【技术发布】 “水木灵境”场景智能制造工场创新发布，以AI驱动的智驾评测基础设施破解智驾安全“长尾场景稀缺”难题
2026年10月28日，在第三十三届SAECCE中国汽车工程学会年会暨展览会现场，IAE智行众维以“双智引擎 闭环赋能”为主题举办技术创新发布会，联合西部智联、清华河北院物理AI模型和数据联合研发中心、吉利创新中心、上汽华域三电、吉行智途五家单位，共同发布AI驱动的智驾评测基础设施——“水木灵境”场景智能制造工场与“水木智境”XIL测试AI多智能体。
发布会上，IAE智行众维创始人兼CEO安宏伟将公司AI驱动的基础设施技术底座概括为三句话：元境为基，以灵境造数，用智境验车。其中，“元境为基”指的是公司研发构建的物理AI模型和数据技术底座，而“以灵境造数”所指正是“水木灵境”场景智能制造工场。
数据多、整理慢，工况覆盖不全、推演难，结果多、分析重——这是智驾研发测试一线长期面对的挑战。叠加真实道路驾驶数据以百万级增长、国标强标对场景覆盖提出更严要求等背景，场景如何被高质量、海量地“造”出来，成为亟需攻克的现实难题。IAE智行众维场景研发总监魏苗以三款AI Agent，回应了这一难题。
在一段很长的真实道路数据中，值得反复测试的关键交互场景往往只有短短几秒钟。CRAB通过AI从海量的记录中自动筛选找出高价值候选场景，让工程师的工作重心从反复筛选记录，转移到更关键的代表性判断上。更重要的是，CRAB不只是“剪片段”，它会对每个片段给出清晰的场景分类与精确的语义描述，让零散的测试片段沉淀成系统化、可管理的场景数据资产。
TUNA以ODD运行设计域要素为输入，如城市主干道、城市交叉口、固定信号等环境要素的分类与取值，结合上环境特征、交通参与者类型与多种行为可能性，进行全面、系统化的工况推理，帮助工程师发现人工难以想象且容易遗漏的测试工况，并让特殊场景持续积累，在后续研发阶段被持续调用。
当场景的覆盖扩展后，结果分析也必须跟上。STARFISH的AI洞察能力包含三个互相衔接的分析：
AI整体性评价分析，通过失效密度集中度、难度梯度敏感性、失效共现模式识别这三种图，分别回答了问题集中在哪里、系统在哪个难度下变弱、多个失效之间是否关联这三个问题，让排查资源投向最关键的问题。
AI失效案例分析，针对具体失效还原事件时间线，对照实际行为与预期行为提出待验证原因与假设。
AI补充测试分析，将基于前面的分析，明确补测场景、参数与观测项，并同步安排定向验证与回归测试。
通过“结论总结—时间线还原—原因假设—补测建议”这四个步骤，STARFISH把原本依赖个人经验的事后分析，变成了从事故还原到定向补测的自动化闭环，让每一次失效都有迹可循，每一轮验证都有据可依，让失效经验真正成为高价值资产。
此外，魏苗还特别强调了整套智能体架构的可进化性，产品基于前沿AI Agent 架构实现，融合企业知识，专家方法以及灵活可配置的前沿AI模型。实现企业经验与专家流程持续积累更新，前沿模型能力的及时接入，成为懂经验、懂规则、可进化的 AI Agent 。
