智能座舱：定义AGI时代的汽车新范式

年的13.4%实现跨越式提升。这意味着电动化已成为中国汽车市场的主流结构，智能化正逐步取代电动化，成为下一阶段决定品牌差异化和利润结构的核心变量。 式，升级为智能服务的统一入口：用户不再需要记住功能树、菜单层级和固定指令，而是可以直接表达意图，由系统完成上下文理解、能力调用和任务接力。能分类指南》指出，行业仍缺乏统一、公认的功能分类与评价体系，这也是当前“大屏堆叠、功能堆砌”迟迟无法真正转化为用户体验优势的重要原因。我们认为，下一代智能座舱的竞争焦点，将转向“自然语言驱动的场景智能与任务闭环”能力竞赛。要破除“功能堆叠式内卷”，行业需要完成四件事：第一，让自然语言成为统一的交互前台，降低用户的学习成本与操作负担；第二，用更高能力密度的模 私、功能安全和全球合规前置到系统设计之中，使自然语言驱动的智能服务真正具备可量产、可审计、可持续演进的基础。 产业背景：座舱竞争从“参数内卷”走向“体验重构” 2.1云端为主、端云协同、强端侧三条技术路线并行06 2.3 端侧AI落地的难题：效果、成本、速度三者难以兼得08理论破局：密度定律一一驱动端侧智能跃迁的“新摩尔定律”093.1从参数规模竞争，转向模型能力密度竞争103.2 密度定律如何回应端侧部署的“不可能三角”11 5.2 从“功能集成”到“主动服务”的十大主流应用场景1719 5.5可扩展性：从事故到守护、陪伴与家庭协同-20安全基座：合规框架下的可信执行体系21 产业价值：重塑价值链、定义新标准、催生新王者 结论：迈向“整车融合智能”的新纪元29 8.2 两至三年内，智能座舱端侧A能力将成为基础功能308.3 从“Al×汽车"维度考虑融合智能318.4畅想新汽车"的全新形态31 能源汽车销量1649万辆、占新车销售比重47.9%；而在2021年，这一占比仅为13.4%。从结构变化看，电动化已开始成为主流汽车市场的底层能力。 景化，用户体验已成为核心竞争点。换句话说，智能化不再是新能源车的附加描述，而是车企在成本、品牌和服务结构之外，最具持续性的全新竞争点。2023-2025新能源汽车新车销量占比变化趋势 40.930.6 则是“过程体验与品牌感知”，关注的是车内交互、服务延展、情绪价值以及人与车的长期关系。就行业演进趋势看，智能驾驶的技术路线比智能座舱更接近行业共识。中国汽车工业协会公开信息显 （L2级）渗透率将超70%，成为10万元级车型标配。这意味着，“高阶辅助驾驶+基础智能座舱”已从高端配置走向主流配置，但两者在竞争逻辑开始分化：前者趋于平稳，后者仍处于开放博奔状态。中国汽车工程学会与大众中国联合发布的《汽车智能座舱功能分类指南》明确指出，当前国内外尚缺少统一、权威的智能座舱功能分类与研究框架；不同企业对功能的命名、边界和评价维度并不一致。行业虽然普遍接受“汽车是第三生活空间”的方向，但对下一代智能座舱的终局形态仍缺乏共识。 如果将智能座舱的发展按交互方式划分，大致可见四次迁移：第一代是物理按键与机械界面，第二代是触屏与App容器，第三代是以固定意图识别为主的语音命令系统，第四代则开始进入包含语言、视觉等全模态输入、形成记忆能力和智能体编排能力的主动式交互阶段。与前三代相比，这一轮变化的关键不在“多了一个语音入口”，而在于自然语言开始承担统一入口、跨功能调用和服务组织的职责，用户说的是意图，系统负责理解、追问、拆解和执行。2023-2025中国乘用车智能座舱渗透率趋势76.62 73.467 02 付量超过927万辆，配装率突破40%。但是，普及并不等于体验成熟。一方面，屏幕尺寸、分辨率、座舱芯片算力和应用数量仍是车企发布会 中国汽车工程学会《汽车智能座舱功能分类指南》对2024年市场的复盘也显示，联网大屏、多屏娱乐和智能语音已是主流，但要从功能集合进一步演化成场景智能，还需要跨域融合、多模态感知、更连续的服务闭环，以及更低交互负担的自然语言入口。 智能座舱难以建立起类似自动驾驶的权威分级标准，核心原因在于缺乏“责任归属”这一强制性的产业锚点。这导致当前功能堆砌与体验内卷并存，行业在“什么是更智能”上难以形成量化共识，更多停留在参数比较层参考中国汽车工程学会等行业机构的分级研究，目前国内智能座舱整体上处于L2级，也就是“部分认知智能”阶段，少数领先车企正向L3级（高阶认知智能）探索。这意味着现在的智能座舱已能较好理解一些语目的地推荐音乐等。但总体来看，智能座舱虽然越过了“够用”门槛，进入“好用”阶段，但距离真正主动提供 李升波认为，为智能座舱建立类似自动驾驶的统一分级标准难度很大，但分级工作对车企内部研发规划与管理仍然是有价值的。企业完全可以结合自身产品路线定义阶段目标，并据此组织技术迭代。若要为座舱架构先进性或端侧算力利用率寻找可量化指标，一个更有现实意义的方向是：高阶智能座舱究竟能在端侧承接多大比例的高频交互，以及这种承接是否真正换来了更低时延、更低认知负担与更好的隐私闭环。 用户以最低交互成本调动整车与服务能力”。因此，智能座舱的破局方向，不应是机械地把更多App和更多参数塞进车里，而是围绕自然语言入口、主动感知、少打扰、场景闭环和长周期记忆，构建真正可持续的服务 2024-2025AI大模型上车进度与装配率变化2025年6月2024年4月2025年末预测50+品牌10余家品牌装配率超过20%130+车型AI大模型开始批量接入行业由试点验证 行业痛点云端架构固有限制与端侧落地的“不可能三角 闭环前置到车端。 动服务；理想汽车以MindGPT和“理想同学”Agent强化车内多模态交互；谷歌在2025年宣布将Gemini引入Android Auto与内置Google的汽车系统，覆盖超过2.5亿辆支持Android Auto的车辆和50余款配装Googlebuilt-in的车型；奔驰在CES 2024上展示基于MB.OS的MBUX Virtual Assistant，强调更自然、主动和拟人化云端为主、端云协同、强端侧三路线对比示意图 云端为主端云协同强端侧优势优势优势能力上线快高频任务在端复杂服务上断网可用开放生态丰富云体验与成本更均衡响应快复杂推理能力强数据主导权强短板短板短板时延高架构复杂度更高模型压缩难依赖网络任务分配策略要求强芯片适配难长期云成本高工程门槛高隐私压力大 第一是算力成本。与手机端零散调用不同，车内语音、多模态识别、推荐、状态问答等交互一旦高频发生，就会形成持续API成本和推理支出。对于以年为周期交付、且要求长期服务可持续的汽车业务来说，云 第二是时延体验。面壁智能首席执行官李大海举例指出，用户在地下停车场若想通过语音开启空调，纯只会被感知为车还不够聪明。 立在云端往返之上，断网与弱网就存在击穿体验底线的风险。第四是隐私与能耗压力。智能座舱会接触车外视频、车内语音、舱内摄像头、人脸、位置轨迹等敏感信息。持续上传不仅增加隐私合规压力，也会带来设备能耗和链路管理开销。需要指出的是，纯云端架构的局限并不只体现在成本、时延和隐私上，还体现在它很难真正承接AG时代的交互方式。旧一代座舱即便拥有语音助手，很多时候仍然依赖菜单逻辑和标准命令：用户知道功能在哪 和多服务编排的职责后，任何显著的网络往返、识别迟滞或上下文丢失，都会被用户直接感知为“车不懂我”。这也是为什么AGI时代的座舱体验，不可能单纯依靠更强的云端模型来解决。算力成本时延体验 四大限制隐私与网络依赖能耗压力 解和多模态感知一上车就明显“降智”；成本要足够低，不能把高端芯片和额外NPU成本粗暴转嫁给用户；速度要足够快，因为一旦系统承接的是自然对话、连续追问和实时联动，用户对延迟的容忍度会显著下降。 寿命要求上并不处于同一量级。调研中，多家受访车企都把成本、响应速度和隐私列为优先维度，并强调 升级：模型要更高密度，系统要更低时延，架构要更合理分层，安全与权限治理也要更前置。由此可见，无论是云端还是端侧，单一架构均难以胜任。因此，破解这一两难境地的钥匙，在于算法范式的根本性创新。效果-成本-速度端侧落地不可能三角 理解深度任务完成质量效果 量产可行解高能力密度模型+推理优化+芯片适配+场景裁剪+车云分层 云调用成本实时执行能力08 理论破局密度定律驱动端侧智能跃迁的“新摩尔定律 近几年来，大模型在尺度定律指引下，不断增加训练数据和模型参数的规模，在自然语言理解、生成和 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。如果说摩尔定律推动了集成电路在制程工艺和密度领域持续上升，那么密度定律强调的则是模型在参数、架构、数据治理和训练方法上的“知识压缩效率”不断提高。学术界对密度定律的提出给予高度关注。李升波用棉花与黄金的密度比喻指出，他认为，密度定律指引 高智能，是系统性破解“算力-功耗-成本”三角关系的关键技术路径。密度定律的提出，为系统性地破解第二章所述“不可能三角”提供了理论上的可行性。“能力密度”计算方法示意图引入“基准模型”作为参照系，建模相对能力密度同能力的基准模型参数量相对能力密度目标模型参数量 基准模型参数量2.4B计算基准模型获得与目标模型相同的能力所需的参数量 GPT-310 芯片和额外算力资源的依赖显著下降；再次，在速度上，计算量减少能直接带来更快推理响应。这也是为什么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”。在智能座舱这 在近日举行的智能电动汽车发展高层论坛(2026)上，李升波在《面向具身智能的端到端训练技术及其自动驾驶应用》中指出，更高性能的算法能够显著降低对传统数据规模与算力扩张路径的过度依赖。虽然这一观点主要面向智驾训练，但其逻辑对智能座舱同样成立：模型效率的提升，必须与系统工程能力同步前进。从用户体验角度看，密度定律的重要性在于，它让自然语言交互第一次有机会在车端摆脱固定指令模板 型能够在有限车规算力下稳定运行，用户说“我有点儿冷”找个安静一点、能顺路买咖啡的充电站"或“把接下来半小时切成通勤模式”这类口语化表达时，系统才可能以足够低的时延完成理解、追问、拆解和执行。开源大模型“能力密度”的变化趋势图Maximumcapabilitydensityln (p)=At+B; doubling time= In (2)/A~3.5monthslistral-Small-24 Gemma3-27BGemma2-27BMistral-Small-3.1-24BMixtral-8x22Bhi-1.5-1.2BMinitron-8BLlama-3.1-Minitron-4B-WidthLlama4-Scout-17B-16EtableLM-Zephyr-3BMistral-7B-vo.3Mistrat-7B-v0.1Llama-3.1-Minitron-4B-DepthLlama-3.1-405BLlama3.2-1BMixtral-8x7BGemma-2BpSeek-LLM-7BPhi-1-1.2B MPT-30BFalcon-40R1 July10ctober1January1April1 July10ctober1 January1 April202320232023202420242024202420252025Release date 管理与能力的编排；后台则是车端、移动端和云端按时延、隐私、车控等级与推理复杂度进行分层执行。只有前台、中台、后台同时成立,AGI时代的智能座舱才不是会聊天,而是真正能办事。 Google 则从 Android Auto 和 Google built-in 两套车载入口同时引入 Gemini；奔驰、宝马分别以 MBUXVirtual Assistant 和 Panoramic iDrive 探索更主动、更沉浸的交互方式。不同车企的技术路线不同，但车端承担更多实时职责、云端负责更复杂生态能力的大方向是一致的。出，车路云一体化不是对单车智能的替代，而是同一技术路线在更高协同层级