EMQ 参加日本 AGL AMM 大会，以 AI 原生基础设施定义智能汽车新安全
随着软件定义汽车（SDV）加速向 AI 定义汽车（AIDV）跃迁，汽车软件的复杂性呈指数级攀升，传统安全与合规边界正遭遇前所未有的系统性危机。
5 月 13 - 14 日，汽车开源领域顶级盛会 Automotive Grade Linux（简称：AGL）日本全员大会落幕，EMQ 映云科技 - 解决方案副总裁余杰霖（Jaylin）出席大会，并发表了题为《From SDV to AIDV：Closing the Gap with LLM Fuzzing and Edge AI Agents》的演讲。
在分享中，EMQ 向全球汽车工业展示了其从前沿学术研究到工业级量产落地的全栈 AI 原生技术图谱，以前瞻性的「安全数字孪生」理念，打破了汽车研发效能与安全合规认证之间的「质量 - 速度」困局。
溯源：两年前的学术合作项目
Aegis Fuzz 的技术积累开始于两年前启动的学术项目。
2024 年，EMQ 与香港理工大学合作，申报并获批了香港创新科技署创新及科技基金（ITF）项目。该项目前瞻性地锁定了当时行业尚属空白的交叉领域——将大语言模型（LLM）的语义理解和推理能力，用于车联网协议（如 MQTT 协议）的安全加固与漏洞挖掘。
两年前，行业对大模型在协议栈测试中的准确性普遍持保留态度。为此，香港理工大学周昊教授团队与 EMQ 研发团队攻克了报文语法语义对齐、高并发状态机感知等多项世界级技术瓶颈，最终推出了行业首个 AI 驱动的语义级协议模糊测试框架 TWFuzz。
如今，大模型在复杂软件系统中的漏洞发掘能力已获得全球安全界的广泛认可。TWFuzz 在对多款开源、商业级协议中间件的闭环测试中，高效定位了数十个长期隐藏的深层状态逻辑漏洞，相关研究成果已提交至国际顶级学术会议及期刊审核。
TWFuzz 的成功实践，不仅在学术界树立了「AI + 漏洞挖掘」的新范式，也向工业界证明了 AI 可以成为提升汽车软件基础设施安全合规能力的重要工具。
发展：从 TWFuzz 到 Aegis Fuzz
TWFuzz 验证有效后，团队开始研究如何将动态 AI 验证能力用于汽车行业的研发测试与合规体系，由此诞生的 Aegis Fuzz 原型，将能力从「代码级漏洞发掘」扩展到「整车研发质量合规闭环」，实现了合规即代码。
Aegis Fuzz 的核心工作流程分为三个部分：
第一，静态代码语义对齐。通过 Clang AST 全量扫描源码，依托大模型匹配 ISO 26262、ASPICE 等汽车安全合规要求，自动完成代码与合规需求的证据标记和对齐工作。
第二，合规测试种子筛选。基于 ISO/SAE 21434 威胁分析结果、ISO 21448 预期功能安全场景，让大模型生成合规测试序列，再通过二进制环境校验，剔除大模型幻觉问题，形成可用的高质量测试种子库。
第三，安全状态闭环反馈。摒弃传统代码覆盖率的统计方式，绑定 ISO 26262 安全状态的语义位图记录，配合人工编写的 ISO 26262 Oracle DSL（领域特定语言判断规则），实现精准记录和自主反馈。
大会上，丰田汽车软件开发中心 CTO & Fellow 村田健一提到：软件定义汽车模式下，车企需要在硬件就绪前完成大量仿真测试，同时统一软件研发主线，平衡研发效率与产品质量。
这一需求与 Aegis Fuzz 的应用场景高度契合，Aegis Fuzz 可以无缝接入车企 CI/CD 研发流水线，在仿真测试阶段自动化保障软件质量，解决研发速度与产品质量的平衡问题。
交流：直面行业数据障碍
演讲现场，Aegis Fuzz 展现出的技术广度与工程深度，获得了丰田等日系 OEM 及 Tier-1 企业代表的关注。
在与 AGL 成员企业的交流中，EMQ 团队识别出阻碍 AI Fuzzing 工具链在主机厂全面应用的主要问题：数据屏障与兼容性障碍。
具体表现为历史文档格式不统一、工程数据碎片化、非结构化文档难以被大模型读取、跨工具链格式转换存在断层、数据孤岛导致高质量缺陷数据集缺乏。
针对这些问题，Jaylin 表示，EMQ 将继续联合 AGL 社区成员，共同解决「AI 可读性兼容」与「格式转换障碍」等工程问题，为企业提供 AI 时代的实时数据基础设施。
领航：SDV-Flow 构建智能化车云数据总线
本次亮相东京大会，也是 EMQ 加入 AGL（Automotive Grade Linux）生态的第一年。
作为新晋成员，EMQ 的核心技术将被整合到 AGL 官方最新的开放式 SoDeV（软件定义汽车）参考平台中，展示了 EMQ 对汽车开源软件和 SDV 长期主义的硬核承诺。
作为车联网和车云协同数据闭环基础设施的领军者，EMQ 的核心产品已在全球超过百万辆量产汽车上得到应用和验证。在此基础上，EMQ 正式推出了面向下一代智能汽车的 SDV-Flow 智能化车云基础设施解决方案。
车云数据总线（V2C Backbone）
在弱网、高并发的车海场景下，构建从车端微秒级信号采集到云端大规模并发互联的数据通道。支持断网缓存、车端实时落盘滚动存储、历史信号按时序查询等功能，实现车云高精度数据同步。
闭环数据反哺
SDV-Flow 可以实时捕获真实车队的边缘状态（Edge Cases）和异常事件痕迹，将其逆向作为 Aegis Fuzz 的测试种子。在虚拟 ECU 仿真环境中注入边界扰动，实现「1 个真实故障衍生 5000 个测试场景」的泛化。
从车端 NanoMQ 的消息跨域路由，到云端基础设施的大模型合规验证，再到 SDV-Flow 的全链路数据反哺，EMQ 覆盖了从数据传输到 AI 验证的全生命周期，成为了开源 SDV 生态无可争议的领航者。
结语：从 SDV 到 AIDV
演讲最后，余杰霖提出：汽车安全是全行业的共同需求，并非企业竞争壁垒。EMQ 倡议在 AGL 框架下设立 AI 驱动安全验证专家组，共享开源规则库和协议语法资源，打通数据孤岛，统一 AI 汽车安全测试标准。
从两年前香港理工大学实验室敲下的第一行 TWFuzz 代码，到今天在东京全员大会上与日系汽车巨头的技术交流与研讨，EMQ 用两年的时间完成了一次精彩的科技远征。
未来，EMQ 将持续迭代 AI 原生汽车基础设施，坚守「开源、连接、智能」的初心，与全球汽车生态协同合作，实现从软件定义汽车到 AI 定义汽车的跨越。