《智能座舱：定义AGI时代的汽车新范式》白皮书发布

第十九届北京国际汽车展览会期间,面壁智能联合清华大学车辆与运载学院、中国汽车报共同发布《智能座舱:定义 AGI 时代的汽车新范式》白皮书,并举办专题研讨会。

清华大学人工智能研究院常务副院长孙茂松、清华大学计算机系教授及面壁智能首席科学家刘知远、中国汽车工程学会副秘书长及国汽战略院执行院长郑亚莉发表主旨演讲。来自中国汽车工业协会、清华大学车辆与运载学院、上汽大众、梧桐科技、车联天下、中金资本等机构的嘉宾参与了圆桌讨论,围绕端侧 AI 如何定义下一代座舱体验、智舱产业协同等议题展开深入对话。

面壁智能 CEO 李大海在致辞中谈到了发起这份白皮书的初衷:"从研发到量产落地,在全链条的实践中,我们越来越意识到一家公司跑得快固然重要,但一个行业跑得稳、跑得远,更需要所有伙伴的共同协作。智能座舱发展到现在,功能越来越多,算力越来越强,用户真正感知到的智能提升有多少?安全焦虑解决了吗?产业链上下游还能如何协同合作共赢?这些问题不是面壁一家公司能回答的。"

配装率已超 76%但座舱的"智能"为什么还没有被真正感知?

白皮书开篇即提出了一个尖锐的问题:智能座舱在中国市场的配装率已突破 76%,但用户真正感知到的智能体验仍然有限。屏幕更大了、功能更多了,为什么很多车主的日常交互仍然停留在"打开某个功能","说出某条标准指令"的层面?

研讨会上,这一判断引发了广泛共鸣。清华大学车辆与运载学院博士后帅斌指出,现在的车"每次上车还是像第一次见面,缺少连续记忆和个性化进化能力"。车联天下经营管理委员会主任李金龙直言,真正的杀手级应用不是某个单一功能,而是"在用户还没开口之前,车已经懂了"。梧桐科技 CEO 曹斌则从更底层的视角指出,当前大多数座舱使用的都是安卓操作系统,而安卓是面向手持可触屏设备开发的,"这种交互模式在车里其实是不自然也不友好的。大模型的出现,可能会让座舱从一个相对过时的状态,跃迁到更符合人类自然交互的形态。"上汽大众智能座舱总监朱丽敏从车企视角指出,智能座舱正处在开发范式切换的关键节点:"大模型带来的变化不是渐进式的,我们需要用全新的开发范式来拥抱这一轮智能化升级。"

那么,新的范式应该长什么样?下一代智能座舱的竞争焦点,将从"还有什么功能没上"转向"自然语言驱动的场景智能与任务闭环"——用户说的是意图,系统负责理解、追问、拆解和执行。郑亚莉将这一转变上升到产业逻辑层面:AI 对汽车的影响不是加法而是乘法,座舱智能体将成为串联各域智能的"唯一交互中枢",推动汽车从功能集成走向智能协同。

孙茂松则用一句话概括了智能座舱的终极标准:"用之不觉,失之难存。"他认为,座舱 AI 要做到的是精准意图识别、善解人意,成为"一个伴你走天涯的灵动之家"。

密度定律破题:端侧AI如何在有限算力下实现高质量体验?

纯云端架构面临四大结构性约束:算力成本随用户规模线性增长、网络时延难以满足自然对话的节奏、隧道和地库等场景下网络不可用、以及舱内摄像头和声纹等高敏感数据上云带来的隐私风险。孙茂松在演讲中强调,座舱 AI 必须满足三项基本要求:断网可用、隐私不出车、瞬间时延——这意味着核心能力必须跑在车端。他同时指出一个常被忽视的事实:汽车端侧算力是各类智能设备中最强的,能够支撑相当规模的大模型运行,"宜端则端、宜云则云"是务实的部署原则。

孙茂松借《中庸》中"致广大而尽精微"来类比大模型的两条路线:"致广大就是 scaling law,模型越大越好,这是主线,但只有少量大厂有资源去做。对广大企业来说,应该做尽精微——到垂直领域把它做透。智能座舱正是一件尽精微的事,而现在做这件事正当其时。"

但将能力搬到车端并不意味着问题自动消失。端侧 AI 落地面临"效果-成本-速度"的不可能三角:模型能力不能因上车就明显降智,硬件成本不能粗暴转嫁给用户,响应速度必须匹配自然对话的节奏。破解这一三角,关键在于模型本身的效率——这正是密度定律要回答的问题。

刘知远在演讲中系统阐述了由清华团队提出的"密度定律"——模型的有效知识容量与物理参数规模的压缩比。数据显示,2023 年以来大模型能力密度平均每 3.3 个月翻一倍。他指出,密度定律改变了行业对"更强 AI"的默认想象:更强不一定意味着更大,关键在于单位参数能释放出多高的有效智能。通过"架构-数据-学习"的协同优化,面壁智能的端侧模型制备技术可以将 PB 级数据压缩至百万分之一注入小模型,在有限车规算力下实现高质量体验。

密度定律第一次给"端侧 AI 为什么有可能"提供了系统性解释:效果上,更高知识密度意味着用更小参数规模逼近更强能力;成本上,模型变小对高端芯片的依赖显著下降;速度上,计算量减少直接带来更快响应。行业的竞争焦点正在从"算力有多高"转向"单位算力到底能获得何种体验"。

圆桌讨论中,李金龙对此高度认同:"用更小的模型做更多的事,是解决端侧算力瓶颈的关键方向。"梧桐科技 CEO 曹斌则从 Tier 1 视角补充,搭载轻量化大模型的座舱系统在无网络环境下已能实现 95% 以上的语音指令识别准确率,端侧能力正在快速逼近实用门槛。

刘知远在演讲中还描绘了通用人工智能在座舱中汇聚的图景:全模态感知让座舱具备"看和听"的能力,极致高效的模型底座让这些能力在端侧稳定运行,全面自主的智能体系统则让座舱从"对话助手"进化为"执行伙伴"。孙茂松以一句话概括了这一技术路线的精髓:"端侧模型,小而强且美。"

从数据安全到产业协同:端侧 AI 规模化落地还需要什么?

端侧 AI 的技术路线日渐清晰,但要真正规模化落地,行业还需要跨过两道门槛:建立用户信任,以及完成产业协同。

在信任层面,"数据不出车"是端侧架构最容易被认可的价值,但它并不自动等于安全。当智能体具备更高自主性——能主动感知、编排任务、调用服务——新的安全边界随之出现。中国汽车工业协会副总工程师王耀用一个生动的例子说明了这一点:"端侧模型不只是数据不出车,更重要的是它能不能识别不同的隐私场景——比如朋友上车了,AI 特别主动,可能就暴露了你的隐私。"他指出,数据出境和车内摄像头隐私是用户最大担忧,协会正在推动"数据本地化存储"标准,端侧 AI 方案天然符合这一方向。中金资本董事总经理徐萌萌从用户体验设计角度指出,最大的挑战是"信任的可视化"——用户不知道自己的数据去了哪里。我们需要在交互设计层面让用户"看见"安全,比如在隐私数据被调用时给出清晰的提示和授权。好的设计应该让用户感觉到"我的数据我做主",而不是被动接受。在多乘员、多音区和跨端协同场景下,权限治理不再只是后台问题,而开始成为交互设计本身的一部分。

在产业协同层面,郑亚莉在演讲中明确指出,AI Car 时代企业的生存逻辑将发生根本转变:价值创造从"造好车"转向"运营智能体",资源配置从固定硬资产转向数据软资产,竞争博弈从单一维度升级为生态体系间的价值网络对抗。曹斌坦言,当前最大的痛点是生态碎片化——不同车企的接口标准不统一,同一个 AI 能力需要反复适配,"真正的智能应该是'开箱即用'的标准化能力"。王耀从行业组织角度强调跨域协同离不开产业上下游的深度合作,徐萌萌则从设计角度指出,协同的核心是"体验一致性"——用户在不同品牌、不同车型之间切换时,座舱体验应该是可延续的。这需要行业和各个车企共同定义交互标准和设计语言。

随着模型厂商、芯片厂商、OS 平台方、Tier 1 和车企同时涌入智能座舱赛道,原有的线性供应链正在重构为"芯片-模型-OS-应用"的网状协同。下一阶段的竞争不再只是"谁供货给谁",而是"谁定义接口、谁掌握数据边界、谁提供安全可信的执行基础设施"。

未来 2-3 年内,智能座舱的端侧 AI 能力大概率将从差异化亮点转为基础能力,这一转折点预计出现在 2027-2028 年前后。驱动变化的因素包括:车规级芯片算力持续提升、电子电气架构向中央集中式演进、端云协同工程能力日趋成熟,以及消费者预期的根本变化——他们不再满足于"车里有功能",而开始要求"车能听懂并把事办完"。引领下一阶段竞争的关键,不仅是争夺"在路上"的体验优势,更是角逐谁能率先把自然语言交互转化为稳定、可信、低打扰、可闭环的智能服务能力。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。

关键词：