离了AI，车企不会说话了

作者 | 周永亮

编辑 | 靖宇

11 月，车市的年度冲刺如期而至。新车发布接踵而至，从小鹏 P7+、极越 ROBO X，到腾势 Z9、方程豹 豹 8，再到阿维塔 12 增程版等，车企争相抓住年底的购车热潮，试图以新车型提升全年销量。

在热闹的新品宣发背后，一个更深刻的趋势正在逐渐浮现：车企间的较量，正从传统的硬件之争转向了一个全新的赛道：AI。

这一变化从近几个月的新品发布会中可见端倪。无论是产品亮点的呈现，还是未来战略的描绘，AI 几乎成为每一家车企的关键词。

小鹏汽车董事长何小鹏明确表示，小鹏将在未来 10 年围绕 AI 进行全面布局，力求转型为一家以 AI 技术为核心的全球化科技公司；蔚来创始人李斌强调，成功的智能电动车企，必须首先是一家成功的 AI 公司；而理想汽车董事长李想也坦言，未来三到五年，AI 将是驱动行业质变的最大变量。

各大车企为何着急贴上「AI」的标签？AI 如何重塑汽车格局？

01

AI，不再只是口号

AI 正成为汽车行业的核心驱动力。从智能驾驶到智能座舱，各大车企不再满足于概念宣传，而是将 AI 技术的落地作为竞争的焦点。

在这个过程中，智能驾驶成为最受关注的应用场景之一，也是技术迭代速度最快的领域。

最近，理想汽车公布了全新一代智能驾驶技术架构，以「端到端+VLM（视觉语言模型）」的双系统为核心，进一步强化其智驾能力。即将在 11 月底推送的 OTA 6.5 版本车机系统，为用户带来了多项创新功能：车位到车位智能驾驶、掌上车机等。

小鹏的首款 AI 汽车 小鹏 P7+ | 图片来源：小鹏汽车

小鹏在智驾方面，基于小鹏图灵 AI 智驾体系，成为行业首家用一套智驾软件以及基于端到端大模型实现车位到车位的企业。小鹏汽车在广州车展期间宣布开启全网首测，未来在 AI 天玑 5.5.0 上全量推送。

与此同时，极越也在 2024 广州车展上首次展出了其 AI 智驾超跑 ROBO X。官方称，该车首次将 AI、自动驾驶与超跑结合，零百加速不到 1.9s。

随着智能驾驶技术逐步成熟，行业竞争正从「端到端」迈向「车位到车位」全场景解决方案。谁能率先实现复杂驾驶场景的无缝覆盖，谁就将占据技术领先的优势。

除了驾驶场景，智能座舱正成为AI另一个深度应用的主战场。随着 AI 大模型的引入，正在从根本上重塑智能座舱的核心价值，推动其从传统的硬件功能堆叠向以用户体验驱动的全面变革迈进。

比如，与传统语音交互不同，大模型突破了对命令式语言的依赖，带来了更贴近人类思维的自然语言处理能力。用户通过语音、多模态等交互方式，可以轻松实现「所想即所得」的服务体验；同时，大模型不仅能高效完成单一任务，还能够动态组合复杂服务场景。例如，用户在旅途中可一键生成个性化规划，包括导航、用餐推荐、车内娱乐选择甚至办公安排。

理想 Mind GPT 的技术架构 | 图片来源：理想汽车

最近，理想推出了智能座舱新能力——理想同学+任务大师 2.0，将认知智能与推理能力引入车内，实现基于用户指令生成专属应用。

与此同时，各大车企正在加速推进 AI 大模型在智能座舱中的应用，使其成为品牌竞争的制高点。比如小鹏天玑 OS，以强大的场景化理解能力构建智能生态；比亚迪 DiLink 和长城 Coffee OS 3，通过语音及娱乐体验的持续优化紧跟市场主流；吉利亿咖通 Flyme Auto 与极氪 ZEEKR OS 的迭代升级，带来更流畅的人机交互体验；长安深蓝 Deepal OS 凭借全新升级在交互、智能化上实现突破。

大模型的加入使座舱从单纯的功能集合体，逐步转变为能够理解用户、适配场景并主动提供服务的「智慧伴侣」。未来，这一领域的竞争将更多地聚焦于如何交付更具情感温度的体验。

02

从软件定义汽车，到 AI 定义汽车

随着 AI 大模型的快速发展和普及，汽车行业正迈入新的里程碑。业内逐渐形成共识：汽车正从「软件定义汽车」向「AI 定义汽车」演进。这一转变不仅是技术架构的升级，更是汽车开发、应用和用户体验的全方位重塑。

虽然「软件定义汽车」曾推动汽车行业迈入智能化的初级阶段，但与「AI 定义汽车」相比，其局限性也日益显现。两者的核心区别可以总结为以下三方面：

开发模式。软件定义汽车依赖大量人工开发和工程师介入，需要为每个功能模块（如感知、规划、控制）独立设计算法，并通过大量的路测和迭代完善。

系统复杂性高，数据闭环效率受限；

AI 定义汽车则以大模型为核心，通过云端驱动数据训练、仿真和验证，更多依赖 AI 模型的自动化迭代，极大简化了开发流程和硬件部署。

数据驱动与迭代效率。软件定义汽车以数据闭环依赖人工干预和基础设施支持，边缘场景（Corner Case）的识别与优化需要通过海量路测积累完成；

AI 定义汽车则通过云端仿真和端到端大模型实现自动数据闭环，车端触发 Corner Case 后快速回传，自动完成模型训练和更新。

部署与更新模式。软件定义汽车以 OTA（Over-the-Air）更新为主，重点在于更新系统代码。

虽然这种方式符合严格的合规要求，但流程复杂，更新周期较长；

AI 定义汽车更新模式更偏向模型层面，验证与部署流程简化，减少车端设备依赖，升级灵活高效。

蔚来曝光世界模型（NWM）| 图片来源：蔚来

「AI 定义汽车」标志着智能汽车从「工程驱动」向「智能驱动」的转变。这背后驱动因素主要有以下三个：首先，软件定义汽车的成熟。随着电动车渗透率达到已经超过 50%，软件定义汽车的理念已得到行业验证。

其次，智能驾驶的 AI 化进程。智能驾驶正从基于规则的传统算法，全面转向以 AI 为核心的技术栈。早期的模块化方法，通过 AI 增强的方案逐步成熟，发展到当下的世界模型和端到端（End-to-End）技术，大模型正在为智能驾驶注入「认知能力」，推动技术进入全新高度。

还有，生成式 AI（如 ChatGPT）的横空出世，为智能驾驶提供了全新的思路。从「教机器开车」到「教 AI 开车」，大模型的引入赋予 AI 类似人类的认知能力。以一个有完整认知的大模型为例，它不再是单一任务的执行者，而是能够在动态、复杂环境中灵活决策的「智慧驾驶助手」。

03

速度与迭代能力是关键

「AI 大模型」这一概念，近年来已成为汽车行业的热门话题，成为技术发布和市场宣传中的频频亮相的焦点。各大车企纷纷高调宣称拥抱 AI，力求在智能化浪潮中占据先机。

然而，虽然这一概念广泛传播，但在实际产品中，AI 技术的表现却常常不尽如人意。它们更多地停留在营销层面，未能为消费者带来显著的体验升级。

例如，目前市场上量产的高速 NOA（高速自动驾驶辅助）通常仅能做到「可用」，而非「好用」。这种功能在实际驾驶过程中，往往在精度、稳定性和智能决策上表现出一定的局限性，难以达到预期的用户体验。至于高阶的城市 NOA 功能，仍未普及，甚至在一些复杂场景下表现不佳，尚处于「不可用」的阶段。

小米目前已拥有最高 8.1E FLOPS 可用于智能驾驶训练的算力，并拥有 300 万 CLIPS 的数据 | 图片来源：小米

要真正进入「AI 定义汽车」的阶段，车企不仅需要突破技术门槛，还需跨越资金和资源的重重壁垒。算力、算法、数据闭环是这一过程中不可或缺的三大核心要素。极越汽车 CEO 夏一平此前曾表示，「没有 500 亿做不好智驾，只花几十亿做出的智驾都是『马路杀手』。」这意味着，要在智能驾驶领域取得领先，车企不仅需要投入巨额资金，还需要不断优化技术，建立高效的数据闭环。

随着 AI 驱动的技术进步，领先者与追随者之间的差距将愈发明显。尤其是行业接下来的竞争将围绕全场景智能驾驶，数据闭环和模型积累的优势使得行业领先者处于几乎不可逾越的技术壁垒之中。这种差距不仅体现在技术层面，还将逐步显现为市场份额和品牌影响力的巨大差距。

例如，具备强大数据积累和模型训练能力的车企，可以通过 AI 大模型快速适应不同场景的变化，优化驾驶策略和用户体验。而缺乏数据积累的车企，则可能面临技术更新缓慢、产品迭代滞后的困境。

如今，变革的关键时刻已经到来。在这场 AI 战局中，车企的战略非常明确——应出尽出，抢占制高点。此时的智驾和智舱，已经从「单点突破」走向「全面覆盖」，谁能快速构建技术护城河，谁就能在未来的行业版图中占据主动。

*头图来源：极越汽车