AI上车的大潮中，智能座舱的进度要领先智驾；理解车里的人，比理解车外无法穷尽的物理世界更容易
文|《财经》研究员 尹路
编辑|黄凯茜
2026年4月的北京车展，“AI上车”大潮空前，技术发布密集，汽车行业已从“软件定义汽车”全面步入“AI定义汽车”的阶段。
然而，AI能力上车在智能座舱和智能驾驶两个领域出现了差异性分化，座舱推出的AI新功能、新服务及其带来的用户感知度，比智能驾驶领域更加立竿见影。
在智能驾驶端，几年前行业从基于规则，向基于数据驱动的技术跃升时，曾显著改善用户体验，可理解为是一次从50分到80分的质变，相比之下，本轮AI大模型上车尚未带来同等幅度的质变。
引入云端多智能体博弈机制与超高算力，使智驾系统在数据表现上再次取得了长足进步，在处理复杂博弈、避让等场景时更加丝滑且“拟人”。但对于终端消费者而言，由底层百亿、千亿参数量增长带来的能力，体验层面改进的边际效益正在递减。智驾的体验提升更像是从80分到90分，而攻克这10分或实现另一个30分的跨越要耗费更多资源。此外，在面对不可预知的长尾场景时，AI体验的提升仍然需要长期的打磨与积淀。
反观智能座舱，AI上车后已发生体验的质变。座舱不再仅仅是挂在车上的“大平板”，或被动的语音指令接收器，而是已具备全场景跨域交互能力的移动智能终端。交互逻辑从“你说我做”的单向指令式，变为基于场景感知的主动推荐与任务执行，底层技术与情绪价值的结合也创造了新的商业转化潜力。
理解车里的人，比理解物理世界更容易
智能驾驶的重点和难点在于如何理解及应对物理世界，而智能座舱则在于理解人的需求。
智能驾驶的本质，是一个涉及物理学、几何学、动力学以及复杂人类行为学的综合博弈系统。尽管当前的AI大模型已大幅增强了车辆对外部环境的感知与预测能力，但物理世界具有两个关键特征：不可穷尽性和极高的试错成本。
在实际道路中，路况、天气、行人的非理性行为以及各类异形障碍物的组合几乎是无限的。即便通过云端世界模型模拟出海量的极端场景数据，AI依然面临着“长尾效应”的约束。
当前的大语言模型或VLA（视觉-语言-动作）模型本质上仍是基于概率的生成式系统，而驾驶要求的是更高程度的确定性。大模型的“幻觉”问题，一旦发生在智能驾驶决策中，代价就是安全风险。
这就是为什么即使企业投入百亿元研发、应用里程突破百亿公里、事故率远低于人类驾驶员，但哪怕还有最后0.1%的长尾问题未被彻底解决，智能驾驶就很难完成从“好用”到“完全放心”的跨越。
与宽阔的物理世界相比，人类的需求在特定封闭场景（如车内）是相对具体、有限且具备高容错率的。
在文本理解、意图拆解、多轮对话、逻辑推理方面，现有的AI大模型已达到甚至超越了人类水平。更重要的是，座舱服务的容错率较高。如果AI推荐了一首不合时宜的歌，或导航找错了餐厅，用户只需口头纠正或手动取消。这只会带来轻微的体验折损，并不会引发安全事故。这也是企业能在座舱领域大胆试错、激进应用最新AI技术的前提，并大幅缩短了技术推向市场并完成迭代的周期。
智能座舱的三大进化趋势
基于对人的深刻理解，AI智能座舱正在重构交互逻辑与硬件形态，不再是简单的功能堆砌。从近期的行业新技术发布中，可以看到智能座舱应用的三大进化趋势。
从语音助手到全场景跨域智能体
传统的车载语音系统，本质上是缺乏跨应用协同与长时记忆的“语音遥控器”。当前，行业正普遍向Agentic AI（智能体AI）演进。以鸿蒙智能座舱全新一代小艺智能体为代表的系统，正在重新定义智能助手这一座舱交互中枢。
通过引入具备庞大参数量的中心智能体作为“大脑”，并辅以导航、控车、娱乐等垂直领域的智能体作为“小脑”，这种架构带来了三个改变：
一是跨域交互与任务编排。面对复杂的模糊意图，系统“大脑”负责理解并分发任务，各“小脑”协同执行。同时，借助图形界面智能体模拟点击操作，AI还能够控制尚未开放底层接口的第三方应用，从根本上打破应用之间的围墙。
二是长时记忆与主动响应。智能体具备了长时记忆能力，当系统捕捉到用户连续多日在特定时间开启座椅加热或播放特定内容，便会主动将这些服务编排进场景模式并适时推荐，实现从“人找服务”到“服务找人”的转换。
三是不同智能体的深层协同。座舱智能体系统与带有智能体能力的第三方应用深度对接。以视频应用为例，AI不仅能控制播放进度，还能进行剧情推理互动，基于特定情节的高级搜索，甚至联动车内氛围灯与香氛系统，实现多模态的沉浸式体验。
座舱硬件被AI重新定义
AI能力高度依赖输入端的数据质量，在智能驾驶靠传感器识别车外物理世界的同时，舱内感知系统也在加速重构。
以鸿蒙HarmonySpace 6的AI多模态感知系统为代表的新型座舱硬件正在逐步装车。通过融合高清摄像头、红外摄像头以及雷达等高精度传感技术，结合AI视觉与生命体征算法，新的座舱硬件大幅提升了舱内识别能力。
过去车辆只能依靠摄像头和座椅重量传感器来判断哪个座椅上有人，而现在的系统能更立体且精准定位舱内人员位置和人员身份。在暗光或严重遮挡的情况下，甚至能通过红外摄像头或雷达穿透座椅等遮挡物，探测到宠物、儿童等容易藏进后排盲区的对象，大幅提升安全防护可靠性。
多模态硬件还具备在复杂光线下进行手势捕捉与动作预判能力。例如挥手拒接电话、远距离指向特定区域（如指定车窗）实现控制，或在预判儿童将头、手伸出窗外等危险动作时提前干预。
情绪价值带来高溢价
座舱领域利用成熟技术与具身智能理念提供情绪价值，已展现出商业潜力。
以鸿蒙座舱生态内的“哈蒙蒙”AI实体陪伴机器人为例，其未必是硬核科技角度的突破性创新，但在产品定义上却能切中用户的使用场景与情感需求。这类AI玩偶既有实体形态，还能跟随车辆动态做出晕车、兴奋等情绪反馈；它们可以作为背包挂件、冰箱贴或桌面摆件，打破了车内空间的局限。
鸿蒙座舱AI陪伴机器人“HAMOMO哈蒙蒙”
这种跨场景的长时间陪伴，正在成为人车互动的延伸。AI玩偶可以在离车状态下继续收集并学习用户的行为偏好与情绪状态，当用户回到车上，玩偶能迅速同步车端和云端数据。这相当于为座舱系统提供了一个全天候的数据触角，更全面地感知并响应车上人员的需求。
无论是跨域智能体、多模态感知硬件还是情绪交互，AI重构座舱体验的过程，都绕不开一个非常关键却常被忽视的技术门槛，即智能体的“冷启动”。
再强大的AI智能体在出厂时都是一张白纸，需要用户从零开始“投喂”数据，实际体验烦琐。破解的关键在于打破单车数据孤岛，基于移动生态互联的数据共享，通过打通账号体系，在用户第一次登录智能座舱时，将其他智能终端和软件服务中沉淀的历史行为、内容偏好和生物特征等数据，对车上智能体进行“冷启动”。
因此，在AI全面上车的时代，座舱竞争不再是单车算力或单一功能。同时拥有软、硬件系统开发能力，并已经构建跨终端数据、内容与服务生态的企业，可以凭借海量用户数据积累形成先发优势。
责任编辑：刘万里 SF014
