上个月，深圳车展的现场，一位日本汽车工程师盯着奇瑞展台屏幕上的数据，用近乎喃喃自语的声音说了一句：“这个数字……原来是真的。”
他面前的屏幕清晰显示着：48.57%。这是奇瑞“鲲鹏天擎”混动发动机刚刚公布的热效率峰值。旁边另一块展板上，吉利的数据是48.41%，长安则标注着“全球首款量产500巴高压缸内直喷”。
日经中文网在2026年6月下旬集中报道了这一系列突破。报道指出，中国自主品牌正在混动发动机这一昔日被认为是“日本技术腹地”的领域，完成技术反超。以往市面在售常规汽油发动机热效率区间多在38%到45%之间，而奇瑞直接宣称其48.57%的数据位居全球量产机型首位。
当热效率这个曾经象征着日本车企技术优越感的数字，开始被中国品牌反复刷新时，一场关于汽车“心脏”的深刻变革，已经在发动机气缸的每一次燃烧中悄然发生。
要理解这0.57个百分点、1.16个百分点的提升意味着什么，得先看看过去几十年发动机燃效优化都经历了什么。
传统发动机优化是一个典型的系统工程：燃烧室形状的改进，活塞顶部的微调，进排气道的流体力学优化，气门正时的精密控制，高压直喷系统的压力提升……每一项都能在效率上带来些许改善，但每一项也都面临边际收益递减的困境。
更让人头疼的是，这些改进往往互相制约。优化燃烧室可能影响进气效率，提升喷油压力会增加制造成本，调整气门正时又得考虑全工况的适应性。传统标定方法依靠工程师的经验积累和大量台架测试，一个完整的标定周期可能需要数千小时，覆盖上百个工作点的数据采集。
瓶颈在于，人脑处理复杂非线性系统的能力有限。发动机在不同转速、不同负载、不同温度、不同海拔下的最优工作点，是一个多维度的超曲面，传统方法只能通过离散采样来近似逼近。而即便是最优秀的工程师，也很难在成千上万个参数组合中找到全局最优解。
这时候，吉利走的是一条完全不同寻常的路。
吉利i-HEV智擎混动系统在2026年4月正式发布，其核心突破点之一就是“活用人工智能改善了燃效”。这套系统基于全域AI2.0架构，搭载GEEA3.0电子电气架构和星睿AI云动力2.0大模型。
从数据层面看，AI的学习基础是海量的多维数据。不仅有传统的台架测试数据，还包括实车运行中采集的海拔、湿度、温度、交通状况等环境参数，以及数以百万计用户的驾驶行为数据。这些数据构成了训练AI模型的“燃料”。
模型层面，深度神经网络被用来学习发动机工作的复杂映射关系。进气量、喷油时刻、点火提前角、EGR率、可变气门正时……这些参数与最终热效率、排放、动力响应之间的关联，被抽象成一个高维函数。AI的优势在于，它不依赖工程师预设的物理模型，而是直接从数据中发现规律。
最关键的优化层面，AI实现了传统方法难以想象的多目标实时优化。在传统标定中，工程师往往需要在不同工况下做取舍：低速时优先省油，高速时兼顾动力，冷启动时考虑排放。而AI可以同时考虑热效率、排放、NVH（噪声振动平顺性）、动力响应等多个目标，在不同工况下动态调整控制策略。
更厉害的是前瞻性优化。基于对前方路况、坡度、交通信号的预判，AI可以提前调整发动机工作状态，让每一次燃烧都发生在最优区间。这种“预判-优化”的能力，是传统标定方法几乎无法实现的。
从数据采集到模型训练，从仿真验证到车载控制器部署，吉利构建了一个完整的AI驱动研发闭环。这个系统的可怕之处在于它的自我进化能力：每多一辆车在路上跑，就多一份数据反馈；每多一份数据，模型就多一分优化可能。这是一个越用越聪明的系统。
当AI开始深度介入发动机控制，带来的效率提升已经不仅仅是热效率数字的变化。
吉利星瑞i-HEV在百城节油赛中跑出了实测百公里油耗2.58升的成绩，而在更极端的测试中，帝豪i-HEV智擎混动甚至将百公里综合油耗压到了2.22升，打破了丰田普锐斯此前创下的纪录。相比日系主流混动车型4升左右的百公里油耗，这个差距已经超出了“追赶”的范畴，更像是“代差”。
这种效率跃升的根源，在于研发范式的根本转变。
传统发动机研发遵循着典型的“设计-试制-测试-标定”线性流程。一个发动机项目从概念到量产，需要三到五年甚至更长时间。每一次设计变更都需要重新开模、制造样机、台架测试、实车验证，成本高昂，周期漫长。
而AI驱动的研发模式更像是一个“仿真-学习-优化”的迭代循环。在虚拟环境中，AI可以快速模拟数百万种参数组合，找到最优解后再进行物理验证。这种方式不仅大幅缩短了开发周期，更重要的是扩展了寻优空间——人类工程师可能只会尝试几十种方案，而AI可以探索数千、数万种可能性。
竞争壁垒也因此悄然重塑。
过去，发动机技术的壁垒主要体现在机械设计经验、精密加工能力、材料工艺水平等“硬实力”上。日本车企经过数十年积累，在这些领域确实建立了深厚的护城河。但当AI成为核心变量后，竞争开始转向数据积累、算法能力、软硬件协同等“数字实力”。
这不是说机械精度不重要了，而是说单纯的机械精度已经不足以构成绝对优势。一个能够通过AI优化将热效率从45%提升到48%的系统，其价值可能超过了将加工精度再提升一个数量级。
更重要的是，这种数字壁垒具有强烈的网络效应。谁的车卖得越多，谁就能收集更多数据；谁的数据越多，谁的AI模型就越准确；谁的模型越准确，谁的发动机效率就越高，产品就越有竞争力……这是一个正反馈循环。
丰田的THS系统，本田的i-MMD，这些曾经如雷贯耳的名字，定义了混动技术长达二十多年的发展路径。丰田通过行星齿轮组实现功率分流，本田采用双电机串并联结构，两者虽然技术路线不同，但核心逻辑都是“以油为主、电为辅”。
日系混动凭借稳定的性能，量产机型热效率长期稳定在41%-45%区间，在全球混动动力第一梯队占据主导地位。丰田THS混动系统搭载的发动机热效率约41%，本田i-MMD混动搭载发动机最优热效率约45%。这些数字曾是日系技术优越感的来源。
但现在，中国品牌选择了另一条路径——“电驱主导、油电协同”。
吉利i-HEV智擎混动实现发动机与电机完全解耦，以电驱为主，发动机仅在最节能的区间工作。WLTC工况下电驱占比超过80%，发动机工作时长比传统混动减少27%以上。长安蓝鲸超擎混动虽然原理与丰田THS类似，但通过更深度协同实现了效率跃升。
这种技术路径的根本差异，让油耗对比出现了颠覆性结果。搭载蓝鲸超擎的第四代逸动，城区实测百公里油耗低至2.98升，而丰田卡罗拉双擎市区油耗稳定在4.0-4.5升，本田思域混动WLTC综合4.1升。中国品牌在城区工况下保持了约1.2升的领先优势。
面对这种局面，日本车企的应对显得有些措手不及。
2025财年，本田录得净亏损4239亿日元，这是该品牌自1957年上市69年来首次出现全年亏损。日产同样录得5331亿日元巨额亏损，连续两年深陷赤字泥潭。丰田、铃木、马自达等日本七大车企同步下调2026财年利润预期，七家企业合计净利润预估较2023财年行业峰值近乎腰斩，降幅达48%。
本田社长三部敏宏在财报发布会上坦言：“我们已经到了生存危亡的边缘。”而本田69年盈利记录破碎的背后，是整个日本汽车工业的系统性问题。
日系车企可能采取的策略，包括加速自身的智能化转型、强化氢能源等替代路线、或加大在华本土化研发投入。但无论选择哪条路，都需要面对一个残酷现实：技术优势窗口期正在快速收窄。
对中国制造而言，发动机技术的突破有着超出汽车行业本身的意义。
这证明在核心“心脏”领域实现非对称超越的可能性是真实存在的。过去那种“市场换技术”的被动局面正在扭转，取而代之的是“技术创市场”的主动出击。当奇瑞、吉利、长安能够在热效率这样的硬核指标上超越日系标杆，整个产业链的信心都会被提振。
更重要的是，这种突破展示了技术融合创新的巨大潜力。AI与发动机的结合，不是简单地把新技术套在老架构上，而是通过数字化、智能化重新定义传统工业产品的研发逻辑。这为其他工业领域提供了可复制的范式。
对全球汽车行业来说，中国在混动发动机领域的追赶，预示着一个新时代的到来：汽车工业竞争正在进入“软件定义硬件、数据驱动创新”的阶段。机械精度依然重要，但算法能力、数据积累、系统集成正在成为更关键的决定因素。
奇瑞的48.57%，吉利的48.41%，这些数字的意义已经超出了技术参数的范畴。它们是中国制造业从“跟跑”到“并跑”甚至在某些领域“领跑”的缩影，是持续投入、创新范式转换与市场生态共同作用的结果。
日本车企用了数十年时间建立的内燃机技术优势，正在被一块块撬走。这不是某个单一技术的突破，而是系统性的范式转移。当AI开始深度介入传统工业的核心环节，效率革命的序幕才刚刚拉开。
值得深思的是，这种技术融合的趋势会走向何方？AI与传统工业技术的深度融合，是否会彻底改变汽车动力系统的研发逻辑、产业分工乃至商业模式？当算法能够比人类工程师更精准地控制每一次燃烧，当数据成为比石油更重要的“燃料”，汽车工业的版图将如何重绘？
未来的发动机可能不再仅仅是机械精密的艺术品，而是数据智能的载体。每一次点火都是一次算法优化，每一段行驶都是一次模型训练。在这样的世界里，竞争优势的源泉会发生根本性的转移。
AI会不会彻底改变传统汽车工业？这个问题已经不再需要答案，因为改变正在发生。
