AI下半场做减法

AI 上半场以降本提效为主，下半场比拼原生价值创造能力。

随着大模型持续规模化落地，汽车产业逐步形成共识：在车载屏幕、芯片硬件趋于普惠之后，汽车智能化的胜负手，不再是功能数量的比拼，而是能否持续挖掘、交付用户可感知的核心价值。

从功能应用到生态矩阵，从大模型到智能体，从平台能力到人机交互，少即是多——成为产品设计的重心！随之而来三个问题：何为价值？谁定义价值？什么价值能够被用户真实感知？正如亨利・福特所言：汽车问世前，人们想要的仅仅是跑得更快的马车。

技术驱动的产业变革，本质上是一场艰难的“双向驯化”。它不仅考验从业者的定力，更考验市场的耐心。当下普遍存在的问题在于：因为AI技术发展速度太快，用户与产品设计者之间的“共同语言”失效了，产品从价值挖掘到价值论证的过程变得尤为艰难。用户受限于认知，无法精准描述连自己都未曾见过的需求；产品设计者手握屠龙刀，却因缺乏靶子而无从下手。

破局之道，在于厘清创新的两条关键路径：一是“市场驱动、需求倒逼”，即跳出表象，通过深度洞察去捕捉那些用户“虽不能言，但深受其扰”的痛点；二是“技术驱动、能力外溢”，即不急于求成，而是带着新技术去海量场景中“试错-收敛”，直到找到那个非它不可的最佳支点。产品经理的工作，就是在“用户失声”时读懂潜台词，并在“技术狂热”状态下踩踩刹车，成为市场与技术的翻译官，找到产品落脚点。

大模型融入座舱，很多能力被诟病为“营销类功能”。例如李想在一次发布会上展示的，同时要接老婆及四个孩子并去餐馆聚餐的复杂任务规划，现实生活中这类场景确实算不上高频。并且用户在实际驾驶中，认知负荷极高。他的大脑处理模式不太可能是“宏观统筹”，而是“串行处理”——大概率是接完老大以后，脑子里自然蹦出老二的地址，然后再次发起导航。

当然营销类的功能并非毫无价值，至少它是一次有效的技术落地验证，将技术能力现状用最直观具象的方式呈现给市场和用户，打开大众对于未来智能化的想象空间。但想要形成长期产品壁垒，仅靠展示性体验远远不够，最终还是要落脚到解决用户高频、真实、复杂的出行难题。我们尝试从行业近期的落地重点寻找方向。

佐思汽研五月在 AI Agent 报告中提出座舱智能体三大趋势：情感引擎拟人化、全场景跨终端协同、任务化深度自主执行，如今已有大量产品形态实现量产落地。

一、情感引擎拟人化：不止卖萌，更是主动安全的延伸

过去行业对情感交互的理解，无非优化语音助手的话术策略、调整音色、更换虚拟形象。而当下，情感交互从固定脚本话术库，进化为端侧大模型驱动的多模态感知体系。融合面部特征、语音语调、生理信号、行车路况做交叉校验，解决单一语音识别高误判的行业痛点。依托情绪感知打造差异化体验，正在成为新一代车型核心产品力。

例如别克至境 E7 搭载豆包大模型，可识别二十余种用户情绪状态；当用户表达疲惫，不再是关键词机械检索，而是联动座椅、灯光、音频形成整套舒缓方案。蔚来 NOMI、鸿蒙小艺、车载小爱等玩家都在布局这条赛道。具备情感理解能力的拟人智能体，能够建立深度用户情感联结。一旦用户形成长期情感依赖，将构筑极高的换车迁移成本，这是硬件配置同质化时代，难以复刻的软性护城河。

要实现基于情感的拟人化交互，需要三大核心技术：多模态情绪感知，情感理解，情感表达。

01 情感感知输入：多模态情绪感知

视觉信号：A 柱 / 方向盘内置车载摄像头；依托微表情、视线追踪、人体姿态识别，结合面部状态判断疲劳、烦躁、压抑等情绪；

听觉信号：麦克风阵列；解析语调、语速、音量，捕捉哈欠、叹气等非语音声学特征，完成情绪推演；

生理信号：方向盘、座椅传感单元；采集心率、皮电数据，获取客观生理指标，识别压力、疲惫、亢奋状态；

环境 + 长期记忆融合；依托记忆网络留存用户偏好、情绪敏感场景（拥堵、夜间通勤等），结合路况、时段、驾驶行为综合判定情绪，规避单一维度判断带来的机械响应。

02 情感理解与计算：情感计算中枢

采用跨模态融合算法，对视觉、音频、文本信息分别做特征嵌入，融合输出【主情绪类型 + 情绪强度 + 识别置信度】。

完整链路：感知输入层 → 情绪分类输出 → NLP 语义处理 → 感知 TTS/SVS 模型层；在多源感知数据基础上生成标准化情绪标签，实现两大核心目标：精准识别 + 共情式理解，为后端交互输出提供情绪依据。

03 拟人化情感表达与执行

情感语音交互（核心载体）：情绪自适应 TTS，匹配对应声线风格；交互跳出一问一答 QA 模式，构建具备共情能力的连续对话流。

座舱全域多通道联动：情感引擎统一调度座舱硬件，用户情绪低落时，联动音乐、氛围灯、空调、遮阳帘营造舒缓环境。

数字可视化形象：通过车内可视化软硬AI人格载体，提升拟人交互体验，强化用户与品牌情感联结。

二、全场景跨终端：车辆从信息孤岛变成移动中枢

过往手机、车机、智能家居数据相互独立，跨设备使用需要重复下达指令。2026 年行业主流解决方案，依托Master Agent 实现统一调度，让用户身份、对话上下文、个性化偏好跨终端无缝流转。

例如商汤2026 年 4 月发布的绝影可悠（Care U），就是一套生长型认知记忆框架与多设备智能体协同体系，将智能能力由座舱延伸至车、家、办公场景。紧随其后在北京车展推出舱驾一体 Sage Box，实现 0.5 秒极速响应；端侧部署模式单车每日可降低云端成本 30 元，规模化落地后万车年度成本节约超亿元。这也释放了一个关键信号：端侧进化不止优化用户体验，同时能够平衡商业化成本。

腾讯出行全场景智能体开放平台选择差异化路径。平台搭载七大垂直智能体，覆盖通勤、出行、影音、车主服务等场景。标志性能力是用户直接在微信下发指令，车载 CarBot 自主解析任务、感知车内人员状态并分步执行。打通微信超级入口，让座舱智能体获得独有的社交关系链优势。与此同时，小米人车家生态、华为 HarmonySpace 6 MoLA 2.0 架构同步推进跨域协同，升级后的小艺支持多智能体联动，大量第三方应用生态持续接入。

这条赛道已经分化为三大阵营：一个是生态自建派，如华为、小米，依托自研系统与大模型，打造自有硬件生态闭环；另一个是技术赋能派，如商汤、腾讯、阿里，面向多车企输出标准化智能体解决方案；最后是车企自研派，如蔚来、理想、吉利，以车辆为核心，向外延伸出行生态。

不过，跨终端协同最大瓶颈并不是技术实现，而是数据主权与隐私边界。例如亲友乘车场景下，智能体主动交互极易泄露个人隐私。全域智能体验越强，隐私管控压力越大，这是AI规模化落地必须攻克的难题。

技术实现维度，想要实现预判式、自主化的车载智能体，主要依托端侧本地模型 + 云端大脑的混合协同架构。车端部署轻量化端侧大模型，承担「实时快决策」：独立完成车内多模态感知、情绪识别、车身硬件快速控制；规避网络波动、断网失效风险，保障行车安全类指令实现毫秒级响应。用户习惯、行程偏好、作息等隐私数据本地加密存储，从源头降低数据外泄风险。

云端实现全域数据智能大脑，聚焦「长周期深度推演」：整合用户日程、智能家居、实时路况、本地生活、出行特征等跨域信息，依托大模型推演中长期出行需求，生成复杂长链路出行方案。同时持续迭代情感算法、场景服务模型，通过 OTA 无感下发至车端，驱动端侧能力持续进化。

举几个典型预判式场景案例，例如早高峰通勤：云端读取日程会议信息，结合实时拥堵数据；端侧负责车辆预启动、座舱温控、推送备选路线、播放舒缓音频。下班接娃出行：云端识别时间、目的地特征；端侧主动开启儿童模式、调节音量灯光，同步导航并推荐沿途便民门店。长途自驾旅程：端侧持续监测驾驶员疲劳状态，云端结合续航、服务区分布；联动生成休息、补能规划，动态调节座舱氛围。

三、任务化执行：从"Chat"对话到"Act"的行动闭环

行业热议的 “龙虾上车”，名称源自开源框架 OpenClaw，它不是全新大模型，而是一套任务型智能体运行框架。核心价值是打通大模型认知能力与真实任务之间的鸿沟，推动交互范式从对话模式，转向目标导向、自主执行的行动闭环。

传统车载语音助手只能执行用户明确指令，无法理解复合型、目标型需求。而OpenClaw框架，提供了任务驱动的技术路径：依托大模型完成深层意图理解，通过思维链自动拆解复杂出行目标，生成有序子任务；持续感知环境动态、实时修正执行策略，串联导航、车身控制、生活服务等各类原子化能力，从根本上实现AI从语义问答到事务闭环的跨越。

在智能座舱场景中，这套技术框架有一定的落地可行性。一，整体架构高度解耦，可快速对接车载总线、感知设备与第三方服务接口，无需大规模改造整车电子架构；二，支持端云混合部署，基础决策在端侧本地完成，保障弱网、隧道、地下车库等极端场景稳定可用；三，适配出行真实复杂诉求，可处理多目的地、时间约束、动态调整的长链路任务。

当然，要真正推动量产落地仍存在明显局限性。车载端侧算力、内存资源有限，原生框架冷启动耗时偏高，直接移植容易产生延迟；长链路自主任务存在模型幻觉风险，而车控、路线规划、车载支付等场景容错率极低，必须叠加多层安全校验机制；全链路服务打通涉及大量第三方生态对接，存在接口适配、权责划分与商业化协同难题；加上车规功能安全、数据合规的硬性要求，长时驻留算力运行的 Agent 体系，仍需大量工程优化才能规模化落地。

接着我们看看基于这套「认知推理 — 任务拆解 — 工具调度 — 动态执行」的技术范式，国内车企与科技厂商都有哪些实践样本。

斑马智能 AutoClaw，是行业首个支持实车体验的 “龙虾上车” 落地方案。在北京车展定向开放复杂场景演示：行车途中邀约友人聚餐，智能体自主协调时间、筛选餐厅、预定席位、规划顺路接人路线；若同行人员行程变动，可全盘动态调整方案。此外，斑马联合支付宝推出车载版 “AI 付”，补齐座舱服务闭环的关键断点，解决以往车内服务走到支付环节仍需要掏出手机扫码的体验断层。

智己 IM Ultra Agent 于 3 月 18 日正式发布，首发搭载在智己 LS8，依托舱驾一体架构打通线控底盘、高阶智驾大模型与通义千问大模型。典型场景：“下班顺路接孩子，路上买一杯奶茶，采购次日早餐面包”，系统自主规划路径、筛选沿途门店、预估停靠时长，并联动阿里生态完成下单与支付。

吉利超级 Eva 配套极氪 8X 于 2026 年 4 月 17 日首发，被视作国内车载任务型智能体方案的代表。用户可下达带有硬性时间约束的复合指令：“去接孩子放学，顺路找一家麦当劳，5 点前抵达学校”，智能体自动区分主次任务、识别时间边界，筛选门店、规划路线、联动智能驾驶；持续迭代后，还会支持一句话完成泊车规划、语音控车、订餐票务等长链路事务。

除此之外，腾讯随行点单智能体依托车辆实时 ETA 预估到达时间，反向推算出餐节点，实现车到餐齐，目前已经打通麦当劳、瑞幸等连锁品牌；红旗 HS6 PHEV 搭载千问灵犀座舱，可同时识别导航、餐饮、时间多重约束，结合路况、天气、商户状态生成一体化行程。

产品趋势的背后，依赖核心技术体系的成熟。

第一，端侧大模型将全面普及。随着高通 8295 芯片规模化量产上车，30TOPS 端侧算力足以支撑 70 亿参数模型本地运行，将传统云端 2-3 秒的响应延迟压缩至 500ms 以内，彻底解决网络波动、弱网断连带来的体验断点，为实时车控、多模态感知、安全级交互提供硬件底座。

第二，长时空记忆成为主机厂差异化壁垒。车企纷纷搭建记忆中台，通过长效记忆沉淀用户出行偏好、场景习惯与情绪特征。千人千面的个性化服务能力，不再是营销卖点，而是持续沉淀用户粘性、拉开体验差距的关键。

第三，主从分层 Agent 架构成为行业共识。行业主要采用「统一大脑 + 垂域子智能体」的调度架构。无论是华为 MoLA 2.0 的分层协同体系，还是理想 StreamingClaw、商汤 Sage Box 等方案，本质都是由 Master Agent 统一统筹决策，调度各垂域子 Agent 协同作业，形成感知、推理、执行、记忆、迭代的完整闭环。

如今智驾技术趋同，城市NOA高度同质化，用户体验的分水岭来到AI座舱。座舱AI的演进仍在迭代，现有趋势只是阶段性总结，并非行业终局。

AI正在重塑智能汽车的大势不可逆。当车辆实现全局思考、自主决策、持续进化，行业逻辑会彻底改写。上半场比拼算力参数与基础交互，下半场的核心是搭建整车系统能力、落地可感知的价值。

无论是功能实用价值，还是情绪陪伴价值，只有用户能够切实感知的价值，才能构筑真正的差异化壁垒。