在大模型快速渗透的浪潮下，汽车行业正由软件定义汽车迈向全域AI的全新探索阶段。座舱AI、ADAS感知等AI能力已逐步上车，但座舱与智驾两套智能体系并存，整车统一智能体究竟是行业必然方向还是概念热炒，成为产业热议的焦点。AI究竟重新定义了汽车的哪些内核？舱驾如何完成深度融合？大模型上车后怎样守住行车安全底线，全域AI的核心底座该如何搭建，统一智能体距离大规模普及还有多远？

2026年9月18日，第四届AI定义汽车论坛围绕“全域AI：汽车正在迈向统一智能体吗？”这一话题展开了精彩的热点对话。本次热点对话由盖世汽车国内资讯组资深编辑叶琪梦主持，上海蔚来汽车有限公司座舱人工智能负责人、高级总监高杰，宁波均联智行科技股份有限公司全球ADAS负责人汪浩伟，重庆中科摇橹船信息科技有限公司销售副总裁马健参与讨论。

以下为热点对话内容整理：

Q&A 1

叶琪梦：当前，许多车辆已经搭载多项AI相关技术，例如座舱AI以及ADAS感知算法等。那么“AI定义汽车”这一表述中，AI究竟定义了什么？是产品形态，还是用户体验，亦或是整个产业的价值分配，或是人与车之间的关系？

高杰：谈及AI定义汽车，对于面向消费者的产品而言，首先需要回归产品价值本身。无论是SDV还是AIDV，倘若无法为产品价值带来更多增量，那么对于整个行业而言便没有实际意义。

结合我自身对AI定义汽车的理解，反过来探讨AI定义汽车为汽车行业带来的增量。首先，自动驾驶领域无需赘述，AI带来了智能出行，推动行业发生变革。而近期大家讨论AI定义汽车，更多聚焦于全域AI，探讨AI如何介入各个环节。在我看来，其价值分为两个部分。第一部分正如各位今天所分享的，在各个细分触点，无论是智能底盘、智能语音交互、智能驾驶，还是众多其他触点，AI对每一处进行重塑与效能提升，带来更好的用户体验。

另一方面是整车层面的统一智能能力。我认为其中有几个关键概念很有意义，全感知、中枢大脑、全执行。车辆将真正具备感知能力，能够理解各类信息，由此塑造全新的用户体验。这或许是AI定义汽车带来的决定性变革。

在体验实现升级之后，才会衍生出更多商业价值。例如智能驾驶对应的订阅服务、Robotaxi智能出行，或是智能座舱语音交互所支撑的服务收费、订阅模式以及各类增值服务。我认为，先实现体验革新，才有后续一切商业落地。

汪浩伟：从根本上来说，软件定义汽车是以软件来定义汽车功能。在过去选购汽车时，大家更多关注硬件层面，比如发动机性能、转向手感、加速能力、座椅舒适度等，这些能力主要依靠硬件实现，软件仅起到辅助作用。

进入软件定义汽车时代后，汽车的各类功能都可以通过软件重新编写，并且需要一整套硬件架构作为支撑，这便是软件定义汽车的本质。从这个角度来看，AI定义汽车的底层思路与之相似。未来汽车在功能层面，其行为不再依靠人工编写的程序来定义。车辆的性能表现、各项功能细节、用户体验、加速感受与操控性等，或许将不再由人工代码实现，而是由AI完成生成、训练与迭代。我认为这正是AI定义汽车与软件定义汽车的本质区别。因此从硬件到中间层软件的整套体系，都需要适配这一转变。当然，AI定义汽车并不局限于车辆本身，还需要延伸至云端以及其他领域，从而形成一体化的AI体验。

叶琪梦：接下来请问马总，您在与车企客户对接的过程中，车企愿意为AI定义汽车这一方向投入，其最核心的驱动力是什么？是希望实现降本增效，还是AI确实能够成为打造优质车辆的关键要素？

马健：结合我们对接车企的经验来看，车企当前首要关注的是降本。我们现有的感知系统具备降本效果，在同类方案中拥有成本优势。该感知系统前端完成融合，同时可实现相机与激光雷达对应的功能。其次是效率提升，我们将算法前置，在获取长尾场景时主动进行过滤，无需在后端叠加各类处理流程，从而实现效率提升。

Q&A 2

叶琪梦：当前车辆最典型的现状是两套智能体系并存，座舱AI负责交互，ADAS负责驾驶。目前行业普遍提出打造统一智能体。各位认为这一发展方向是必然趋势，还是一个有待重新定义的概念？两套智能体系应当如何演进为面向用户的统一智能体？首先有请汪总从工程落地的角度聊一聊，座舱与智驾的融合应当如何实现？

汪浩伟：融合包含多个层面。最基础的是硬件层面，这也是部分车企愿意迈出的第一步，相关供应商在此具备一定优势，这一步也必不可少。而在软件层面，整个算力需求方面，座舱与智驾的共用部分会被提炼出来，统一开发。这一点大家不难设想与落地，但我认为真正的融合点在于模型层。只有实现模型层面的融合，才能在AI层面、智能体层级完成座舱与智驾的融合。

在此场景下，车辆的多项功能将具备自发性与自主性。就像各类感知触点，需要依托全新架构搭建，传统软件依靠模块划分功能的模式无法实现该效果。因此融合最终必须落地于模型层面，座舱与智驾才能够实现真正统一，或是部分统一。

但我认为其中还有一个关键问题：座舱与智驾对安全等级的要求并不相同。车辆上很多功能都是这样，不只是驾驶相关系统，通信、底盘等模块，也分别对应不同安全等级要求。车辆与人存在安全关联属性，因此在整车设计与制造过程中，安全始终是重要考量。这也是座舱与智驾在融合阶段需要重点考虑的内容。

叶琪梦：您提到融合存在多种实现路径，当前舱驾融合面临诸多挑战，例如算力融合、数据融合、交互融合，各自关注的安全要点有所差异。在这些方面，目前有哪些挑战和卡点？

汪浩伟：舱驾融合面临的问题不只是安全。首先是需求层面的差异，车企对座舱与智驾的需求完全不同，二者的侧重点、软件迭代速度，以及交互、安全方面的要求均存在区别，属于综合性差异。这也是舱驾融合讨论多年，但落地难度较大的核心原因，根源在于底层需求本身。

我们目前有一种逐步落地的思路，概括来说就是求同存异，可以统一的需求采用统一架构实现，无法统一的需求则采用差异化架构。这也是我们持续提及安全执行机制的原因。在高智能化场景下，智能化程度较高、安全要求相对较低的部分，可在一套架构中实现；安全等级要求极高的部分，则交由另一套架构承载。其余功能模块也可依照该思路处理。

以往整车架构按照功能进行划分，也就是功能域控制器，智驾相关功能全部由智驾控制器管理，各模块分属不同控制器。融合之后，架构将依据需求属性进行划分：安全要求高的功能采用对应的实现方案；智能化程度高、需要依托大量模型自主生成能力的功能，则由另一套系统提供支撑。这种模式或将成为未来的技术发展趋势。

叶琪梦：接下来请从产品角度谈谈，如何打造面向用户的智能体。另外，用户是否会在意车辆背后是否由统一智能体来运行？

高杰：目前行业都在搭建各类智能体，但车载系统究竟应该设置几个智能体，智能体之间是什么关系，面向用户呈现的智能体数量该如何设定，无论是行业同仁还是我们团队内部，都存在大量探讨。

我们不妨追本溯源，厘清智能体的定义。广义上，智能体是由模型驱动、具备感知、决策与执行能力的软件形态。也就是说，当前行业开展的诸多工作都可以纳入这个范畴。例如智驾系统，负责与环境交互，以车辆为主体，面向环境做出决策。智能底盘同样面向环境开展交互，主体是底盘。智能座舱则面向人进行交互。随着各类触点不断部署智能软件，从逻辑上来说，这类智能体形态的软件数量会持续增多，这是必然趋势，也是客观事实。

再回到人与车交互的问题。我认为人车交互应当拥有统一触点，由此反推，需要一个统一的智能体承载这项能力。以我们的产品NOMI为例，从诞生之初，我们就希望它成为汽车的灵魂。无论智驾系统执行何种操作，它都应当知晓。底层各类子智能体或小型软件可以独立运行，但作为与人交互的总控核心，也就是中央大脑，需要掌握全部信息。我设想的整车形态是兼具集中管控与分布式自主运行的特点，各子系统可以自主完成多项功能，例如智驾本身存在时延、安全相关约束，但总控核心必须感知全部事件，并依托这一能力实现车辆与人之间的交互。

叶琪梦：那您认为座舱AI理解并传递用户意图这项能力的边界应当如何界定？

高杰：这其实关联到另一个议题，各类模型应当管控哪些能力，以及当前阶段能力的分配方式。如果存在一个模型，既能理解人的意图，又具备足够低的响应时延，那自然无需划分边界，全部交由这个统一大脑处理。

我认为当下的边界，本质由系统特性与模型能力上限决定。智能驾驶的能力上限，核心是空间智能，能够识别周边环境，判断车辆应当如何行驶。这部分内容毫无疑问应交由智驾模块完成，车辆的行驶决策由其负责。但对于用户高层意图的理解，则需要交由座舱大模型。一方面，座舱大模型直接接收用户指令；另一方面，座舱拥有专属传感输入、用户长期记忆以及各类独有传感器，这些信息都是智驾模块无法获取的。简单来说，边界由模型自身能力以及所能感知到的信息决定。

Q&A 3

叶琪梦：当前大模型逐步落地车载场景，确实提升了车辆的智能化水平，但同时也带来不可控性。车辆在变得更智能的同时，是否会突破安全底线？大模型能力正从座舱逐步延伸至驾驶决策环节，我们应当如何守住安全底线？请问马总，车企客户对于AI上车的安全顾虑主要体现在哪些方面？在客户的采购决策当中，安全可靠是否是影响选型的核心因素？

马健：安全是车企重点关注的问题。模型推理过程中容易产生幻觉。对于空间智能，我们可以为其增加物理锚点，使其正确感知环境，识别车辆需要观测的目标，以此规避幻觉问题。如果没有对应的锚点，模型就难以建立对世界的正确认知。

叶琪梦：请问汪总，您认为大模型进行决策时，安全边界应当如何划分？此外，大模型上车之后，ADAS的开发与迭代模式发生了哪些变化？

汪浩伟：首先，智能驾驶的最终目标，始终是保障人员安全地从A点抵达B点。无论智能化程度有多高，这一点永远是首要原则。

我认为智驾大模型与座舱大模型本质上并不完全等同。可以类比为Agent调度其他Agent执行任务，就像向GPT下达指令，由其完成制作PPT这类工作，指令可简可繁，系统能够较好地完成各项任务。

放到未来车载智能场景中，人与车辆的交互触点一定会趋向统一，这样人才能以更自然的方式和AI交互。但AI最终对车辆的控制接口却是差异化的，因为每款车辆的参数各不相同，车身高度、车头结构存在差异，对应的车辆控制接口也有所区别。

但智能驾驶的运行逻辑并非如此。智驾系统最核心的是从外部环境获取感知数据，并自主完成决策，辅助车辆行驶。它最多会和座舱进行上层慢速交互，例如告知当前行驶状态、询问用户行驶偏好。这类交互属于上层慢速交互，无法匹配智驾本身的决策速度。智驾决策对实时性要求极高，一旦延迟，就可能引发碰撞风险，安全标准十分严苛。

所以二者本质上属于两类智能体，仅底层技术存在共通之处，因此需要清晰划定边界。座舱AI与智驾AI的职责所在，一部分是偏向交互、响应速度要求较低的任务，交由座舱智能体；需要高速实时决策的任务，则交由智能驾驶智能体。这样就能清晰划分两者的职责边界。

回到智能驾驶本身的安全问题。无论智驾系统智能化程度有多高，正所谓武功再高，也怕菜刀，模型依旧存在幻觉等问题。因此需要像我们这样的第二套安全方案或者备用链路，保障极端场景下的安全。这既是我们作为供应商的责任，也是车企的共识。

叶琪梦：刚才高总提到，安全相关的事项应当交由ADAS负责。如果必须在提升ADAS系统安全性与智能化水平二者之间做出取舍，您认为应当优先选择哪一项？

高杰：我最近也在体验我们全新的系统，内部正在测试一套原生基于大模型、全AIOS架构的方案。您提出的这个问题很快就会变成非常现实的难题。一方面模型能力持续增强，另一方面又要求在真实物理环境中保持可控，二者天然存在矛盾。我分享一下我短期和长期层面的思考。

短期的思路，我们工程落地的方案其实比较明确。简言之，就是联合产品共同设计，做到模型负责模型的工作，代码负责代码的工作。比如车辆行驶过程中车门不能开启这类硬性规则，必须交由代码实现，绝对不能交给模型处理。这是短期落地实践里最现实的做法。当然，当下的安全范畴不只是功能安全。智能体落地过程中还有一大课题，就是用户隐私，是新型的数据安全问题。目前可以看到，今年上市的新品大多主推用户行为追踪与记忆功能。但与此同时，在用户隐私保护、信息保密以及数据安全方面，还没有成熟完善的解决方案。我们虽然在这方面开展了不少探索，但整体仍处在摸索阶段，其他行业也是同样的情况。例如手机行业，努比亚在新品发布时专门发布安全隐私白皮书，一方面强调智能化能力，另一方面强调数据管控，这也是行业当前面临的现实问题。

从长期看，我认为需要采用正向设计。大家如果关注相关新闻就会发现，最新的部分模型即便预先设置大量约束，依然存在绕过限制、自主编写代码、实现越狱等行为。这一点确实值得警惕。云端模型规模已经达到数百亿参数级别，我认为再过几年，云端大脑会变得非常强大。例如几百亿甚至万亿参数的模型，可实现的能力会大幅增加。倘若管控失效，模型自主编写代码、对车辆做出破坏性操作并非没有可能。因此长远来看，必须进行正向安全设计，虽然目前还没有发展到这个阶段，但未来几年存在这类风险。

Q&A 4

叶琪梦：现在行业都在谈论全域AI。想要实现全域AI，芯片、中央计算、车云协同、数据与工程闭环等环节看起来都十分重要。那么全域AI最核心的底座究竟是什么？有没有哪些方向被行业过度渲染，实际并没有那么关键？

高杰：关于全域AI这个话题，大概从2023年5、6月开始，我就在蔚来内部推动AIOS的理念，最早是从座舱落地，经过三年多实践。回到前面提到的愿景：我们希望打造由一个智能大脑管控的、具备全感知与全执行能力的智能体。要实现这个愿景，我认为离不开两大基础。第一是全域数据感知，各类信息都可以汇聚到大脑；第二是全执行能力，所有需要管控的部件都可以接收指令。这是两个底层前提。

继续拆解到架构层面，就比较清晰了。比如中央控制整车架构，我认为是必需的。如果缺少这套架构，数据无法向上汇聚，控制指令也无法下发，整个体系就无法运转，这是必然的底层基础。上层的SDV软件，各家思路有所不同，例如蔚来SkyOS，同样属于基础支撑。而有些相关技术属于辅助能力。比如端侧芯片、统一计算平台，虽然实现全域AI会对端侧算力、传感器以及持续待机能力提出更高要求，但我认为它们更多属于加分项。另外，数据闭环也是全域智能体的基础。智能体除了自主执行能力，核心特质还有学习能力。如果无法持续学习迭代，智能体体系就难以持续发展，所以数据闭环是另一项核心底座。

汪浩伟：从实现层面看，全域AI不只是软硬件一体化，需要更强的CPU、更大的带宽打通链路，完成软件中间件的打通。更关键的是，能否实现全域AI迭代与部署的统一化。从智驾领域的经验来看，谁能够提升迭代速度，谁就能在智驾领域占据优势。AI能力上限，取决于能否在有限周期内最大化用好数据，并且持续迭代。AI并非固化的产品，不存在开发完成、SOP发布之后就不再改动的情况。AI的持续迭代，需要配套对应的组织与流程。

所以从这个角度来说，全域AI不只是软硬件，还包括训练工具链，以及高度自动化、统一化的AI部署与测试体系。我们当前量产项目的时间压力很大，但开发周期里，大量时间消耗在底层功能调试上。这说明现有的工具与架构并不适合大规模落地全域AI。必须先解决这个问题，把基础设施建好，才能让AI能力真正跑起来。

Q&A 5

叶琪梦：各位认为统一智能体真正普及还需要多久？3年、5年、10年，还是更久？

马健：这个问题我很难给出确定答案，因为我们和车企的接触深度有限。但从感知层面来看，感知技术可以加速这个进程。结合汪总刚才聊到的AI相关话题，我们有一个设想：如果感知输出统一语义，下发指令给到ADAS系统，是否能够提升车辆智能化水平？车辆行驶时，当识别到前方小型障碍物，感知模块把识别结果以统一语义同步输出，同时提醒用户前方障碍物，车辆是否会变得更加智能？这有可能加快统一智能体落地的节奏。

汪浩伟：首先要界定全域AI要达到什么样的水准。如果只是实现人车交互层面统一的AI触点，给用户连贯自然的交互体验，我认为两三年就可以落地，进度会比较快。相关技术其实已经准备就绪，真正的瓶颈在于成本。运行大模型的AI Box需要大量内存，内存成本居高不下，这是当前最大的制约因素。

但如果要做到整车真正意义上的全域统一智能体，实现座舱、智驾、底盘等系统深度协同，同时兼顾安全合规，那周期会更长。硬件、软件架构、安全验证、法规标准都需要同步完善，不能只看单点技术。其他相关技术其实已经准备就绪。但如果要做到深度嵌入车辆底层，交互只是表层目标，最终目标是实现对车辆的统一控制，让整车成为完整的统一智能体，我判断大概还需要5到7年。

高杰：我认为大概两年左右，市场上会出现成熟的全域AI汽车，交互体验变得非常自然。但要做到完全成熟落地，则需要5年甚至更久。

之所以判断两年会迎来初步落地，主要有几重门槛需要跨越。第一，车企对新型模型与智能技术的掌握程度不足。目前只有少数头部车企摸到门道，绝大多数车企还没有真正吃透大模型、智能体相关技术，包括我们在内，行业都还需要时间学习消化。第二，传统SDV、SOA软件架构，要从原有软件体系向AI原生架构转型，这个过程需要周期。第三，硬件、传感器存在成本压力，需要在用户价值提升的同时推动成本下降，同样需要时间。这三件事叠加起来，即使进展顺利，也需要这个时间窗口。