3至5个通用大模型在制造业深度应用、打造100个工业领域高质量数据集、推广500个典型应用场景。报告特别点出，汽车研发设计作为智能制造的高端场景，是这次专项行动的重点赋能领域，这会直接推动汽车研发智能体从单点试点走向规模化普及。

另一份是《智能体规范应用与创新发展实施意见》（中央网信办、国家发展改革委、工业和信息化部，2026年5月），这是我国首个针对智能体领域的国家级专项政策，确立了"安全可控、规范有序、创新驱动、应用牵引"四大原则，并把制造业研发设计列为智能体创新应用的核心赛道，要求推动智能体与工业软件、研发流程深度融合，同时构建覆盖研发、部署、运营全流程的安全治理体系。

标准层面的动作也在同步。2026年6月26日，国家市场监督管理总局（国家标准化管理委员会）批准发布《人工智能智能体互联》系列7项国家标准，填补了我国智能体之间互认、协作、任务调用、责任交接的规则空白，规范了系统架构、接口协议、安全要求、责任追溯等核心维度。对汽车研发来说，这意味着多智能体跨域协同、跨系统工具调用、跨主体任务交接终于有了统一的技术规则，是智能体进入企业核心业务系统的技术依据。

报告还梳理了AI自身的演进路径，分成四个阶段：感知AI解决"看得清、听得懂、识得准"；生成AI解决"能创作、能生成、能辅助"，这个阶段AI以被动响应为主；智能体AI从"被动回答"升级为"主动执行"，能嵌入研发流程完成复杂任务链；物理AI则打破数字与物理的界限，面向物理机理和预测，适配汽车研发这类强机理场景。

报告判断，当前正处在生成AI向智能体AI过渡的关键窗口期。这也解释了为什么政策会在这个时间点密集出台——它不是提前布局，而是在给一个已经开始落地的技术补规则。

三、"智能体"到底是什么：六个能力模块

"智能体"这个词现在被用得很泛。白皮书给了一个明确的界定：工业智能体是以大模型为核心认知与推理引擎，融合工业知识图谱、机理模型与领域数据的软硬融合系统，具备感知、决策、执行一体化能力，是复杂决策自主化执行的核心载体。

报告先强调了一个前提：在汽车研发中，智能体不是替代工程师，而是增强其处理重复性、计算型、规则型工作的能力，释放创新精力，同时打通数据孤岛与流程断点。这句话不是客气，它决定了后面所有能力和治理设计的走向。

落到具体能力，报告列了六项。

意图理解与任务拆解。支持自然语言交互，精准解析工程师的需求与研发目标，自动把复杂目标拆成可执行、可校验、可追溯的子任务序列，明确输入输出、约束条件、交付标准与验收规则。

路径规划与决策优化。基于研发流程、工程规范、历史经验与知识图谱，自主规划最优执行路径，动态调整执行顺序，规避冲突、减少返工，实现多目标平衡。

工具调用与跨系统协同。能调用CAD、CAE、PLM、仿真、数据平台等工业软件与系统接口，完成建模、检索、仿真、审查、出图、报告、数据处理等操作，打通跨软件、跨平台、跨部门的数据壁垒。

执行操作与结果交付。从"会回答"升级为"会干活"，直接产出可交付的工程结果——检索结果、设计方案、仿真报告、干涉清单、图纸标注、优化建议。

校验反馈与迭代优化。对输出结果做合规性、准确性、合理性、工程可行性校验，自动识别错误、预警风险、给出修正建议，形成"执行—校验—反馈—优化"的循环。

多智能体协同与流程编排。支持多智能体分工协作，形成协同工作流，覆盖产品定义、造型、设计、仿真、审查、测试、工艺全流程。

报告特别说明，这六项能力对应《人工智能智能体互联》系列国家标准对智能体的基础能力要求，在任务执行全流程中支持操作留痕、责任可溯、权限可控。

换句话说，工业场景要的从来不是"更聪明"，而是"更可管"。这一点在后面讲可信智能体时还会展开。

四、通用大模型为什么进不了汽车车间

这是整份报告里最有分量的一章，因为它正面回答了AI落地工业场景最难的那道坎。

报告列了三个挑战。

一是可靠性与功能安全的双重挑战。汽车研发涉及生命安全，任何设计决策都必须满足功能安全标准。通用大模型固有的"幻觉"问题，在汽车研发场景里是不可接受的——模型可能生成看起来合理、但不符合物理规律或工程实际的内容。所以必须通过知识蒸馏、约束编码及验证机制，把工程规则、物理定律与标准规范固化成智能体的"硬约束"。

二是可解释性与可追溯性的刚性需求。汽车研发周期长、投入高，设计决策要经得起时间检验与审计追溯。通用AI的"黑箱"特性，与工程实践中因果分析和责任追溯的要求存在根本冲突。工程师不只需要知道结果"是什么"，更需要理解推导过程"为什么"。

三是工程约束与现实资源限制。CAD、CAE等工业软件授权成本高昂，现有工具链的封闭架构又抬高了系统集成难度；而通用大模型参数规模庞大、推理延迟高，很难直接部署在工程师的本地工作站上。报告给出的路径是模型压缩、边缘计算与混合云架构，在保住核心能力的前提下把计算开销降下来。

针对这三个问题，报告给出的答案是"通专融合"。它的技术架构分四层，依次是基础设施层、算法模型层、智能体工具层、平台生态层，自上而下形成支撑，自下而上完成价值传导。

顺着这个逻辑往下推，《智能硬件AI原生革命：八成用户已入局，端侧自主智能重构产业链》给了一组可以互相验证的数字。

模型层面是三位一体：通用基座沉淀通用智能能力，为后面两层提供基础；垂域模型结合汽车研发场景做微调，覆盖AI造型生成、设计知识大模型、CAD生成、CAE仿真、性能测试反演等方向；机理模型把物理规律和工程机理作为"刚性约束"嵌进去，比如在风阻预测、动力经济性分析中融入流体力学、热力学规律，实现毫秒级精准预测。三者协同，破解的是"通用而不精准、专业而不通用"的老问题。

底座层面是"四维一体"：大模型作为核心智能引擎；工业软件衔接CAD、CAE、PLM等主流工具，专门用来破解AI与工业软件"两张皮"的问题；云原生提供弹性算力、分布式部署与高效调度；智能体把前三者的能力转化成可落地的研发工具，是连接技术底座与研发场景的桥梁。

在上面这些之上，报告还设计了"数据—模型—调度—接口—安全—审计"六大统一平台能力，作为衔接技术架构与业务场景的枢纽，重点解决传统研发体系"分散管理、协同不足、安全管控薄弱"的老毛病。

值得注意的是，报告反复强调一条底线：融合的前提是"增强工程师能力，而非替代工程师"。汽车研发属于高度创造性的智力活动，涉及复杂的价值判断、权衡决策与创新突破，这类环节目前AI替代不了。智能体的定位是"超级助手"，主要承担网格划分、报告格式化这类烦琐重复工作，并提供快速检索相似案例、自动匹配标准规范等知识支持。关键决策点依托"人在回路"机制，必须由工程师确认，智能体只提供建议，不作最终裁决。

可信智能体：八条工程底线

当智能体深度嵌入研发流程后，报告认为还需要一套覆盖设计、运行与迭代全周期的可信原则，具体包括八项：项目上下文前置、证据驱动输出、规则与模型分工、人机协同签核、适用域声明、执行白名单、全链路审计、失败安全机制。

治理机制上的设计也很具体。训练阶段，记录数据来源、标注质量与模型版本，确保训练数据的合规性与代表性；推理阶段，记录每次调用的输入参数、输出结果与置信度评分，建立完整的操作日志；应用阶段，建立模型性能监控体系，检测到性能下降时自动告警并触发再训练。

更关键的是这条：当智能体连续输出低置信度结果或检测到异常模式时，系统会自动切换为人工运行模式。报告在风阻预测一节里写了同样的逻辑——模型必须明确适用域，涵盖训练样本覆盖的车型类别、几何参数范围、工况条件、网格标准及求解器设置，超出适用域的新方案要触发低置信度提示，涉及新颖造型特征时系统应主动标注不确定性，建议通过仿真或试验补充验证。

这套设计的价值在于，它把"AI能不能用"这个模糊问题，换成了"AI在什么范围内能用、超出范围怎么办"这个可执行的问题。

五、先落地哪些场景：从风阻预测到自动出图

报告把汽车研发链条上的智能体归成六大能力模块。这一章信息量最大，也最容易判断一件事：哪些是已经能干活的，哪些还只是画饼。

知识工程与语义智能。汽车研发积累了大量设计规范、技术文档、仿真报告和项目数据，但长期分散在各工作站、项目文件夹或部门服务器里。报告给出的知识图谱构建路线是四步：数据盘点、知识识别、语义映射、图谱构建及应用验证。应用侧最典型的是智能问答，相比传统关键词检索，它有三个优势——支持语义理解、支持多轮对话、支持知识溯源，每条回答都附带信息来源。报告也提醒了几个前提：数据质量、语义一致性、持续更新，任何一条跟不上，图谱都会慢慢失效。

多模态感知与生成。造型设计是项目实体化的起点，但传统流程从概念草图到三维数模，要经历多轮手绘、油泥模型和数字化建模迭代，周期长、成本高。报告描述的技术路径是：先由视觉编码器提取二维设计图的几何特征与风格特征，再通过生成网络预测三维形状，最后经后处理优化生成可编辑的CAD兼容格式。效果上，方案迭代的耗时从"天级"缩短到"分钟级"。报告同时提了三个必须管住的地方：生成结果的可控性、与工程约束的兼容性、生成过程的可解释性。

科学计算与物理仿真。这是效果最容易被验证的一块。风阻预测的模型输入涵盖车辆侧视轮廓线、关键尺寸参数及造型特征描述，输出为预测风阻系数值与压力分布云图；训练以大量CFD仿真数据作监督信号、风洞测试数据作参考。动力经济性分析则整合国家标准、行业数据与科研成果，能自动判定法规符合性、做多目标协同优化、优化混动系统的能量分配策略。更直观的是碰撞安全：单次整车碰撞仿真的计算时长通常不低于数十小时，AI降阶模型可以在保证精度的前提下把它缩短至分钟级。报告也划了边界——风阻预测目前主要适用于概念设计阶段的方案对比与趋势分析，最终性能验证仍要靠风洞试验。

三维几何与空间拓扑。"避免重复设计"是这个行业喊了很多年的诉求，但传统检索基于文件名和关键词，基本不管用。报告给出的智能CAD检索支持三类方式：自然语言的语义检索、基于二维图像的检索、基于三维模型形状的检索，结果按相似度排序并附带模型元数据与关联文档。DMU审查也在变：系统可批量完成整车级干涉分析，自动识别物理干涉与间隙不足，区分真实干涉与伪干涉，还能基于历史项目数据在设计早期预判干涉风险。出图环节同样明显，3D转2D自动出图能把单张图纸的出图时间从数小时缩短到分钟级，但报告明确说明，结果仍需工程师审核确认，系统定位是辅助工具，不是完全替代人工。

研发协同与流程自动化。项目智能助理具备四项能力：任务智能分配、进度实时追踪、风险主动预警、知识即时推送。工作流编排则把设计变更、仿真分析、数据归档这些典型流程做成自动化——仿真分析流程可以做到从几何模型导入、网格划分、求解计算到报告生成的无人值守执行。

工程技能自动化复用。CAE仿真是研发里耗时占比较高的环节，而前后处理又占了其中大头。技术上，智能网格生成可以基于几何特征自动选择单元类型与网格密度，在应力集中区局部加密、在次要区域放粗网格。报告还提到跨软件数据转换这个普遍痛点，以及报告自动生成的三段流程：数据抽取、内容生成、格式排版。

所有这些技能最终要进一个资产库，报告要求它们同时具备三个特征：可复用、可审计、可版本化。可复用要求标准化接口规范；可审计要求每次执行的执行人、输入参数、输出结果与日志完整留存；可版本化要求不同版本能并行存在，避免技能更新引发兼容性问题。这一点在《汽车数智化转型报告：新能源渗透破50%智领跑》里有更细的口径拆解，感兴趣可以翻过去看。

读到这里会发现一个共同点：报告在每个场景里都写了"效果"和"边界"。写清楚哪里不能用的技术方案，反而更容易被工程师接受。

六、三阶段路线图：2026、2027、2029

报告最后给出了完整的时间表，这是企业做年度规划时最实用的部分。

整体节奏分三个阶段。第一阶段是能力建设期（2025年至2026年），定位是从分散探索转向平台化建设、从概念验证转向业务可用，核心任务是夯实基础能力、统一技术底座、验证应用价值，期间要完成至少4个核心业务流的AI嵌入闭环，并选取3至5个高价值场景重点突破。第二阶段是场景规模化阶段（2027年），要从单点工具转向跨域协同、从内部应用转向对外输出，把核心AI能力深度嵌入30%以上的内部研发流程，完成内部全场景的规模化落地验证。第三阶段是平台生态期（2028年至2029年），从工具平台转向行业基础设施，搭建覆盖研发全流程的产品与平台矩阵，输出行业标准与方法论。

目标也写得很明确：预计2029年左右，国内骨干汽车企业将建成具备行业领先水平的汽车设计研发垂类AI平台与生态雏形。五大战略主线分别是效率提升、资产沉淀、平台成型、商业价值实现、自主可控；基础设施布局概括为"一体系、一底座、一集群、一路径、一网络"的"五位一体"。

产品体系按四级递进。平台底座类（知识中台、智能体编排平台、数据治理平台、模型服务平台、评测监控平台）不直接面向终端用户，但成熟度决定整个产品矩阵的研发效率与复用水平，要优先建设；重点场景类（造型AI创绘工具、智能CAD检索系统、AI+DMU审查系统、风阻预测智能体、动力经济性分析系统）承担战略突破任务，优先完成从能力验证到规模交付的闭环；扩展场景类围绕核心业务流程延伸，边际拓展成本低；前沿预研类面向数实融合、具身智能数据、中试平台联合创新等方向，保持适度投入、滚动跟踪。

场景开发的优先级评估有四个维度，报告建议所有立项、排序与资源配置都围绕它们展开：业务价值、技术可行性、数据基础、可复制性。其中技术可行性这一维度的表述很克制——优先布局输入输出边界明确、任务目标清晰、效果可验证的场景，避免在起步阶段过早涉足高耦合、高复杂度且难以收敛的系统工程。

用token计量研发能力

报告里有一个提法值得单独拎出来。它认为研发的计量方式会变：智能时代将以token计量智能，研发过程中的每一次推理、生成与验证，都对应确定的token消耗。当智能可计量，研发投入就可以从"人月"折算为"智能量"，跨企业的智能协作也会拥有统一的结算凭证。

token由此承担双重角色：既是智能服务新的计价单位，也是智能能力流转与交易的载体。报告写了一句很重的话——"谁能以更少的token交付同等的工程结果，谁就握住了智能时代研发效率的定义权。"

商业化路径方面，报告列了四条：面向中小企业做订阅制云服务，面向大型汽车集团做私有化部署（确保核心研发数据不出域），通过工具授权向工业软件厂商输出算法内核；构建覆盖战略咨询、系统实施、联合共创的全链路服务；把研发数据治理成可运营、可交易的数据资产，封装成材料性能、Benchmark对标等专业数据集对外授权；通过智算中心提供弹性算力租赁，采用基础功能免费加增值服务收费的组合，并逐步引入token计价。

这份白皮书的参与单位也很能说明问题：中国第一汽车集团、重庆长安汽车、北京汽车集团、奇瑞汽车、长城汽车、北京理想汽车、蔚来控股、北京百度网讯科技、北京理工大学等企业和高校都参与了编写。主机厂、软件商、AI公司和高校同时出现，本身就说明这件事已经不是某一家企业的内部课题。

七、常见问题解答（FAQ）

1. 这份白皮书是谁发布的，主要讲什么？

报告是《智能体赋能汽车研发设计白皮书——从工具辅助到智能原生（2026）》，由中国汽车工业协会牵头编写，参与单位包括中国第一汽车集团、重庆长安汽车、北京汽车集团、奇瑞汽车、长城汽车、北京理想汽车、蔚来控股、北京百度网讯科技、北京理工大学等。全文68页，采用"行业方法论+实践案例"的双层结构，系统阐述了智能体赋能汽车研发设计的时代背景、核心价值、技术架构、场景应用、实施路径、产业生态与未来展望。白皮书对标了《智能体规范应用与创新发展实施意见》《"人工智能+制造"专项行动实施意见》等政策，并衔接《人工智能智能体互联》系列国家标准。

2. 汽车研发周期真的能从36到48个月压到18个月吗？

报告给出的是行业现状而非承诺。传统燃油车研发周期普遍在36到48个月，在电动化、智能化浪潮下行业主流企业已压缩至18到24个月，部分企业甚至逼近12到18个月。但报告同时强调，这种压缩并非以牺牲质量为前提，而是通过更充分的数字空间探索与风险预判达成"又快又好"。具体的实现路径包括：在造型优化阶段减少A面迭代次数，在工程设计阶段提升自动标注与出图效率，在试验验证阶段优化测试方案并提高测试覆盖度。真正支撑压缩的是"设计即仿真"的实时反馈机制，以及对潜在工艺冲突、装配干涉等风险的前置识别。

3. 通用大模型为什么不能直接用在汽车研发里？

报告列了三个挑战。第一是可靠性与功能安全，汽车研发涉及生命安全，通用大模型的"幻觉"问题在这里不可接受，必须通过知识蒸馏、约束编码与验证机制把工程规则和物理定律固化为"硬约束"。第二是可解释性与可追溯性，通用AI的"黑箱"特性与工程实践中因果分析和责任追溯的要求存在根本冲突。第三是工程约束与资源限制，工业软件授权成本高、工具链封闭、集成难度大，而通用大模型参数庞大、推理延迟高，难以部署到工程师本地工作站。报告的解决方案是"通专融合"：通用基座提供基础智能，垂域模型实现场景适配，机理模型保障工程可用性。

4. 白皮书给出的实施路线和关键指标是什么？

路线分三阶段。第一阶段能力建设期（2025年至2026年，约2年）：夯实基础能力、统一技术底座、验证应用价值，完成至少4个核心业务流的AI嵌入闭环，选取3至5个高价值场景重点突破。第二阶段场景规模化阶段（2027年，约1年）：以CAD、CAE、SE、工艺四大模块为核心构建跨域智能体协同框架，把核心AI能力嵌入至少30%的内部研发流程。第三阶段平台生态期（2028年至2029年，约2年）：搭建覆盖研发全流程的产品与平台矩阵，输出行业标准与方法论，明确行业发展规则。总体目标是在2029年左右建成具备行业领先水平的汽车设计研发垂类AI平台与生态雏形。

5. 这份报告对汽车产业链上的企业有什么参考价值？

报告对三类主体都有直接可用的内容。对主机厂和零部件企业，它给出了四级产品体系（平台底座、重点场景、扩展场景、前沿预研）和四维场景评估标准（业务价值、技术可行性、数据基础、可复制性），可以直接用于立项排序和资源配置。对工业软件商和AI技术方，它明确了"通专融合"的技术分层和六大统一平台能力，指出了嵌入现有工具链的具体接口位置。对管理层的决策参考则在风险管控部分，报告梳理了技术、数据、安全、落地、商业五个维度的风险和应对策略。需要说明的是，报告中的技术指标与场景效果基于行业案例输入，具体落地效果与组织的设计流程、人员能力及数据基础密切相关。想持续跟踪汽车研发智能化、工业智能体与研发数字化的行业研究资料，可以到运营动脉（www.yydm.cn）检索，站点提供报告库、方案库、课件库与模板库，7万+精选资料、每月更新1000+份，适合做品类研究与研发策略时集中取用。

延伸阅读

想继续往深里看，下面这几篇是同一主题线上比较扎实的解读。

《新型工业化：AI赋能的六级架构与路径》——报告由该院智能化研究所整理，系统回答了

《中国汽研商用车座舱研究：智能化分级能力导向》——主线是智能化分级能力导向