看了甲子光年的文章《胡峥楠就任小米汽车CTO后首次受访：我的第一要务是重新学习》整篇采访里最让我愣住的一段是这个：

就像今天雷总对我的要求是，你可不可以开始 AI coding？

说这话的人叫胡峥楠。吉利前研究院院长，路特斯汽车智能化平台创始人，现在是小米汽车的 CTO。一个在传统车企体系里成长了二十多年的人，被老板当面问：你能不能开始用 AI 写代码？

这个场景本身就是2026年汽车行业最精准的缩影。

不是一个刚毕业的程序员在尝试 Copilot，是一个造了二十年车的 CTO，被要求重新审视自己的工作方式。胡峥楠自己的反应也很坦诚：

如果说我们在很短的时间之内不能够适应这种新的思维模式的话，可能我很快会被淘汰。

一个 CTO 说"我可能会被淘汰"，这不是谦虚，这是一个看清了形势的人在说实话。

"我首先需要做的事情是：更新我的知识体系"

胡峥楠在这次采访中说了一句让我印象很深的话：

你学的东西五年后可能有50%是错的，但你不知道是哪50%。

这句话之所以有分量，是因为说这话的人不是一个焦虑的中层，而是一个亲手建立过完整汽车开发方法论的人。他在吉利十五年，从底盘调校到整车架构，一砖一瓦堆起来的知识体系，现在他自己说：这套体系需要重建。

不是推倒重来，而是持续重建。

转型有终点，你到达另一个状态就结束了。但"更新知识体系"没有终点，它是一种持续的生存状态。胡峥楠选的词很准：不是"转型"，是"学习"。

第四次融合：三条曲线同时叠加

雷军讲过一个框架，胡峥楠在采访中展开了：未来的智能电动汽车是汽车行业的第四次融合。

前三次分别是机械与电气、电气与电子、互联网与移动通信。每一次都消灭了一批旧行业，催生了一批新职业，但每一次基本上是一条曲线替代另一条曲线。

WECHATIMGPH_1

从机械、电气、电子到新能源、移动通信与 AI，第四次融合的复杂性在于多条曲线同时叠加。

第四次融合不一样。新能源技术、消费电子能力、信息通信技术，三条曲线都还没有消退，就已经在同一台车里汇合了。这意味着你不能像以前那样，等一条曲线彻底成熟再整合。三套方法论必须在同一时间、以某种还没有人完全弄清楚的方式共存。

用胡峥楠自己的话说，这本质上是"降维打击"。过去在传统车企体系里积累的经验，在这个融合时代未必还是经验。

所以"五年后有50%是错的"，指的正是这种状态：不是某一项知识被推翻，而是整个知识体系的权重在快速变化。你不知道重心该往哪里放。

关于 AI coding 那段，我多说两句

回到雷军让胡峥楠 AI coding 的事。

这个细节之所以有意思，不是因为"CTO 也要写代码"这种表面戏剧性，而是因为它揭示了一个更深的逻辑：在小米的体系里，AI 不是一个部门的事，它是每个人的工作方式变革。

雷军不是在说"你去了解一下 AI"，他是在说"你自己动手用 AI 来工作"。从了解到使用，从使用到重构工作流，这中间的距离比大多数人以为的要大得多。

胡峥楠说"传统'撸铁'的同学"需要学习新的知识体系，用的词也挺妙。"撸铁"在这里是个隐喻，指的是那些扎扎实实做硬件工程、底盘调校、NVH（Noise, Vibration and Harshness）优化的同事。这些能力不会消失，但如果你不学会用 AI 工具来辅助你的工作，你会越来越慢，直到被那些学会了的人拉开距离。

BTW，这个场景让我想起我自己的经历。我做了十年数据分析，最近一年半转到 TIC 行业做汽车 AI 法规。每天都在"撸铁"和"学新东西"之间来回切换。那种"到了闯的年纪"的感觉，我太懂了，哈哈哈。

端到端大模型：安全范式正在被重新定义

胡峥楠提到一个他正在思考的核心问题：端到端大模型的安全，行业目前没有答案。

这不是技术不成熟的问题。这是方法论的根本性挑战。

传统汽车功能安全建立在"可穷举系统状态"这个假设上。ISO 26262、HARA（Hazard Analysis and Risk Assessment）、FMEA（Failure Mode and Effects Analysis）、FTA（Fault Tree Analysis）这套工具链，本质上是在说：只要你穷举了所有故障模式，就能定义安全边界。

端到端自动驾驶不遵循这个逻辑。

它的决策来自大规模数据驱动的神经网络，不是手工编码的规则。它的"安全边界"不是一条工程师画出来的曲线，而是一个由数据分布定义的隐空间。系统的失效模式不再是"某个传感器故障"，而是"训练数据分布之外的场景导致模型产生了在分布内看似合理但实际危险的输出"。

WECHATIMGPH_2

传统安全工程的故障树，正在被迫翻译成 AI 模型的数据分布与隐空间语言。

从 TIC 行业的角度看，这是一个巨大的缺口。ISO 8800（Road vehicles - Safety and AI）正在尝试填补这个缺口，但标准的制定速度远远赶不上技术的演进。这意味着在相当长的一段时间内，汽车 AI 安全评估会处于"边走边定规则"的状态。

对于像胡峥楠这样的人来说，挑战在于：你既需要保留传统功能安全的严谨思维，又需要理解 AI 系统的概率性本质。这两种思维方式在底层逻辑上是冲突的：一个追求穷举和确定性，一个接受不确定性并用统计方法管理它。

经验没有失效，但需要被"翻译"

胡峥楠并没有说他在吉利积累的经验已经失效。他的原话更精准：

过去140年工业革命验证过的铁律仍然有效。安全性、可靠性、品质管理、精益生产，这些不会改变。

但他话锋一转说，这些铁律需要被翻译成新的语言。

这是我在这篇采访里看到的最有洞察力的一句话。它没有否定经验的价值，也没有神话新技术的颠覆性。它只是说：底层规律没变，但应用的上下文在快速迁移。

具体来说：

• • 不再是故障树分析，而是数据分布理解
• • 不再是硬件冗余设计，而是系统鲁棒性验证
• • 不再是手工编写测试用例，而是用 AI 生成测试场景

翻译的成本，比重新学习的成本低得多。但翻译的能力，比大多数人想象的稀缺得多。

一个有二十年汽车工程经验的人，他对系统边界的直觉、对失效模式的敏感度、对安全裕度的经验判断，这些核心能力依然有效。问题是，他需要把这些直觉从机械语言翻译成数据语言，从确定性框架翻译成概率性框架。能做到这一步的人，在整个行业里都是稀缺资源。

融合时代需要什么能力

从胡峥楠的方法论里，我提炼了四种融合时代 AI 汽车从业者需要的能力：

系统边界感知：知道什么时候该用穷举法，什么时候该接受统计分布。真正的挑战不在于二选一，而在于根据问题的本质灵活切换。比如，同一台车上，底盘控制系统可以用传统的 ASIL-D 安全设计，但自动驾驶感知模块就必须用概率性方法来评估。

跨范式沟通：既能跟传统汽车工程师聊 FMEA，也能跟 AI 研究者聊 Transformer 架构，还能在监管机构面前准确描述系统的风险边界。这种能力靠看书学不会，只能靠和不同背景的人反复摩擦。

融合合规架构：能够在一个管理体系框架下同时覆盖AI的安全、网安全、数据治理等，而不是让每个体系在组织内部平行运行、互相打架。

知识更新的元能力：比学什么知识更重要的，是你是否拥有持续更新知识体系的方法论。胡峥楠说他到小米的第一要务是"重新学习"，这不是谦逊，这是他找到的最优解。

写在最后

我们这个圈子里——做 AI 安全的、做风险管理的、做合规体系的——最近一两年讨论最多的话题，除了技术本身，就是"人的位置"。AI 迭代太快了，今天你学的框架明天可能就有新版本，今天你建的流程后天可能就被自动化取代。焦虑是真实的：我到底还能干什么？我积累的这些经验，会不会在某一天突然变得不值钱？

所以我觉得特别值得看看胡峥楠的态度。

这是一个50出头的人，在汽车行业摸了二十多年，从底盘调校一路做到 CTO。按说他比我们大多数人都更有理由焦虑——他的知识体系更庞大、沉没成本更高、被要求改变的幅度也更大。但他既没有恐慌，也没有装作一切尽在掌控。他说的是：

我首先需要做的事情是：更新我的知识体系。

不是"我要转型"，不是"我要拥抱变化"这种口号，而是非常朴素的一句话：更新。承认旧的不够用了，但也没有把旧的扔掉。

然后他紧接着说了另一句：

过去140年工业革命验证过的铁律仍然有效，但这些铁律需要被翻译成新的语言。

这两句话放在一起，就是一个50岁老兵在2026年给出的答案：不恐慌，不自满，持续翻译。

对比我们自己，做 AI 合规也好，做功能安全也好，做风险评估也好——核心能力并没有失效。对系统风险的直觉、对安全边界的判断、对合规框架的理解，这些东西不会因为 AI 的出现就突然没用。变化的是工具和语境，不变的是底层的工程判断力和安全思维。

焦虑的本质，往往不是因为你真的会被替代，而是因为你不确定该往哪个方向更新。胡峥楠给出的路径很清晰：不是抛弃经验，而是把经验翻译成新语言。

翻译工作正在进行。这句话比任何"转型宣言"都更诚实，也比任何"坚守传统"都更清醒。

尚未被定义，恰恰是最有价值的位置。