技术迎来从概念验证到量产落地的关键转折。从芯片、端侧大模型到智能座舱方案，各环节集中展示了端侧AI驱动汽车智能化的最新成果。然而，炫酷的演示背后，行业正集体陷入“交互范式仍停留在触屏时代”“端侧模型参数有限却要读懂人情世故”“换车如换秘书，体验无法迁移”等深水区难题。

　　端侧AI上车，难点在哪？在车展同期举办的汽车行业端侧AI专题研讨会上，多位行业专家与企业家就此展开讨论。专家指出：智能座舱正成为AGI时代定义“AI Car”的核心界面，而端侧AI是实现隐私保护、瞬时响应与断网可用的“雪中送炭”技术。不过，热闹之下，从“可用”走向“好用”，端侧AI上车的考验才刚刚开始。

　　当前，汽车行业对“智能化”的理解，往往混用智能驾驶与智能座舱，但二者解决的问题并不相同。相较于仍在法规与技术双重约束下稳步推进的智能驾驶，智能座舱凭借更直接的用户感知、更成熟的端侧技术与更灵活的场景创新，成为车企差异化竞争的关键抓手，而端侧AI则是驱动这场变革的核心引擎。

　　“智能驾驶和智能座舱是两件事，不能割裂来看，但座舱的发展在当前阶段显得更加重要。”清华大学人工智能研究院常务副院长孙茂松给出了一个颇为诗意的定位——智能座舱应成为“一个伴你走天涯的灵动之家”。他用《中庸》里“致广大而尽精微”来进一步阐释：大模型追求规模扩张是“致广大”，是少数大厂的主战场；而对广大产业界而言，深耕垂直领域、把事做透的“尽精微”，才是更具现实意义的路径。智能座舱，恰恰就是这样一个“尽精微”的典型场景，正当其时。

　　如何定义AI驱动下的下一代汽车？中国汽车工程学会副秘书长郑亚莉给出的定义是“AI Car”——兼具“专业可靠的司机”与“聪明温暖的伙伴”双重角色的智能体。在这一定义中，座舱智能体被明确为“未来人车交互的唯一窗口”，是串联智驾智能体、底盘智能体、动力智能体的自然交互中枢。郑亚莉指出，AI Car的关键特征在于自主性、交互性和适应性，而座舱智能体正是实现跨域融合、从功能集成走向智能协同的核心纽带。

　　2025年我国新能源汽车销量渗透率已接近50%，汽车行业就此进入智能化“下半场”。专家指出，智驾已在行业和用户层面达成共识，而智舱则呈现出另一番格局——不同车企技术路线各异，用户需求也高度分化：有人要效率，有人要陪伴，有人要照顾全家出行，有人只希望系统“默默理解我的意图”。

　　当前座舱PG电子官方平台入口正从基于命令的交互，迈向基于AGI变革的更高维度：自然语言将成为综合调用整车能力、连接外部端口的入口，并实现长期记忆。然而，理想图景之下，现实的产品体验仍有明显落差。清华大学车辆与运载学院博士后帅斌从用户视角指出，当前座舱远远不是“真智能”：功能使用率不高，真正有用的功能仍需不断开发；每次坐进车里面对摄像头和语音的采集，用户对数据去向心存疑虑；更关键的是，不同品牌汽车的座舱体验无法平滑迁移，缺乏可延续、可进化的能力。

　　“现在绝大多数的智能座舱产品可能都不属于‘智能座舱’。”梧桐科技CEO曹斌表示，当前座舱系统大多建立在为手持触屏设备开发的操作系统之上，交互模式需要驾驶者将注意力放在屏幕上点击操作，这种模式在车里其实很不自然、不友好。只是受限于现有技术条件，这仍是目前最主流的产品形态。而大模型的出现，或许能让座舱从这种“过时的”状态中跃迁出来，回归到符合人类直觉的交互模式。

　　在多位专家看来，智能座舱在汽车智能化中已确立其战略中枢地位，是AGI时代人车关系的核心界面。但当前产品仍处于从“被动命令执行”向“主动智能伙伴”跃迁的早期阶段，面临的挑战集中在三方面：一是交互范式陈旧，亟待从触屏点击走向自然语言与多模态直觉交互；二是用户隐私顾虑和体验可迁移性问题尚未解决；三是开发模式需要重构，从规则驱动转向AI驱动。上汽大众智能座舱总监朱丽敏提出，这不是在原有框架上做加法，而是一次范式级的改造。

　　“没有端侧大模型，这件事要打一个大大的问号。”谈及智能座舱的发展时，孙茂松为端侧AI的不可替代性定下基调。他所依据的，是驾驶环境三项基本要求：第一，断网可用——隧道、偏远地区不能中断服务，只有端侧模型能保障；第二，隐私不出车——声纹、人脸等敏感数据必须留在车内，这决定了云端方案天然受限；第三，瞬时响应——“请跟上那辆车”这样的指令，云端无法保证能毫秒级反应。据此，孙茂松提出“宜端则端，宜云则云”的协作原则，更主张“以端为基，以云为缘”——雪中送炭靠端侧，锦上添花可交给云端。

　　与手机、笔记本电脑等终端相比，汽车为端侧AI提供了相对充裕的算力环境，可以容纳更大体量的模型，这是有利条件。但端侧模型面临的天然难题——“器小易盈”：参数规模有限，能力天花板明显。车规级芯片上能跑的多是数十亿参数级别的模型，与云端万亿参数大模型相比差距悬殊。

　　因此，端侧模型必须做到“小而强且美”，既要有足够能力覆盖面，又不能牺牲用户体验感。所幸新技术规律正在提供有力支撑——密度定律是让新范式在车端落地的“先决条件和基础”，帮助逾越此前看上去不可逾越的算力障碍。

　　清华大学计算机系教授、面壁智能首席科学家刘知远分享了团队的“密度定律”发现：模型的能力密度大约每3.5个月翻一番，无须扩大参数规模即可实现能力倍增，增速远超摩尔定律（18个月翻一番）。

　　首先，模型“小而强”的技术极限。刘知远将未来大模型趋势归纳为三个方向：输入端全模态、模型本身极致高效、输出端更自主。在车上，感知不能只靠视觉或语音，未来还要融合触觉及各类感知器件的信息，构建物理世界的全模态认知。

　　与此同时，必须在固定的模型尺寸内持续压缩更强智能。这要求围绕“智能的容器”（模型架构）、“学习的教材”（数据精致度）、“模型风洞”（训练规律把握）和“软硬协同”四个要素不断迭代前沿技术。据刘知远判断：“未来五到十年，但凡能训练出来的大模型，经过两年时间就可以让它运行在终端芯片上。”但孙茂松也提醒，从“可用”到“易用”再到“好用”，每个台阶都有相当难度，仍需持续努力。

　　其次，安全与隐私的信任构建，远不止“数据不出车”。中国汽车工业协会副总工程师王耀指出，汽车行业对数据安全的监管要求比多数行业更严，没有端侧处理很多功能都无法落地。但仅做到“数据不传出去”还不够，他提出一个更细腻的问题：车内朋友间的玩笑话，端侧模型能不能判断出这是开玩笑而非真实指令？这涉及对上下文的理解、用户习惯的学习和知识库的建立，对参数规模有限的端侧模型而言，单靠模型本身难以完全解决，需要在工程化层面做大量精细设计与处理。

　　此外，中金资本董事总经理徐萌萌则强调交互设计层面的“信任可视化”——让用户在隐私数据被调用时获得清晰提示和授权感知，实现“我的数据我做主”。

　　最后是产业链协同与标准化。多位专家认为，端侧AI上车不仅是技术问题，更是产业生态问题。

　　大模型的介入将模糊传统“应用”的边界，软件构建范式将发生根本性变化。曹斌认为，未来交互形态将演变为“理解意图—理解环境—做规划—调用技能—执行反馈”的智能体闭环，很难再用今天熟悉的“APP”思维去找杀手级应用。这意味着整车企业需要将车辆的各项能力抽象为可被智能调度的“技能”。这对底层架构、接口标准都提出了新要求。

　　朱PG电子官方平台入口丽敏指出，车企最终交付给用户的是一辆车，需要在端侧算力调配与云端超级智能之间找到高价值平衡。

　　王耀则进一步提出，端侧模型的核心优势在于本地化的上下文理解与知识库沉淀，就像一位熟悉的秘书，“换了就觉得不习惯”。但要实现这种体验的延续，行业必须走向统一的接口标准、共同的数据存储格式和知识库沉淀方式。

　　高通中国区技术副总裁许迎春呼吁，未来用户隐私数据应有一个标准化的汇聚路径，无论是车、手机还是智能家居，数据统一存在一个受隐私保护的个人“AI Box”中，换车不换体验。这需要国家层面推动标准建设，否则“没有一家企业愿意做，也无法统一”。

　　声明：本文由入驻搜狐公众平台的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。

• 上一篇：以技术定江山第二代腾势D9重写全球豪华MPV规则
• 下一篇：跟“AI搭子”一起解锁驾车新体验