2026年的行业会议密度明显上来了。前两天刚参加完2026汽车AI技术研讨会暨产业链对接会朋友圈被刷了一整天的屏。这场会放在上海办规模不算夸张但来的人非常“对口”主机厂的智驾和座舱负责人、AI算法团队、芯片与计算平台厂商、数据工具与仿真服务商甚至还有不少做车规级软件中间件的团队。以前参加行业会大家聊的是智能驾驶渗透率、城市NOA开城进度这次从头到尾听到的高频词变成了大模型上车、端到端、数据闭环、舱驾一体、AI定义汽车。汽车AI这几个字终于不是PPT里的概念了而是被当成一条需要产业链共同蹚出来的路在谈。这篇算是我个人的参会复盘适合两类朋友看一类是做智驾、座舱、AI算法的工程师和产品经理另一类是想着切入汽车AI赛道、但还没找到正确姿势的创业者和投资人。我不打算给你复述官方通稿而是想把研讨会上真实被反复讨论的问题、对接会上供需双方真正在意的事以及我自己在现场观察到的行业信号整理成人话版本。文章可能有点长但每一段都是会场里的真实信息建议先收藏再慢慢看。1. 这场会议的由来与现场全貌——一个汽车人的第一手观察1.1 为什么2026年需要这样一场对接会先说个背景。汽车AI这两年已经从“能不能做”走到了“怎么量产”“怎么赚钱”的阶段。算法Demo到处都是但真正能上车、能通过车规认证、能在成本约束下规模交付的东西还不多。行业里最大的问题不是单点技术不够强而是产业链上下游彼此不熟悉做算法的不懂整车流程做整车的不清楚AI公司的真实能力边界做芯片的又不知道主机厂下一代平台到底需要多少算力。这场研讨会的定位就是把这些角色拉到同一个场子里。主论坛讲技术趋势下午的产业链对接会做供需匹配。和很多务虚的行业峰会比这场会明显更偏向“做实事”大家坐下来谈的是一年内的采购计划、定点机会、联合研发项目而不是三年后的宏大愿景。1.2 会场里的人群画像谁来了、谁在急我上午在会场转了一圈展区规模不大但每个展位前都有人站着深聊。做数据标注和仿真服务的展台被围得最满旁边做车端推理引擎的团队也一直在加微信。这个细节挺有意思——算法公司嘴上都在聊模型身体却很诚实地在找数据治理方案和端侧部署工具。参会的基本可以分成四类主机厂与Tier1团队带着具体的降本需求和技术选型清单来想找能快速落地的AI方案。AI算法与软件公司带着端到端模型、座舱大模型、感知算法来想找量产上车的机会。芯片与计算平台厂商展示下一代车规SoC的算力带宽和工具链普遍在抢下一代平台定点。数据、仿真、测试与工具链服务商提供数据合规采集、标注、合成数据、场景库、AI测试验证属于产业链里的“卖水人”。大家都在急。主机厂急的是2026年新车型的AI功能能不能按时落地AI公司急的是手上的模型找不到工程化和量产的出口芯片厂商急的是软件生态跟不上硬件迭代速度。这种“人人都急”的状态恰恰说明产业链已经到了需要深度绑定的阶段。1.3 一整天的议程节奏与我的注意力轨迹上午主论坛的节奏很快八个报告下来几乎没有中场休息。印象比较深的是几个议题端到端智驾模型从道路测试到量产交付的工程化路径、舱驾一体中央计算平台的演进、车载大模型在座舱里的真实用户价值以及数据闭环与合成数据如何补上Corner Case。下午的产业链对接会是我收获最大的一段参会企业按“智能驾驶”“智能座舱”“AI基础设施”“计算平台”几条线分组洽谈每个组都聊得超出预定时间。我自己的注意力轨迹是这样的上午还带着“看行业趋势”的心态记笔记下午对接会开始后就完全切换成了“看供需双方怎么谈需求”的状态。很多在公开演讲里不会说的真话在对接环节里全漏出来了。2. 研讨会核心议题解构2026年汽车AI落地卡点究竟在哪2.1 端到端大模型从演示到可量产还有多少距离会场上关于端到端的讨论和我预想的差别很大。前两年大家聊端到端聊的是网络结构、多模态融合、BEV感知这些偏学术的话题这次大家聊的重点变成了训练数据怎么配比、Corner Case怎么发现、模型迭代怎么不伤害已有能力。说白了端到端模型已经从一个“AI圈的热点”变成了一个“量产工程问题”。有个主机厂的智驾负责人说了一段挺实在的话端到端模型的上限很高下限也很低。演示视频里跑得很顺但规模交付时要面对的是全国各地的复杂路口、极端天气、施工改道以及那些从没出现在训练数据里的场景。现在的核心矛盾是模型参数量越来越大、训练成本越来越高但真实道路场景的覆盖效率并没有同步提升。所以大家都在补数据闭环用影子模式采集真实长尾数据再用仿真场景去回灌模型训练。会场上一个被反复提及的做法是“训练-仿真-实车”三位一体的迭代飞轮实车采集数据、云端训练模型、仿真做回归测试形成闭环。听起来不复杂但真能把闭环跑起来的团队全国数得过来。另一个被讨论很多的技术路线是“多模态大模型进感知”。传统感知是“摄像头雷达规则后融合”现在更多团队在尝试把视觉语言模型直接接进感知链路让系统能“看懂”交通参与者的意图。但这条路离量产还有距离主要卡在车端算力、推理延迟以及功能安全认证标准上。我的判断是端到端大模型和三段式架构感知-预测-规划会在未来两三年里并存纯端到端全面上车还早但端到端的思想——用数据驱动代替规则堆叠——已经渗透进每个模块了。2.2 舱驾一体座舱和智驾第一次共用“大脑”之后这届会上“舱驾一体”被提到的频率高得惊人。核心逻辑很简单以往座舱用一颗座舱芯片、智驾用一颗智驾芯片两颗芯片算力冗余、散热成本高、软件栈还不通现在芯片算力上来了一颗高算力SoC同时跑座舱和智驾硬件成本下降软件还能跨域调度比如智驾的摄像头画面直接给座舱做AR-HUD座舱的语音助手调用智驾的感知结果理解路况。一位做计算平台的嘉宾分享了一个让我印象深刻的判断舱驾一体的价值不只是省一颗芯片而是让车第一次有了一个统一的“操作系统级别的AI运行时”。过去座舱AI和智驾AI是两个部门、两套工具链、两个迭代节奏做座舱的不知道感知模型输出了什么做智驾的也不关心语音助手做了什么。舱驾一体在组织层面倒逼大家把AI能力放进同一个基座里去设计。不过反对的声音也有。有工程师私下跟我说舱驾一体最大的风险是故障隔离。智驾出问题涉及功能安全座舱出问题最多是体验受损两者跑在同一颗芯片上怎么保证“互不干扰”是个系统工程问题。当前行业普遍在做的是硬件上舱驾一体、软件上虚拟化隔离先把硬件成本降下来再把安全机制一点点补上。2.3 数据闭环没有数据治理再强的算法也是无米之炊会上有个很有意思的现象几乎所有讲算法的嘉宾讲到一半都在讲数据。一个做量产智驾的技术VP直接说他们现在最大的瓶颈不是模型结构而是数据团队的产能——如何从海量行驶数据里把有价值的片段挖出来如何给这些片段打上高质量标签如何用这些数据高效地提升模型表现。这就引出数据闭环的几个关键环节采集、挖掘、标注、训练、评测、回流。所有环节都围绕着一个目标让每一次实车运行都变成模型进化的燃料。影子模式现在已经是标配车辆在运行中如果遇到系统不确定的场景会自动截取数据回传云端再做场景挖掘聚类出高频的、危险的Corner Case优先标注和训练。但数据闭环真正难的不是技术而是基础设施。一个做数据平台的朋友说他们服务的某家车企一天回传的数据量就能达到PB级存储和带宽成本高得吓人。所以现在大家都在做“车端预处理”——先在车上做场景筛选、去掉大量重复冗余帧只回传对模型有价值的压缩数据。这就很考验工程能力了既要在车端跑得动又要能识别出什么数据值得回传。另外合成数据被讨论的次数也比往年多。真实数据采集成本高、合规风险大、长尾场景出现概率极低仿真合成数据可以针对性地生成事故形态、极端天气、罕见交通参与者的组合。大家普遍认同的思路是真实数据定基准合成数据补长尾两者结合才能把模型的地板抬高。2.4 车载智能体与多模态交互AI开始重新定义车内体验座舱AI的讨论也升级了。前两年聊的是“语音助手能不能听懂人话”现在聊的是“车载智能体能不能自己干活”。会上有家公司演示了一套基于大模型的座舱Agent用户说一句“我有点冷找个地方喝热饮再去充电”系统会结合车辆剩余电量、沿途充电桩状态、用户历史偏好规划出一个包含充电、餐饮、休息的整体方案然后逐项确认执行。这种交互方式和传统的“指令-执行”完全不同它要求系统能理解用户的意图、能调用车内外多模态信息、能做规划决策、能通过自然语言与用户确认。技术框架上现在的普遍做法是大模型做大脑中枢负责意图理解和任务规划周边的专用小模型和车控API做执行手脚。例如调用空调控制、导航路线规划、充电桩查询等原子能力。但一个被讨论很多的问题是大模型幻觉。车载智能体给出的方案如果出错了用户会很生气而且涉及驾驶安全和车辆控制时根本不能出错。所以量产方案普遍采用“大模型生成规则引擎校验”的双层结构大模型负责理解需求、生成计划规则引擎负责审核计划的可行性和安全性。我在现场听到的一个说法很有共鸣车载大模型的工程核心不是把模型调得多聪明而是把“不聪明”的地方全部用工程手段兜住。2.5 算力底座一个绕不开的产业级瓶颈关于算力的讨论几乎是整个会议绕不开的暗线。理想很丰满端到端大模型、多模态感知、车载语音大模型、舱驾一体全都要吃算力现实是车端SoC的功耗、成本、散热都在约束算力天花板。会上一位做芯片的朋友给了个数字参考现在主流的高阶智驾平台已经到几百TOPS级别下一代舱驾一体平台普遍瞄准千TOPS级别。但车规级芯片的功耗墙是很硬的约束一百瓦以上的散热成本在整车上很难被接受。所以算力的竞争不只是堆峰值还要看能效比、内存带宽、工具链成熟度以及AI算法在特定芯片上的适配效率。深度绑定成为趋势。主机厂和芯片厂商不再是简单的买卖关系而是联合定义规格。有主机厂直接说他们下一代平台的核心芯片已经提前两年锁定了——因为座舱大模型和端到端智驾的训练和推理直接决定了算力需求反过来芯片的算力分配也决定了哪些AI功能能上车。这种“共同定义”的模式会让汽车AI的技术路线和芯片路线在很长一段时间内交织演进。对创业公司来说如果不早点搞清楚自己的软件跑在什么硬件上、能拿到多少算力预算后面会很被动。3. 产业链对接会上最真实的声音供需双方为什么总谈不拢3.1 主机厂的需求清单降本、确定性与数据主权下午的产业链对接会才是真正的“信息密度之王”。我跟着智能驾驶那条线旁听了几轮感慨很多。主机厂的需求比外界想象中具体得多。他们要的不只是“你的算法有多牛”而是一整套能够支撑单车BOM目标成本的方案一套能够在明年Q3 SOP量产启动的时间表一个能在车辆生命周期内持续OTA迭代的团队以及一个能对数据安全、功能安全、预期功能安全负责的供应商。对AI公司来说这些要求每一项都不好满足尤其是“确定性的交付时间”——算法模型要迭代怎么可能承诺三个月后一定做到某个指标但主机厂的态度也很明确芯片、电池、底盘都是按时间表倒排的AI产品凭什么例外数据主权是另一个敏感话题。几乎所有主机厂都强调车辆数据的所有权必须属于整车厂。AI公司可以用数据做模型训练但数据不能被“拿走”。有家AI公司的商务私下吐槽说数据不出域这个要求让他们的模型迭代效率大打折扣。但这已经是行业的主基调聪明的AI公司现在都顺势推出了“本地化部署联合训练”的模式把训练环境放到车厂的合规区内大家共同使用模型产物但原始数据永远属于车厂。3.2 AI公司的牌算法、工具链与规模化复制能力AI公司这边手里能打的牌其实没有想象中那么多。算法模型本身很难形成长期壁垒因为大模型技术的扩散速度太快了今天你发布的方案三个月后别人也能做出来。真正形成壁垒的是数据工具链、端侧工程能力、场景运营经验、以及把模型塞进车规芯片并跑得又稳又快的能力。现场一家做端侧部署的公司展示了他们的工作把一个大语言模型量化压缩后部署到车规级座舱芯片上首字延迟控制在几百毫秒以内内存占用降了一个数量级。这个能力看着不炫但主机厂非常买单因为座舱大模型的体验很大程度取决于端侧推理的流畅度。云端推理响应再好也绕不开网络延迟和流量成本真正量产还是要靠端侧。一个明显的趋势是AI公司普遍不再向主机厂推销单一算法而是打包成“能力模块”或“AI中间件”提供标准接口让主机厂能自由替换内部的模型、数据或功能模块。这样做的好处是可以降低主机厂的定制化恐惧——AI技术迭代太快如果被一家供应商用私有格式绑死主机厂会很不安。3.3 Tier1的尴尬位置被AI夹在中间的交付商这次对接会里Tier1的身份有点微妙。传统Tier1的角色是把芯片、传感器、软件整合成完整的域控制器交付给主机厂但在汽车AI时代算法公司开始绕开Tier1直接跟主机厂谈芯片厂商也开始往下游延伸做参考设计和工具链Tier1的价值面临挤压。一位传统Tier1的技术总监话语里带着焦虑现在主机厂会把算法能力单独拿出来招标把芯片也单独定点留给Tier1的只剩下“组装和制造”的利润空间。过去靠黑盒交付吃红利的日子一去不复返了。不过也有Tier1转型很坚决的他们把自己定义为“AI系统的工程化总包”专门承接算法公司落不了地的工程问题——车规认证、热设计、线束连接、故障诊断、量产一致性。这个定位我很看好。算法公司擅长从0到1Tier1擅长从1到10000在汽车AI落地的新征程上两者的合作反而比过去更紧密了。3.4 现场观察靠“数据服务”的展位反而最火前面提到过数据服务商的展位被围得最满这背后是有原因的。当时有家数据公司的负责人跟我说了一句很有意思的话2025年大家还在抢算法人才2026年大家开始抢数据人才了。模型架构可以抄数据质量抄不了。具体来说主机厂现在急需的数据服务包括合规的数据采集方案满足数据安全法规的路采和回传体系、高效率的标注平台尤其是4D标注、多模态融合标注、场景库建设把真实危险场景和极端场景结构化以及合成数据生成能力。任何一个环节做扎实了都能形成极强的黏性。因为数据基础设施一旦用上替换成本极高而且越积累越值钱。这也是为什么我反复跟创业的朋友说如果你现在想切入汽车AI赛道数据服务比算法模型更值得关注——算法窗口期短数据需求却会随着量产规模越来越大。3.5 从“买卖关系”到“联合定义”能成事的合作长什么样对接会上聊得深、能推进的合作几乎都有一个共同特征双方已经进入了“联合定义”而非“甲方乙方”的模式。什么是联合定义以舱驾一体为例主机厂不会只是说“我要一颗芯片、一套软件”而是会邀请芯片公司和AI公司一起坐到会议室里共同定义下一代计算平台的算力分配、内存架构、工具链需求、安全机制。这种合作方式前期成本很高沟通代价很大但一旦定义完成后续的开发效率会高很多而且能避免“芯片不支持我想跑的模型”这种最致命的返工。一位主机厂的采购负责人说了一段让我印象很深的话过去我们买的是黑盒子现在不行了。AI系统太复杂我们不知道该买什么供应商也不知道该卖什么只能一起画图纸画完再谈价格。这段话基本概括了当前汽车AI产业链从“采购逻辑”转向“共创逻辑”的本质。4. 从Demo到量产必须一起蹚过的四条河4.1 第一条河Demo指标和真实体验的落差对接会上不止一个主机厂的人提到被Demo坑过的经历。AI公司放出来的演示视频里跑得行云流水机器人变道、无保护左转、狭窄道路会车全都处理得漂亮得不行。但一上实测路况要么频繁接管要么策略保守得像新手司机。这里面有一个行业性的指标错位。AI公司习惯用公开数据集刷分测试集是固定的模型的分数高就代表效果好但主机厂在乎的是千公里接管次数、通行效率、体感舒适度这些指标需要海量的真实路测才能验证。一家头部智驾公司分享了一个让我很受用的做法他们现在不把公开数据集分数作为内部考核指标团队只考核实车路测的接管率和用户投诉率。任何在公开数据集上刷高的模型都要先在真实车队上跑够里程才能进入发布流程。这个经验我觉得可以直接拿给任何做AI落地的团队参考指标的最终裁判是真实的用户场景而不是测试集。宁可一开始指标难看一点也要把真实数据回流到迭代里让模型和现实世界之间建立持续校准的机制。4.2 第二条河安全冗余与失效降级传统汽车工程对安全的要求非常极端双冗余、三冗余、fail-safe降级这些规则是百年汽车工业用血的教训换来的。AI模型再聪明本质上依然是一个概率系统没法保证100%的正确。两者的思维方式冲突在量产项目中几乎天天都在发生。会议上有人提出一个务实的方向不要求AI系统永远正确而是要求AI系统能“知道自己不知道”并且在不自信的时候把控制权交还给驾驶员或底层的规则控制器。这个逻辑对应到工程实现就是“AI是驾驶员规则系统是安全员”的双层架构。AI负责正常驾驶体验规则系统负责监控AI的行为边界一旦发现AI的决策超出预设的安全包线立刻修正或强制降级。还有一个点是功能安全认证。传统功能安全框架下要做ASIL-D级别的认证流程非常严格。AI模型天然的黑盒属性让认证工作变得极其困难。会上有专家提到目前行业正在探索“AI功能安全”的新范式核心思路是不对模型本身做认证而是对模型的外部行为做监控并建立可量化的安全指标。这个方向还在早期但值得关注。4.3 第三条河数据合规与数据主权边界数据的问题在汽车AI里比很多人想象的更复杂。一辆智能汽车每天产生大量数据包括道路信息、驾驶员行为、车内语音、生物特征等。这些数据既敏感又有价值监管的要求也在不断细化——数据不出境、最小化采集、匿名化处理、重要数据目录申报每一条都在给AI团队加约束。一位做数据平台的朋友说他们现在最头疼的不是技术问题而是数据合规的“灰色地带”怎么处理。比如自动驾驶系统在行驶过程中采集的路面图像哪些属于地理信息数据哪些属于交通管理数据边界并不总清晰。车端预处理和脱敏策略成了必需品先对数据进行结构化筛选、人脸/车牌脱敏再决定哪些数据可以回传、以什么形式回传。数据主权问题则直接影响商业合作模式。主机厂普遍要求模型训练数据不出自有平台这逼着AI公司把训练能力搬进车厂或者干脆从“拿数据训练模型”变成“带着模型和数据流水线进场”。这个变化对行业格局的影响很大手握数据治理能力的公司会成为产业链里不可替代的节点。4.4 第四条河AI团队与整车工程团队的“翻译问题”这可能是最容易被忽视、但实际最磨人的一条河。AI团队和整车工程团队来自完全不同的物种AI团队习惯了快速试错、快速迭代一个idea一个月就能做成Demo整车工程团队习惯了V字开发流程、变更管理、文档留痕一次变更走完流程要好几周。两边坐在同一间会议室里语言都不通。对接会上有个略显夸张但很真实的例子AI团队交付的一个感知模型因为升级了算法帧率提升了但在整车团队那边这个变化被判定为“软件变更”需要重新走一轮完整的回归测试和验证流程。AI团队觉得不可理解整车团队觉得理所应当。要让这两拨人协同起来唯一的办法是建立一层“翻译机制”把AI模型的迭代语言转换成整车工程能理解的变更版本和风险等级。也就是说每次模型升级都要明确回答影响哪些功能性能指标变化多少风险影响范围是什么需要做哪些验证有家头部新势力的做法是成立“AI工程化中台”专人负责把算法团队产出的模型“包”成整车工程可以接受的交付物包括模型说明文档、风险报告、验证报告、OTA兼容性说明。这个中台团队人数不多但是整个公司AI落地速度的胜负手。我强烈建议所有打算把AI产品量产上车的企业都认真考虑设立这样一个角色它比多招几个算法工程师更管用。5. 关于“共启汽车AI产业落地新征程”我看到的几个确定性方向5.1 大模型上车的终局形态从“语音助手”到“接管体验”关于车载大模型会场上有很多讨论让我重新思考它的定义。过去我们理解的语音助手是“你说指令、它执行”2026年的大模型上车更像是“系统主动理解你的需求提供整体的服务方案”。比如座舱大模型会结合驾驶员的面部表情、身体姿态、语音语调、车内温度、剩余电量、前方路况推测用户当前的状态疲劳了、着急了、心情不好、需要安全感。然后主动调整座椅、音乐、氛围灯、导航策略甚至调整驾驶模式。这种“接管体验”的能力才是大模型相对传统规则引擎真正的飞跃。但这也是一个非常高的门槛系统必须足够懂用户又不越界让人感到被打扰。会上一个做用户体验的嘉宾说了一句很精辟的话好的车载智能体应该像个老朋友知道什么时候该说话什么时候保持安静。这个“打扰边界”的问题现在还没有标准答案但一定会成为下一代座舱产品竞争的核心。5.2 数据飞轮规模没意义闭环效率才有意义很多企业现在言必称“我们有多少万辆车、每天能采多少TB数据”但在会上有两个观点我更认同数据的规模优势只有在闭环跑通时才有意义否则那些数据只是躺在硬盘里的成本。一个有效的数据飞轮应该是这样转的量产车持续回传高价值场景片段自动挖掘聚类形成训练集训练后的模型先在仿真环境做万级场景回归通过后再OTA推送到量产车然后新的场景数据又回来。这个循环的周期决定了模型迭代速度。做得好的团队模型迭代周期能压缩到两周甚至一周在这个节奏下数据规模才有价值。会上的一个判断让我印象很深未来两三年汽车AI的竞争不再是模型结构的竞争而是数据飞轮转速的竞争。谁的数据闭环跑得快谁就能率先积累起别人难以追赶的迭代势能。5.3 舱驾一体和计算平台硬件先于软件完成收敛从芯片厂商透露的产品路线图来看舱驾一体已经是不可逆的趋势。2026年开始主流车规芯片厂商都在推舱驾一体的高算力SoC平台单芯片覆盖座舱、智驾、车控等多个域。硬件层面的收敛会比软件更快因为芯片的生命周期更长、研发投入更大主机厂一旦选定平台就会深度绑定。一个值得注意的细节是舱驾一体平台不只是算力叠加还带来了存储架构、高速通信、安全隔离等基础技术的变化。对做算法的团队来说这意味着需要调整自己的技术栈来适配新的硬件形态模型怎么切分、多模型怎么调度、内存带宽怎么分配这些工程问题会取代模型结构创新成为未来算法团队最有竞争力的能力。5.4 分界线哪些必须自研哪些必须交给伙伴汽车AI的产业链分工正在重新划定这个划分逻辑我在会上听出了相对清晰的轮廓整车定义和用户体验必须主机厂自研通用AI能力和基础设施可以交给伙伴。具体来说主机厂要自研的是场景定义、交互逻辑、数据策略、整车集成的顶层设计这些决定了一个品牌的AI体验差异而底层的通用感知模型、语音识别、大模型底座、端侧推理引擎这些技术通用性强、迭代成本高更适合由专业AI公司提供。产业链的经验表明试图什么都自研的主机厂最后都会被工程效率拖垮而什么都交给供应商的则会在体验创新上失去灵魂。5.5 汽车AI的溢出效应从车到机器人会后和几个朋友聊到未来的外延大家都认可一个判断汽车AI是具身智能的最佳起步场景。车上有算力、有传感器、有能源有大规模量产带来的成本摊薄这些条件和机器人高度同构。端到端智驾积累出的能力未来的物流小车、配送机器人、巡逻机器人、工业机器人都可能复用车上的这套感知、决策和执行引擎。如果一个国家的汽车AI产业链足够成熟那么它的机器人产业链就有了基础。会场里已经能看到跨界选手有几家过去做自动驾驶的公司展板上开始出现机器人产品线。这个溢出效应会让汽车AI的产业价值被重新评估——它不只是汽车产业的升级更是整个智能硬件体系的基础设施建设。我个人感触最深的是这届会议确实踩在了从概念验证到规模量产的关键节点上。研讨会上谈的问题从“算法准不准”变成了“交付行不行”“成本扛不扛得住”“数据闭环转得多快”这说明整条产业链已经开始用工程和商业的逻辑去思考汽车AI了。最后分享一个参会的小技巧如果你明年也要来这类活动不要只看主论坛的PPT一定要去产业链对接区多泡一泡那里听到的信息比任何演讲都真实。要是能提前准备一份清晰的能力介绍和技术指标清单对接效率会高出很多。带上自己实际量产项目里的芯片型号和指标数据你会发现能聊的深度完全不一样。