这辆测试车是一辆 Jeep Grand Cherokee。挡风玻璃裂了，两侧后视镜各切掉一块，好装摄像头。负责 Stellantis 免手持方向盘驾驶项目的 Joydip Saha 说，它是整个停车场里最破的一辆车。仪表台上的黄色盒子是紧急停用开关，按一下，驾驶员就能接管方向盘。在密歇根州奥本希尔斯的 Chrysler Technology Center 地下停车场里，系统需要 Saha 帮忙时会发出提示音。眼下它就迷了路：这座菱形车库像个迷宫，车正驶向错误的出口。Saha 把手放回方向盘。可到了郊区道路上，同一套软件却能应对一个更复杂的路口：两名驾驶员同时违规变道。
每个新版软件，Saha 都会亲自上车试，有时一周两次。《财富》记者 Nick Lichtenberg 在中心待了两天，并于 11 月 1 日发表报道。Saha 告诉他，借助 AI 工具，团队六周就开发出了 Cherokee 的免手持方向盘驾驶系统。类似项目过去要花一年，甚至 18 个月。不过，他有一条规矩：“我不会让大家用 AI 设计架构，因为那样他们就会忘掉怎么调试。”
想把四年的开发周期压缩到两年
Stellantis 迫切需要提速。据《财富》报道，公司打算从 2027 年的两款车型开始，把整车开发时间从四年缩短到 24 个月。这家集团经营着 14 个品牌，欧洲业务正在亏损，第二季度调整后营业利润率只有 1.8%。首席执行官 Antonio Filosa 为 2030 年定下的目标是 7%。今年 2 月，公司为押注电动汽车的投资计提了约 222 亿欧元、合约 265 亿美元的减值，股价当天下跌 25%。《财富》称，其股价今年以来已跌近 60%。
在 Iacocca 于 1991 年揭幕的这座大楼里，工程师能说出具体在哪些地方省了时间。软件工程经理 Ben Zawodni 正在将数百个独立的电子控制单元整合进一台名叫 STLA Brain 的中央计算机。他说，为一个全球可观测性平台做概念验证只花了一周。他回忆，没有编程智能体时，这项工作大概要花六个月。过去需要两三周才能修复的缺陷，现在两三天就能解决。
在空气动力学部门，Arturo Guzman 的团队修改了 Ram 皮卡前部分流器的设计，再用训练好的模型估算风阻，约三分钟就有结果。完整模拟原本要花 14 至 24 小时。大约五年前，Guzman 把 AI 引入团队。他向副总裁们解释时说得很朴素：“没有奇迹，也没有魔法。”他把模型叫作实习生。与此同时，据风洞主管 Steve Kubiak 介绍，公司的风洞通常仍是一天测一辆车。提速的只是分析环节：一名同事把最近 20 次测试的数据交给助手，问它从中看出了什么。
这些数字来自工程师本人，经记者转述。它们描述的是单个项目，不能代表公司整车开发周期的变化。
工作反而更辛苦了
说起亲身感受，这些工程师给出了更复杂的答案。Zawodni 说，智能体工具让工作容易了许多，可他自己也在问：“那我怎么反倒干得这么辛苦？”他估计，现在自己至少比以前卖力一倍，还感到“一股巨大的紧迫感”。他说，团队里的人反应不一。“我觉得就像有一把发令枪，枪已经响了，”他说，“有人听到了，有人没听到。”说到手下的工程师，他又补充道：“工程师真的很怕失去自己的核心技能。”他们想知道，为什么一个分号放在这里会起这样的作用。他觉得这种好奇心有道理，但也希望他们能转向架构设计。
Saha 那条规矩指向另一个方向，而这两位经理就在同一栋楼里工作。一个希望工程师更快成长为架构师，另一个则不许工具代做架构设计，因为面对涉及安全的产品，工程师仍须有能力回答每一个问题。
另一些人觉得，改善的是质量，时间倒未必省了。Mel Roberts 负责规划五到八年后的车载信息娱乐功能。她说，AI 研究工具会返回 10 至 15 个来源，她得逐一核查。“我不觉得它省时间，”她说，不过工作成果确实更扎实了。Amanda French 负责领导平台团队，她用 AI 汇总散落在各地系统里的需求和物料清单。这些系统设计时压根没打算互通，是公司多次合并留下的问题。两人都认为，最后仍得靠人来判断。“AI 不会告诉我们下一代平台该是什么样，”Zawodni 说。
这种现象并非底特律独有。10 月 20 日，Linux Foundation 发布了一份针对开源项目的调查。59% 的维护者说，自生成式 AI 兴起以来，收到的贡献越来越多；据估计，新收到的拉取请求中有 25% 质量较差。流程一端产出得更快，另一端的审查工作就多了起来。在 Stellantis，负责审查的恰恰是写代码的那批工程师。
鼓励员工让岗位离得开自己，同时继续招人
首席工程与技术官 Ned Curic 曾任职于 Amazon、Microsoft 和 Toyota。他正在推介一个自己也知道很难让人接受的观点：“对职业发展最有益的事，就是让岗位不再非你不可。”他说，自己就这样做过好几次：把团队带上正轨，再去做别的事。他认为，公司得随时为做到这一点的人准备好新机会。据《财富》报道，他 10 月在巴黎车展上还告诉彭博社，Stellantis 今年将在欧洲和美国增聘“好几百名”工程师。
对于公司走到了哪一步，Curic 并不回避。一些团队取得了“惊人的成功”，他说，但“就整个组织而言，我们还没到那一步”。领导约 400 人技术研究团队的 Anne Laliron 则观察到，资深工程师记得过去的失败，有时“他们的大脑会把一些门关上”。那些在自家地下室摆着赛车模拟设备的年轻工程师，一上手就适应了驾驶模拟器。相比之下，开了 10 年或 20 年实体原型车的试车手，接受起来要慢些。
四年后或许会有答案
负责中型和大型 SUV 的整车总工程师 Alison Rahm 记得 1997 年的一次员工会。当时上司对大家说，一种叫电子邮件的新东西要来了。“我们所有人都慌了神，”她说。散会后，他们回到办公桌前，试着用了起来。如今，过去由她手工完成的核查已有 AI 代劳，比如逐项核对约 1000 条工程设计规范。这样一来，工程师就腾得出时间，反过来问一句：这些规范本身合理吗？
Rahm 还不打算省去复核这一步。她说，有了虚拟碰撞测试后，好多年里工程师仍然会把真车撞向墙壁，以确认自己的假设确实站得住脚。有人问她，还要多久，大家才会同样信任 AI？她沉思片刻，说还需要一个开发周期：“我觉得是四年。”这样算下来就是 2030 年，也正是 Filosa 承诺利润率要达到 7% 的那一年。
参考文献
- Boysel, S., & Lai, A. (2026). Navigating Open Source Software Development in the Generative AI Era: Challenges and Opportunities for Project Communities (announced by the Linux Foundation, 20 October 2026). prnewswire.com
- Lichtenberg, N. (2026). ‘The best thing that you can do for your career is to make yourself redundant’: Inside Stellantis’ AI push after the ‘starting gun went off’. Fortune. fortune.com