芝能科技出品
上周吉利正式发布了基于AI场景引擎的动力域智能体——星睿AI云动力2.0，并且把雷神超级电混全面升级为“雷神AI电混2.0”，通过AI技术来把吉利的混动系统升级为“最聪明的电混”。
把AI放在座舱和辅助驾驶，大家是好理解的，而发动机和混动系统，如何打造一个可以理解环境、学习用户、主动决策的智能动力体，就很不是特别容易理解，特别是描述成感知山路的陡峭、判断城市的拥堵、预判你的出发时间，提前准备好最优能量组合——节能的同时不牺牲性能，智能的背后更兼顾安全。
我们借着去小规模交流的机会，来帮大家来问一问。雷神电混 2.0 是如何让油耗降低的？这里面的背后的逻辑、挑战与优势，我们需要花一些时间一起来讨论一下。
AI电混的技术内核：
从控制逻辑到感知学习
吉利雷神电混2.0系统，是围绕AI技术作为驱动混动系统核心效率跃迁的主角。
传统混动系统，是依赖固定控制策略，通过不断围绕标准工况和路试结果来实现混动系统在这些标准试卷下的效率。而吉利以大模型为核心，通过云端训练与车端实时协同，构建了一套高度动态化、个性化的能量管理系统。
工作机理可以被视为“车-云-用户”三维闭环下的数据驱动型系统。
在传统混动中，能量管理依赖固定工况策略，面对复杂交通与用户行为模式难以精细适配。
这套AI电混系统，依赖智算中心所支撑的大模型训练平台，将海量用户驾驶行为、环境特征、地理信息与能耗表现数据输入模型进行强化学习，最终形成适应性极强的策略优化网络。
为了更好的理解这个，我们可以根据下面的场景来理解
场景1：城市早晚高峰堵车
在早晚高峰的拥堵路况下，传统混动车型由于频繁启停，在电量不足时会频繁启动发动机，反而导致油耗上升。
通过智能预测和能量管理优化这一过程，利用AI大模型提前判断“你即将进入一个堵车区域”，并据此策略性地保留剩余电量用于拥堵路段使用；
在进入拥堵前的畅通路况中，系统会控制发动机适时发电充电，避免在低效区间频繁启动内燃机，实现发动机在最合适的时机运行，堵车阶段更多依靠电驱动，从而显著降低整体油耗。
场景2：高架快速路+市区混合工况
在一段中短距离通勤中，车辆往往先在高架高速路段行驶，随后转入低速城市道路。
传统驾驶模式下，动力分配难以做到最优，而AI电混系统则能根据路线进行全局规划，预测整段通勤的工况变化，并在高速路段优先使用效率更高的发动机驱动，同时适度为电池充电，预留电量供后续的城市慢速路段使用。
这样一来，电驱主要用在效率较低的城市工况中，而发动机则集中在高效区间工作，从而实现整体油耗的优化与能耗结构的合理分配。
场景3：长途驾驶 + 上下坡地形
在面对复杂地形特别是长距离上下坡的路况时，AI电混系统展现出更强的能量统筹能力，通过地图高程数据和实时感知，判断前方是长坡或下坡，并做出相应能量调度：
◎ 在上坡前主动提升发动机功率进行充电，为爬坡提供电驱辅助；
◎ 在下坡时则通过智能动能回收系统调节电流回收效率，避免因电池满电而无法继续回收能量造成的浪费；
◎ 并在整个过程中协调电池状态，实现上下坡之间的能量收支平衡，达到“坡前加电、坡中辅助、坡后回收”的闭环能量管理，大幅提升发动机和电机的协同效率。
◎ 从驾驶者来看，不同的驾驶风格具备学习能力，能根据用户的实际操作行为进行个性化适配，当系统识别到用户偏好“温柔驾驶”——即加速缓慢、制动平稳时，便会相应调整动力输出策略，减少突发性的电驱或发动机功率请求，同时优化能量回收力度，避免不必要的能耗浪费；
◎ 空调与热管理系统也会自动切换至更节能的运行模式，在不牺牲舒适性和操控体验的前提下，车辆变得更“懂你”，实现真正个性化的低能耗控制。
补充1: 如果不输入导航目的地，会根据你日常通勤（上下班，接送娃，去固定路线）进行时空序列进行匹配，所以固定路线不输入导航也能做到。
简单来说，硬件架构吉利GEEA 3.0电子架构打通各个控制域间的数据流通，具备了数据采集和实时决策能力。
在混动领域，云端可以训练和控制的数据变多了，大模型的控制变量包括发动机启停、空调压缩机、电池充放电、电驱输出扭矩等关键参数，做了一个基于云端数据的能耗管理策略，实现对整车能耗系统的动态微调。
核心是抛弃了固定逻辑，实时调用云端历史学习模型，在预测下一阶段驾驶行为与环境负载的基础上进行前瞻控制。
这套系统的必要条件
和下一步的迭代方向
这套系统从逻辑上来看，是中国车企都能做的，那么我们拆解下实现这种云端控制的必要因素：
◎ 具备“车云协同”的整车电子电气架构（如GEEA 3.0）：实时优化决策需要大量车端数据（如驾驶行为、环境温度、车速、电池状态等）上传云端，具备将模型结果实时下发回车端的能力，分布式控制架构做不到这种通信效率，必须使用以区域控制为核心、具备中央网关能力的新一代EE架构。
◎ 拥有自主可控的高性能智算中心：智算中心的足够算力，支持大模型训练、推理、版本管理、OTA部署等任务。
◎ 实时感知与高频采样的车载硬件 ：细粒度的节能策略优化，必须依赖足够多的传感器数据输入——如发动机进气温度、电池电压曲线、充放电电流、踏板位移曲线等。这些都需要具备高速信号采样、边缘运算、功率管理的本地控制器来完成。
◎ 长期积累的真实用户驾驶数据：真实用户行为数据（路况、驾驶风格、气温变化、电池响应等）的模型是无法泛化和优化的，具备较长时间合法合规采集用户数据并用于模型训练的车企。
◎ 基于AI/模型的能量管理和标定体系转型：要求整套能量管理、发动机控制、电池管理、空调热控等子系统支持模型驱动的决策入口，工程团队从传统“标定工程师 + 固定策略”转型为“模型理解 + 数据驱动 + 实时反馈”的开发方法，这个变化是客观存在的，嵌入式底层的要求在变低，大模型围绕用户层面多做一些工作。
其实我们理解，不仅仅是插电混动，后续增程领域也需要这种策略，才能更好的满足用户需求。
当然需要根据用户的习惯进行学习，如果只有纯电模式，你能做的事情是比较有限的。这依赖于能结合具体车辆工况进行强化学习。
再加上车端与云端控制链条完整，形成从数据→模型→部署→反馈的闭环，构成了模型泛化与可控性的护城河。
事实上，最大的变化，汽车公司的软件工程师的能力，也在快速的变化。
简单来说，吉利的动力总成团队构建一个从数据收集、模型训练、部署应用到反馈修正的完整闭环，吉利正逐步建立起一套既智能又可靠的能源管理系统，把原有基于单一车辆的和确定的策略，做成了一个和用户驾驶需求有关的产品，这点是很大的变化。
