比亚迪璇玑架构深度解析：智电融合与整车智能技术实现

比亚迪璇玑架构深度解析：智电融合与整车智能技术实现 | 极客日志

比亚迪璇玑架构深度解析：智电融合与整车智能技术实现

1. 前言

随着汽车产业进入智能化'下半场'，各大车企纷纷推出自己的智能化解决方案。比亚迪作为全球新能源汽车的领导者，在 2024 年初发布了行业首个智电融合的智能化架构——璇玑架构。这不仅是比亚迪技术实力的集中体现，更是其对'整车智能'理念的深度实践。

璇玑架构打破了传统'智舱'和'智驾'的分离式开发模式，实现了从电动化底层到智能化顶层的全面融合。本文将从工程师视角，深度解析璇玑架构的技术原理、创新点和行业影响。

2. 关键词

璇玑架构、整车智能、一脑两端三网四链、中央大脑、车端 AI、云端 AI、DiPilot、BEV 感知、数据闭环、智电融合

3. 璇玑架构核心组成：'一脑、两端、三网、四链'

璇玑架构的核心可概括为'一脑、两端、三网、四链'，这是一个系统性的工程框架。

组成部分	核心功能	关键技术
一脑（中央大脑）	整车感知、决策和执行的核心	兼容多种 SOC 芯片，舱驾一体，未来搭载 1000T/2000T 算力芯片
两端（车端 AI+ 云端 AI）	车端实现个性化适配，云端实现持续进化	车端小闭环，云端大模型训练，7 天算法迭代周期
三网（车联网 +5G 网 + 卫星网）	保障车辆全天候、全地形在线	冗余通信，永不断网
四链（传感链 + 控制链 + 数据链 + 机械链）	实现从感知到执行的全链路闭环	传感融合、集中控制、数据驱动、机械执行

4. 璇玑架构的底层原理与技术实现

4.1. 中央大脑：异构计算与算力扩展

璇玑架构的'中央大脑'采用模块化设计，支持对多种 SOC 芯片（如英伟达 Orin、地平线征程等）的兼容，并能通过芯片解耦带来算力的扩充。其 AI 模块基于通用 GPU 架构，能够实现存算任意分配，按功能需求调整算力方式，无缝切换和适配未来的算法模型。

技术亮点：比亚迪自研并自产中央大脑，未来将搭载 1000T、2000T 级别的'舱驾一体'芯片，为整车智能提供强大的算力基石。

4.2. 两端 AI：车云协同与数据闭环

璇玑架构的创新在于实现了'车端 AI'和'云端 AI'的协同。

车端 AI：根据车主驾驶习惯进行个性化适配，实现单一车辆的数据小闭环，提供个性化的车内使用体验。
云端 AI：基于比亚迪庞大的车队数据（据悉，2024 年其日均训练里程达7200 万公里）进行自主训练和推理，实现快速迭代成长。这种'车云协同双循环'使得车辆能够越用越聪明。

4.3. 三网融合：冗余通信保障

'三网'指车联网、5G 网和卫星网。璇玑架构打通了三者间的壁垒，能够根据用车场景充分发挥各自优势。特别是卫星网无盲区的特性，让车辆最大可能地实现'永不断网'，为智能驾驶提供了可靠的连接保障。

4.4. 四链协同：从感知到执行的闭环

'四链'是璇玑架构实现'整车智能'的执行路径。

传感链：负责车辆全部的感知系统，包含整车数百种硬传感（如摄像头、雷达）和算法软传感，通过两者协同实现环境感知。
控制链：采用'中央大脑'的集中式和多域分布式进行择优控制选择。
数据链：涵盖车内数据和车云数据，是推动 AI 模型进化的血液。
机械链：根据多种执行器的反应来灵活操控车辆，是最终的执行机构。

5. 璇玑架构的行业优势与影响

真正的'整车智能'：璇玑架构深度整合了比亚迪在电动化领域的技术积累（如易四方、DMO、云辇、三电系统），实现了电动化与智能化的高效融合。智能控制不仅能管理座舱和驾驶，还能延伸到底盘、车身、动力系统，实现全局优化。
极高的灵活性与可扩展性：中央大脑对多种芯片的兼容性和模块化设计，使得架构能灵活适配从高端到入门的不同车型。算力可按需分配，硬件预埋后可通过软件 OTA 解锁新功能，极大地延长了技术生命周期。
强大的成本控制与规模化能力：通过自研、供应链整合和规模化效应（年产能超 400 万台），比亚迪将智驾硬件成本大幅降低，使 L2 级智能驾驶得以普及至 7 万级车型，实现了'科技平权'。
数据驱动与快速迭代能力：依托庞大的车辆保有量产生的海量真实数据，结合'两端'AI 的协同，形成了'数据 - 算法 - 功能'的快速迭代闭环，这是其算法持续优化的核心壁垒。

6. 应用实例：天神之眼 C（DiPilot 100）

'天神之眼 C'（DiPilot 100）是基于璇玑架构的高阶智驾系统，其特点在于采用了前视三目摄像头（5R12V12U） 的纯视觉方案，被称为'二郎神'前视三目设计。

感知优势：前视三目由两颗 120°广角摄像头和一颗 30°长焦摄像头组成，最大探测距离达 350 米，能精确测量物体的高度、宽度和深度。
算法核心：采用多模态 BEV（Bird's Eye View）感知模型，融合多个传感器数据，确保各种天气条件下的稳定感知。并引入VLM（Visual Learning Model）数据挖掘技术，从海量数据中提炼'黄金数据'以优化系统。
控制性能：通过 AI 算法和中央大脑协调，响应时延缩短至10 毫秒，实现了拟人化的规划与控制。

7. 能量管理策略伪代码示例

以下伪代码展示了璇玑架构如何基于云端 AI 的预测和车端实时数据，进行智能能量管理的决策逻辑：

# 伪代码：基于璇玑架构的预测性能量管理策略
class XuanJiEnergyManager:
    def __init__(self):
        self.cloud_ai = CloudAIConnection()  # 连接云端 AI
        self.vehicle_ai = VehicleAIModel()   # 车端 AI 模型
        self.battery_soc = get_current_soc() # 获取当前 SOC

    def generate_energy_plan(self, navigation_route):
        # 请求云端 AI 生成基于历史大数据和导航路径的预测性能耗计划
        energy_plan = self.cloud_ai.request_energy_plan(
            route=navigation_route,
            current_soc=self.battery_soc,
            vehicle_model="QinL-120KM")
        return energy_plan

    def execute_real_time_adaptation(self, energy_plan, real_time_data):
        # 车端 AI 基于实时感知数据（交通流、坡度、驾驶行为）对云端计划进行微调
        adapted_plan = self.vehicle_ai.adapt_plan(
            original_plan=energy_plan,
            real_time_traffic=real_time_data['traffic'],
            real_time_slope=real_time_data['slope'],
            driver_behavior=real_time_data['behavior'])
        
        # 中央大脑下发控制指令至各执行器
        self.control_chain.send_commands(adapted_plan)
        
        # 记录执行效果数据，通过数据链回传云端，用于模型迭代
        self.data_chain.log_performance(adapted_plan, real_time_data)

# 使用示例
if __name__ == "__main__":
    manager = XuanJiEnergyManager()
    nav_route = get_navigation_from_map()
    plan = manager.generate_energy_plan(nav_route)
    while driving:
        real_time_data = get_real_time_sensors()
        manager.execute_real_time_adaptation(plan, real_time_data)

8. 地图 AI 节能协同流程

为了更直观地理解璇玑架构各组件如何协同实现地图 AI 节能，下图展示了其核心工作流程与闭环：

执行与反馈 -> 通过三网下发迭代新策略 -> 控制链 (动力域控制器) -> 数据链 (全链路数据埋点) -> 机械链 (三电系统执行) -> 用户设定导航 (高德/百度地图 API) -> 云端 AI (历史路况大数据分析生成预测性能耗管理策略) -> 车端 AI (接收策略并实时计算) -> 中央大脑 (一脑) (融合多源数据并决策) -> 发动机/电机 (扭矩精准分配实现高效能量回收与利用) -> 数据持续记录达成更低能耗 -> 数据上传云端 -> 用户体验提升 -> 云端模型训练优化

8.1. 功能触发与输入（感知与决策发起）

当用户在中控屏的导航地图（集成高德/百度等 API）中勾选'AI 节能'选项并开始导航时，璇玑架构的协同工作流程便开始了。

传感链（四链之一）数据采集：
- 车辆本身的CAN 网络实时采集车速、加速度、方向盘转角、电池 SOC（State of Charge）、电机功率、当前环境温度、空调功率等数百项车辆状态信号。
- GPS/IMU（惯性测量单元） 提供精确的车辆位置、海拔高度、航向和坡度信息。坡度信息对于预测能耗至关重要。
三网传输与云端 AI（两端之一）介入：
- 导航路径和关键信息（如总里程、预计通行时间、途径点海拔变化）通过车联网（三网之一） 或5G 网（三网之一） 上传至云端 AI。
- 云端 AI 调用其超算中心（算力达 2000T FLOPS）和历史路况大数据（日均处理数千万公里数据），对该路径进行深度分析预测。这包括：
  - 历史交通流模式识别：预测不同路段的未来平均车速、拥堵概率。
  - 地形能量需求计算：基于精准地图数据，计算路径中每一段路的理论能耗（例如，上坡路段需要额外多少 kJ 的能量，下坡路段可回收多少能量）。
  - 多目标优化求解：以'全程总能耗最低'为目标函数，综合考虑交通流、地形、当前电池 SOC，求解出一套预测性能耗管理策略。这套策略本质上是一个'能量使用计划书'，它会规划出：在路径的哪个区间，建议以何种模式（纯电/混动）行驶、发动机在何时启动发电效率最高、在哪个下坡或制动路段需要加强动能回收力度等。

8.2. 策略下发与车端执行（决策与控制）

中央大脑（一脑）接收与统筹：
- 云端 AI 生成的'能量使用计划书'通过网络再次下发到车端的中央大脑。
- 中央大脑（域控制器）的角色是'指挥官'。它并不直接执行，而是基于云端策略，再融合车端 AI 的实时感知数据（例如，实际交通状况比预测的更拥堵、前方突然出现施工等），进行微调和高频决策，最终生成具体的控制指令。
控制链（四链之二）与机械链（四链之三）精准执行：
- 控制指令通过控制链下发到各个执行器域控制器（如动力域、底盘域）。
- 机械链上的执行机构开始毫秒级响应：
  - 动力系统：中央大脑会命令发动机在高效区间（如热效率 46.06% 的区间）提前启动，不仅驱动车辆，还可能高效发电为电池充电，储备能量以备后续拥堵路段纯电使用。在预判到下坡或减速时，会提前增大动能回收强度。
  - 第五代 DM 系统：根据指令在 EV（纯电）、串联、并联、直驱模式间无缝切换。例如，在即将到来的上坡前，系统可能选择让发动机高效工作，并将多余能量存入电池；而在坡顶后，则可能切换为纯电行驶，利用下坡回收能量。
  - iTAC 智能扭矩控制系统（如有）：可提前微调前后轮扭矩分配，优化循迹性，减少不必要的能量损失。
车端 AI（两端之二）实时自适应学习：
- 车端 AI在此过程中持续工作。它会学习车主的个性化驾驶习惯（如加速踏板开度风格），并在云端策略的基础上，进行本地化的微调优化，实现'千人千车'的节能效果。例如，即使同一路段，对于驾驶风格温和的用户，系统可能会允许 SOC 降得更低；对于喜欢大脚电门的用户，则会更多地保持电量以提供瞬时动力。

8.3. 数据闭环与进化（优化与迭代）

数据链（四链之四）全程埋点与回流：
- 在整个行程中，数据链如同人体的'神经系统'，全程记录所有关键数据：原始传感器数据、控制指令、执行结果、实际能耗等。这些数据被加密脱敏后，通过网络上传至云端。
云端 AI 再训练与模型进化：
- 云端 AI 接收海量车辆回传的实际能耗与预测能耗的对比数据，进行强化学习。
- 通过分析差距，不断修正和优化其预测与决策模型。例如，发现某一路段实际能耗始终低于预测，云端 AI 会调整该路段的能耗模型参数，使其下一次为用户生成的'能量使用计划书'更加精准。
- 这就是璇玑架构宣称的7 天一次算法迭代能力的来源。AI 节能功能会随着用户的使用而变得越来越聪明，越来越符合实际路况。

8.4. 总结与优势

通过以上流程，璇玑架构为地图 AI 节能功能提供了强大支撑：

全局优化：打破了传统 ECU 各司其职的局限，从整车能量管理的视角出发，实现了跨域协同控制。
预测性控制：从'实时响应'升级为'预见性决策'，这是降低能耗的关键飞跃。
数据驱动进化：形成了'数据采集 - 云端训练 - 策略下发 - 效果反馈 - 再优化'的完整闭环，使功能具备持续进化能力。
软硬件深度融合：机械链上先进的执行机构（如高效发动机、电控系统）是智能化算法得以落地的物理基础。没有好的硬件，再优秀的算法也无法实现低能耗。

对于工程师而言，璇玑架构的精髓在于它通过中央大脑统一调度，利用两端 AI的协同计算，依托三网的高速互联，最终通过四链完成从感知到执行的闭环，将智能化从座舱和智驾延伸到了车辆最底层的能量管理，实现了真正的'整车智能'。

9. 能量使用计划书数据结构

云端 AI 生成的'能量使用计划书'是璇玑架构实现超前能耗管理的核心指令集。它本质上是一个 分时、分段的全局能量最优控制策略，下面是将其拆解为具体的参数维度和一个模拟的数据结构示例。

9.1. 能量使用计划书的核心参数维度

这份计划书是一个多维度的数据结构，其参数可分为以下几类：

维度类别	具体参数	说明
1. 路径地理信息	`route_id`, `total_distance`, `waypoints[]`	路径唯一标识、总里程、路径点序列（包含经纬度、海拔高程）
	`segment_id`, `segment_distance`, `slope_angle`, `curvature_radius`	路段划分：将全程划分为多个连续路段。每个路段的距离、坡度角（上/下坡）、曲率半径（影响弯道能耗和制动）是关键地形参数。
2. 交通环境预测	`predicted_traffic_flow[]`, `predicted_speed[]`	基于历史大数据，预测每个路段的平均交通流量和平均车速。这是估算基准能耗和判断拥堵的关键。
	`congestion_probability`, `expected_congestion_duration`	拥堵概率和预期拥堵持续时间。系统会为此准备长时间纯电蠕行的策略。
3. 车辆状态与能力	`current_soc`, `target_min_soc`	当前电池 SOC和全程最低 SOC 保护阈值。这是能量分配的边界条件。
	`engine_efficiency_map[]`, `motor_efficiency_map[]`, `recovery_efficiency`	发动机万有特性图（高效区间）、电机效率图、动能回收系统效率。云端 AI 模型包含车辆型号的三电性能参数，用于计算最优工作点。
4. 能量分配策略	`recommended_drive_mode[]`	为每个路段推荐的驱动模式序列（`EV`纯电、`SERIES`串联、`PARALLEL`并联、`CHARGE`强制充电）。
	`engine_start_time_point`, `engine_operation_power`	发动机预启动时间点和目标运行功率。计划发动机在高效区间运行，或在爬坡前提前启动储备能量。
	`target_soc_trajectory[]`	SOC 目标轨迹。规划了全程期望的 SOC 变化曲线，例如在上坡前充电至更高 SOC，或在下坡前允许 SOC 降低以优先用油。
	`recovery_intensity[]`	动能回收强度策略。预测到下坡或减速路段时，提前调高回收等级，最大化能量回收。
5. 优化目标与约束	`primary_objective` (e.g., `min_fuel_consumption`)	优化首要目标，如'全程油耗最低'、'总能耗最低'、'最快到达'或'保持电量'。
	`constraints` (e.g., `max_engine_power`, )

9.2. 典型路段数据结构示例 (JSON Format)

以下是一个针对某一路段的'能量使用计划书'的简化示例，它通常以 JSON 或 Protocol Buffers 这类高效的数据交换格式在云端和车端之间传输。

{
  "metadata": {
    "route_id": "BJ-TJ-20240912-08-00",
    "total_distance": 125700,
    "estimated_duration": 7200,
    "primary_objective": "min_fuel_consumption",
    "vehicle_id": "BYD-QinL-120KM-001",
    "calculation_timestamp": "2025-09-12T08:00:00Z"
  },
  "global_optimization_goal": {
    "target_total_energy_consumption": 18.5,
    "unit": "kWh/100km",
    "target_final_soc": 30
  },
  "segment_strategies": [
    {
      "segment_id": "S1",
      "start_waypoint": 0

9.3. 技术实现特点

动态更新与实时微调：这份计划书不是一成不变的。车端 AI 会通过三网持续将实时数据（如实际车速、拥堵情况、空调功耗）反馈给云端。如果实际路况与预测出现较大偏差（如突发严重拥堵），云端 AI 可以在几秒内重新计算并下发更新后的计划书片段。
个性化学习：计划书会考虑车主的驾驶习惯（如平均加速踏板开度、制动习惯）。对于习惯激烈驾驶的车主，系统可能会预留更多的电量储备以提供瞬时动力；对于平稳驾驶的车主，则会更激进地优化能耗。
系统协同指令：这份计划书最终会被中央大脑翻译成对各个执行器（机械链）的具体控制指令。例如，在计划发动机启动前，会提前通知发动机控制器和悬架系统（如搭载云辇系统），做好 NVH 和舒适性优化，实现无感启动和模式切换。

希望这个从参数到实例的拆解，能帮助你更深入地理解璇玑架构云端 AI 的决策逻辑。这套系统将传统的实时反应式能耗管理，提升到了全局预测式智能能量管理的新高度。

10. 预测性能耗管理算法模型

以下从技术视角，对比亚迪璇玑架构的预测性能耗管理算法及其采用的机器学习模型，特别是 BEV+Transformer 在路径能耗预测中的应用进行深度解析。

10.1. 预测性能耗管理算法的核心机器学习模型

璇玑架构的预测性能耗管理并非依赖单一模型，而是一个分层、混合的 AI 系统，其核心是利用车端 AI进行实时推理，并结合云端 AI进行大规模训练和迭代，形成'双循环'。具体采用的模型和技术包括：

BEV+Transformer 感知与场景理解模型：
- 功能：这是整个系统的感知基石。其作用是将车辆周围的多传感器（摄像头、雷达）数据，转换为一个统一的、无遮挡的鸟瞰图（BEV）坐标系。
- 输入：多摄像头视频流、毫米波雷达点云等。
- 输出：BEV 空间下的结构化语义信息，包括动态障碍物（车辆、行人）的位置、速度、轨迹，以及静态元素（车道线、交通标志、路缘）的精确几何和语义。
- 为何关键：统一的 BEV 视角为后续的预测和规划提供了最准确的环境上下文，消除了传统 2D 感知中的透视和遮挡问题，为能耗计算提供了可靠的环境基础。
基于强化学习（RL）或模仿学习（IL）的决策规划模型：
- 功能：在 BEV 提供的环境状态基础上，进行行为决策和轨迹规划。模型会输出一条综合考虑了安全、舒适和能耗最优的时空轨迹。
- 输入：BEV 感知结果、导航路径、车辆状态（SOC、速度、坡度等）。
- 输出：未来一段时间的纵向（速度）和横向（路径）规划序列。
- 学习目标：通过强化学习，模型的奖励函数（Reward Function）中会设置负的能耗惩罚项，鼓励模型学习出平滑加速、提前滑行回收能量、预判性跟车等节能驾驶策略。模仿学习则可以从大量人类老司机的黄金脚数据中学习节能驾驶模式。
云端大规模时序预测模型：
- 功能：云端 AI 利用超算中心（算力 2000T FLOPS）和海量历史数据，对整条路径的交通流平均速度、拥堵模式进行宏观预测。这个预测结果是车端实时决策的先验知识库。
- 模型：可能采用时空图神经网络（ST-GNN） 或 Transformer 时序预测模型。这些模型将路网视为图结构，节点是路段，边是连接关系，同时学习交通流在空间和时间上的传播规律，从而预测未来某一路段的车速分布。
- 输出：路径级的速度 - 距离 - 时间剖面图，这是计算理论能耗的基础。

10.2. BEV+Transformer 在路径能耗预测中的具体应用

路径能耗预测的核心是 '算总账' ，即准确计算从 A 点到 B 点总共需要消耗多少能量。这需要极其精确地知道 '在哪段路、需要多少功率、持续多长时间' 。BEV+Transformer 在此过程中发挥了不可替代的作用。

传统方案的局限性：传统导航的能耗计算大多基于历史平均车速和固定能耗模型，无法感知实时动态交通场景（如前车慢行、隔壁车道车辆并线意图），预测粗糙。

BEV+Transformer 的应用范例：

假设一辆搭载璇玑架构的车辆行驶在一条多车道的城际高速上，开启了导航并请求能耗预测。

构建实时动态高精地图：
- 车辆自身的传感器（摄像头、雷达）通过BEV+Transformer 模型，实时生成车辆周围百米级别的局部动态地图。这张地图不仅包含车道线，还包含了所有其他动态障碍物的精确位置、速度和预测轨迹（例如：左前方卡车可能在 60 米后并线至本车道）。
- Transformer 的自注意力机制（Self-Attention） 能够高效地分析 BEV 空间中所有物体之间的关系，准确判断出哪个车辆是潜在的风险源或会影响本车能耗的关键车辆（例如，预测到隔壁车道一辆慢车即将切入，本车需要提前减速或绕行）。
精准的阻力与能量需求计算：
- 纵向动力学模型是能耗计算的基础：总能耗 ≈ (风阻 + 滚阻 + 坡度阻力 + 加速度阻力) * 距离 / 效率因子。
- BEV 感知结果直接为这个模型提供了动态输入：
  - 风阻/滚阻：由车速决定（已知）。
  - 坡度阻力：由导航地图的高程数据提供（已知）。
  - 加速度阻力：这是关键！ 传统的模型只能基于历史平均车速假设一个恒定的加速度。而集成 BEV+Transformer 后，系统能预见性地知道前方交通流何时会减速、何时会加速。
    - 例如，BEV 感知到前方百米开始拥堵，车流速度从 100km/h 降至 60km/h。系统便能提前计算出为平稳跟车所需的减速能量回收梯度和后续低速行驶的功率。
    - 再例如，Transformer 预测到有车并线，本车需要轻微制动，系统便能计算出此次制动能回收多少能量，或者为避免制动而提前松电门滑行能节省多少能量。
云端与车端协同计算：
- 云端：提供基于历史大数据的宏观路径速度预测（'这条路通常在这个时间点会堵'）。
- 车端：BEV+Transformer 提供微观实时交通流预测（'前面这辆车马上就要刹车了'）。
- 两者融合，生成一条极其精细的、随时间变化的速度 - 功率需求曲线。对这个曲线进行积分，就能得到更为准确的总能耗预测值。同时，系统还能基于此曲线，提前规划混合动力系统的最佳工作点（何时用油、何时用电、何时发电）。

10.3. 数据闭环与持续进化

璇玑架构的能耗管理算法并非静态。其强大之处在于数据驱动进化。

数据链全程记录实际行驶的能量消耗，并与预测值进行对比。
这些差异数据（Corner Case）被回传至云端超算中心。
云端 AI 利用这些数据对感知（BEV+Transformer）、预测（时序模型）、决策（RL 模型） 进行持续训练和迭代，据说可达 '7 天一次算法迭代'。
优化后的模型再通过 OTA 推送给车队。

这样，每一次行驶都在为整个车队模型的优化做出贡献，使得能耗预测和管理越来越精准。

10.4. 总结

对于工程师而言，璇玑架构的预测性能耗管理在机器学习层面的核心在于：

感知层：使用BEV+Transformer 提供准确、无遮挡的动态环境感知和短时预测，为能耗计算提供高质量的输入。
决策层：采用强化学习/模仿学习，在安全舒适的约束下，寻找到能耗最优的驾驶策略。
云端层：采用时空预测模型（如 ST-GNN），提供宏观交通流预测，构成车端决策的先验知识。
核心价值：将能耗计算从基于历史统计的被动估算，升级为基于实时环境感知与预测的主动精确计算，从而为混合动力系统的能量流管理提供前所未有的决策依据，最终实现深度的节能优化。

11. 总结与展望

比亚迪璇玑架构的发布，标志着其从'电动化'领先迈向'智能化'领先的关键一步。它并非单一技术的突破，而是系统工程能力的体现，通过'一脑两端三网四链'将分散的技术点整合为一个可进化、可扩展、可裁剪的智能有机体。

其核心价值在于：

为用户：提供了更安全、更舒适、更个性化的出行体验，并显著降低能耗。
为工程师：提供了一个高度集成、易于开发和迭代的技术平台，降低了智能功能开发的复杂度。
为行业：树立了'智电融合'的新范式，证明了垂直整合与开放合作并重的模式在智能汽车时代依然有效。

未来，随着比亚迪自研1000T/2000T 算力芯片的落地，以及DeepSeek 等大模型在车载场景的深度应用，璇玑架构的潜力将进一步释放，持续推动智能电动汽车向更高阶的自动化演进。

min_ev_distance

比亚迪璇玑架构深度解析：智电融合与整车智能技术实现