智能座舱的终局是什么？面壁智能给出了自己的答案|传感器|座椅|座舱|指令式|智能化|面壁智能

下一代的智能座舱究竟是什么样子？

汽车行业目前仍然处在智能化的转型期，对于上面这个问题并没有足够统一且权威的答案，但是在本次北京车展上，所有玩家都试图在解答着这个问题。

“XX，我要去看日出”、“XX，我饿了，帮我找个好吃的餐厅”……仔细听的话，会发现每个人坐上展车之后，都在对AI助手下达类似的指令。

这已经成为智能座舱的常态画面。但仔细想，问题恰恰出在这里——所有服务都来自于明确的指令。用户必须知道自己要什么、怎么说，系统才能响应。这本质上仍是”被动智能”：座舱是工具，人是操作者。

真正的革新方向应该是反过来的：即所有的服务都来自于座舱自己的“观察”，不等车内乘客下发指令就完成服务，让服务自然发生。

只有这样，智能座舱才能从工具属性转换成陪伴属性。

幸运的是，在本次北京车展上，车东西看到这样的未来已经开始加速到来了。

一、告别指令式智能座舱领域呼唤“真智能”

在今年的北京车展上，车辆座舱的智能化体验已经成为非常重要的一个板块了。这也代表了汽车行业转型的一个重点—— 随着汽车四化进程加速，汽车开始越来越接近电子产品，座舱系统逐渐和手机等设备打通，行业迎来了第一次智能化升级：常用App上车，语音助手可以完成一定的车控功能。

但从本质上来看，座舱并没有发生“质”的变化，仍然是以指令式智能为主。什么是指令式智能呢？即用户提出指令，然后座舱系统逐个完成。无论座舱内一次性完成多少个指令，都是被动服务的结果。座舱的服务仍然是呆呆的，缺乏主动性。

那么，座舱能不能像真人一样，学会察言观色，主动给人提供智能化的帮助呢？

在北京车展面壁智能的展台上，车东西就真切的感受到了这种主动的，聪明的，真正的智能——无感智能。面壁智能全新发布的升级版SuperMate端侧智能座舱方案，打通感知-记忆-推理-执行的完整闭环，通过车内外传感器判断环境和用户需求，依靠车端模型主动式服务。

▲面壁智能展台

举个简单的例子，日常行车中，乘客均在前排，但是东西放在后排，想要拿东西比较费劲。但是在面壁这套系统中，车辆可以通过车内摄像头识别到用户的意向，自动往后调整座椅，方便用户取物。

再比如，用户满脸疲惫地坐上车，瘫坐到座椅上，这时车辆就会自动调节座椅高度，打开座椅按摩，调暗车内灯光，然后自动播放解压纯音乐。

整个过程不需要用户逐条下发指令，座舱会主动判断需求并完成服务。用户甚至不需要第一时间感知到车辆做了什么，只需要感受车辆无微不至的服务。

▲面壁智能智能座舱方案

这就是无感智能的核心 ——从”人找服务”变成”服务找人”，让汽车真正变得更加懂你。

在吉利银河M9上，面壁智能的座舱方案已经在部分场景下实现了主动智能：能见度差时自动开启雾灯，过收费站自动降窗，车内人员检测并分别响应，给每个人提供相应服务。这些都不是用户喊出来的，是车”看”到之后自己做的。

二、端云协同新路线上车无感智能成为现实

从用户的感受上来看，无感智能确实能让消费者享受到科技的便捷。但为什么并没有在行业内形成大规模落地呢？关键在于技术路径选择与较高的技术门槛。

当前智能座舱的大模型部署并没有形成单一技术路线。公开信息显示，大致可分为三类：云端为主、端云协同、强端侧。根据由清华大学车辆与运载学院、中国汽车报、面壁智能共同发布《智能座舱：定义 AGI 时代的汽车新范式》白皮书（下文简称为《白皮书》）显示，纯云端架构虽然模型能力上限高、服务扩展快，但一旦进入车内高频交互场景，会迅速遭遇四个结构性约束：

一是算力成本高，车内语音、多模态识别、推荐、状态问答等交互一旦高频发生，就会形成持续的API和推理支出。

二是时延体验。用户在地库若想通过语音打开空调，纯云端方案在信号不佳时会失效，最终还需要手动操作，对用户来说，这会带来不好的体验感。

三是网络依赖。对于汽车来说，隧道、地库、偏远区域并不是边缘场景，而是高频用车的真实场景，如果系统关键能力建立在云端往返之上，断网或者弱网环境就存在击穿体验底线的风险。

第四则是隐私与能耗压力，智能座舱会接触车外视频、车内语音、舱内摄像头、人脸信息、位置轨迹等敏感信息。这些信息的上传不但会增加隐私合规的压力，也会带来设备能耗和链路管理的开销。

白皮书进一步指出，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；当自然语言开始承担跨功能调用、连续追问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。

▲《白皮书》发布现场

那么，哪些功能应该放在端侧？清华大学李克强教授提出，”车端-移动端-云端”的分层协同逻辑，要求系统具备明确的能力分工、可靠的跨端接力和可审计的执行机制。具体而言：一是有时延要求的功能，即越接近瞬时交互的任务；二是涉及到隐私敏感的内容，比如涉及舱内视频、声纹、人脸、位置轨迹的任务应优先在本地完成；三是涉及到车控的功能，一旦能力需要触发空调、车窗、座椅、灯光甚至更高等级的车辆执行，就需要可验证，可审计的本地控制链。需要调用大范围外部知识、联网服务或复杂长链规划的任务，仍更适合由云端承担。

面壁智能联合创始人兼CEO李大海在接受采访时表示，“面壁智能认为端侧模型和云端模型是协同的关系，端侧主内，云侧主外。”端侧模型可以感知车舱内外环境，把车内的所有任务都做好，实时性更强，又不需要为隐私担心。云主外则是处理需要大范围外部知识、联网服务或复杂长链规划的任务。”哪个餐厅好吃、哪里交通变复杂、哪里天气剧烈变化，这些只能通过云侧智能去了解，去做协同互补。”

▲面壁智能联合创始人兼CEO李大海

那么面壁智能是如何实现端侧无感智能的呢？面壁智能联合创始人兼COO雷升涛也从技术角度做了解读，主要拆解了三项核心能力：

▲面壁智能联合创始人兼COO雷升涛（右一）

一是面壁智能通过端侧模型，让车能够有一套可以在线获取并且有反馈的“五官”。面壁的全双工全模态模型 MiniCPM-o 4.5 未来将会“上车”，结合车内传感器，像一个时刻在线的真人，可以边看、边听、边说。

▲面壁智能全双工全模态模型MiniCPM

二是面壁智能在让模型有了“五官”的基础上，还有了可以自主编排，自我修正的大脑。人类司机驾驶的时候，大脑执行的一般不是“指令”，而是最终的“目的”。⾯壁通过意图识别、思维链、端侧极致推理等能⼒，让车具备了“逻辑”，不再只是执行动作，而是在帮助用户解决问题。

三是面壁智能建立了一个行为模式库，类似于AI的“海马体”，模拟了人类⼤脑从 L1 到 L5 的记忆分层机制，让Agent有了“抽象”的高维度能力。随着数据值的不断积累，Agent会越来越像人，最终让座舱的服务升华到类似人类“本能”的程度。

技术路线需要产业验证。面壁已经与吉利、上汽大众、广汽集团、长安马自达等车企达成合作，预计今年更多车型搭载其端侧AI方案。芯片层面，与高通、英特尔、联发科、AMD、辉羲、瑞芯微、英伟达等主流厂商深度合作；Tier 1层面，与梧桐车联、德赛西威、中科创达、安波福等达成生态合作。

截至目前，面壁已完成三个汽车品牌量产落地，预计今年量产规模达30万台。对于一个创业公司来说，这个速度说明端侧路线已经跨过”概念验证”，进入”规模复制”阶段。

三、清华系模型公司专注高密度大模型开发

端侧智能座舱不是”把模型变小塞上车”。行业玩家众多，为什么面壁能率先跑通量产？核心在于三层壁垒，每一层都需要长期积累，短期投入难以补齐。

第一层是理论底座。端侧落地的核心难题在于”效果-成本-速度”的不可能三角。效果要足够好，不能让自然语言理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。

面壁智能与清华团队联合提出了密度定律（Densing Law），李大海介绍，面壁智能2024年发现大模型的知识密度提升速度比摩尔定律快了5倍，能力密度每3.5个月翻一倍。李升波教授用棉花与黄金的密度比喻指出，密度定律指引行业从追求“棉花体积”转向追求“黄金密度”，通过模型结构、训练方法和算法的创新，在同等算力下激发更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。

第二层是端侧模型的技术积累。雷升涛表示，面壁智能的端侧模型每次发布的时候，都会在HuggingFace、Github上引发讨论，这说明在端侧模型技术方面，面壁智能已经具备了全球领先的影响力。凭借以小博大、高效低成本的鲜明特性，面壁智能 MiniCPM 大模型，深受全球开发者欢迎。截至目前，MiniCPM 系列模型已囊括语言模型、全模态模型、多模态模型、语音模型，是国内除阿里以外唯一开源的「端侧模型全家桶」 AI 厂商，在 GitHub、Hugging Face 等平台下载量已突破 2800 万。

第三层是量产规模。李大海介绍，在2023年的时候，面壁智能就认为大模型会把所有的行业都重新做一遍，因此，他们认为大模型跟汽车、智能座舱结合是一个必然会发生的事情。

面壁智能在2024年7月正式组建了汽车团队，开始坚定布局汽车业务。

“其实面壁智能一直走在汽车与AI结合的最前沿，我们和很多先锋主机厂一起，不断定义新的智能座舱产品，不断丰富和完善新的场景，让智能座舱在端侧模型的赋能之下，变得更快、更主动、更聪明，这是我们一直在做的工作。”李大海说到。

今年量产30万台的意义不只是数字——端侧模型上车需要针对不同芯片做推理优化、针对不同车型做场景适配、针对不同车企做功能定制。