從“雷達數”到“含模量”：誰來為汽車AI買單？

AI概念席卷了北京車展的每個展臺，但它不應只是停留在聚光燈之下的炫技，而是尊重真實需求，成為解決用戶實際問題的工具

文｜《財經》研究員尹路

編輯｜黃凱茜

2026年4月的北京車展，汽車行業的技術敘事出現了一個明顯的特征：如果不談AI、大模型、智能體（Agent），一家車企甚至“不好意思”召開新聞發布會。

這股AI浪潮席卷了整個產業鏈的上下游。

在整車端，比亞迪宣布全系接入豆包與通義大模型，理想發布了基于Agent架構的I-OS v2.0，吉利、長城、蔚來、小鵬紛紛將“全域智能體”“世界模型”作為核心賣點。

在科技供應鏈一側，騰訊在車展前夕發布了“出行全場景智能體開放平臺”，一口氣推出了隨行點單、隨行向導等七大場景智能體；火山引擎、華為乾崑、智譜AI等也悉數登場，將端云協同、多模態大模型等技術推向臺前。

僅僅一年前的上海車展，車企還在卷屏幕數量、算力大小和雷達顆數；而今天，競爭的維度已經變為“含模量”。從傳統交通工具向“移動智能體”的進化，迅速成為整個行業的共識。

但在一個習慣用發布會和新概念制造熱度的行業里，車企的集體狂歡與消費者的真實體感之間，往往隔著一道隱形的鴻溝。

當幾百億甚至上千億參數的大模型被塞進車廂，當智能體被塑造成無所不能的“超級管家”，這些究竟是消費者不可或缺的真實需求，還是車企深陷同質化競爭時的一廂情愿？

體驗的躍升與車企的一廂情愿

不可否認，AI和智能體上車，確實在技術底層為汽車產品帶來了革命性的變化，主要體現在智能駕駛和智能座艙兩個維度。

在智能駕駛層面，大模型和端到端技術的引入，讓智駕系統從過去的“規則驅動”轉向了“數據驅動”。以往面對無保護左轉、人車混行、城中村路況等復雜場景，傳統輔助駕駛往往會因超出預設規則而罷工或要求人工接管。而現在的物理世界大模型，具備了對復雜環境的預判能力和應對能力，智能駕駛變得更像一個“老司機”，大幅緩解了長途或擁堵路況下的駕駛疲勞。

在智能座艙層面，變化則更為明顯。過去的語音交互本質上是“命令式”的，用戶必須說出特定喚醒詞和指令語法，例如“打開空調，調至22度”。而融入大模型后的座艙智能體，實現了自然語言的深層理解與多模態交互。用戶只需要說一句“我有點冷，順便找個提神的方法”，系統就能自動調高溫度、關閉車窗，并播放一首節奏歡快的音樂或推薦一杯沿途的冰美式。

這些確實是體驗上的明顯改善。然而，在車展的鎂光燈下，我們同樣看到了大量充斥著“一廂情愿”的偽需求。

很多車企在發布會上極力描繪這樣的場景：車輛通過攝像頭捕捉用戶的微表情，主動陪用戶聊天解悶；或者將辦公生態搬進車內，讓用戶在通勤路上隨時處理復雜的Excel表格和視頻會議；更有甚者，在車機里養起了虛擬寵物，然后用戶通過各種指令去“投喂”和互動。

許多所謂的AI創新，本質上偏離了駕駛場景核心訴求。

汽車的本質屬性依然是A點到B點的移動工具。在絕大多數日常通勤中，用戶最需要的是以安全、高效、低認知負荷的方式完成這段旅程。那些過于活躍、頻繁“主動搭話”的智能體，不僅沒有減輕用戶的負擔，反而增加了信息噪聲；那些需要用戶在車內進行復雜多步操作的娛樂和辦公功能，在路途顛簸和有限的空間內，體驗遠不如一臺普通的智能手機。

致力于做車企“數字化助手”的科技巨頭也看清了這一點。騰訊智慧出行副總裁李博直言不諱：“車企智能化轉型不是把大模型簡單地搬上車，而是要結合真實場景，推動Agent落地解決實際問題。如果只是簡單搬上車，實際沒有解決任何問題，這和在手機上直接問AI沒有區別。”騰訊智慧出行負責人鐘學丹也坦言，下一代的智能座艙，不是在車內增加多少屏幕、引入多少個應用；智能化比拼不再看AI功能堆得多不多，而是看誰能真正將大模型與整車能力組織成一個解決場景需求的智能中樞。

如果一項技術不能解決痛點，反而制造了新的麻煩，那么它就不是創新，而是營銷噱頭。車企不能將自己對AI技術的盲目崇拜，強加為消費者的實際需求。

AI的底色是解決問題，而非炫技

AI上車到底應該給消費者帶來什么？

不論是AI還是智能體，面向用戶的價值可歸結為兩點：第一，把現在已經能做的事情做得更好；第二，去做現在做不了的事情。

以導航為例，在傳統模式下，用戶需要準確輸入目的地名稱才能導航。但在真實生活中，人們的記憶往往是模糊的、特征化的。

融入AI大模型后，導航應該怎么做？不需要確切的地址，用戶只需要給出特征描述。比如你說：“導航去那個能拍到‘浦東三件套’的廣場”，或者“帶我去雁棲湖邊上那個長得像球一樣的酒店”。

系統能夠瞬間通過自然語言理解、知識圖譜檢索和模糊語義匹配等方式，準確地將目的地定位到“陸家嘴濱江綠地”或“日出東方凱賓斯基酒店”，并直接規劃好包含實時路況的最佳路線。

這是能給用戶帶來明確收益的改進——它不需要死記硬背地標名稱，不需要在手機上先查好再同步到車機，它打破了機器的僵化邏輯，符合人類的自然習慣。

再比如復雜任務的閉環處理。在多模態和Agent技術的支持下，用戶可以在快下班時對車機說：“按老規矩幫我點一杯咖啡，在我到公司樓下的時候剛好能拿。”系統需要自動調取用戶的歷史偏好（常喝美式、少冰）、當前車輛位置、預計到達時間，并在合適的時間節點自動向小程序下發訂單，甚至自動完成支付。

這就是AI智能體“能做現在做不了的事情”的體現。它從被動的“功能執行者”，進化為主動的“任務規劃者”，真正實現自主規劃、自主執行、交付成果。

但問題在于，當前的市場環境并不獎勵務實。主動的克制延展功能邊界、打磨基礎體驗的枯燥過程，在短期內很難轉化為傳播上的爆點。于是，行業更傾向于走向另一個方向：用堆砌的參數和花哨的概念，來掩蓋基礎體驗的粗糙。當車企在發布會上驕傲地宣布自己的大模型又刷了多少榜單、擁有幾千億參數時，消費者可能依然在忍受著地下車庫里因為連不上網，就成了“人工智障”的語音助手。

技術進步的理想形態，是讓技術本身“消失”在順滑的體驗中。如果消費者在開車時還需要像個提示詞工程師一樣，字斟句酌地給系統下達指令，反而增加了使用負擔。

被折疊的隱形成本與代價

在車企鋪天蓋地的宣傳中，AI帶來的美好圖景似乎觸手可及。但這些改善背后，消費者需要付出的成本卻鮮有提及。這就好比冰山，水面之上是極具誘惑力的智能體驗，水面之下則是消費者必須承擔的顯性與隱性成本。

首先是避無可避的顯性成本。

AI算力的落地需要實打實的硬件支撐。要跑通端側大模型、實現高階智能駕駛，車輛必須搭載算力動輒數百乃至上千TOPS（每秒萬億次運算能力）的車規級芯片，以及激光雷達、高清攝像頭等成本高昂的感知硬件。同一款車型，搭載高階智駕與AI大模型座艙的版本，相比基礎版普遍存在數萬元的溢價。

這還不包括后續的持續性支出，高級智駕功能和特定的AI增值服務，正越來越多地采用“訂閱制”。每月上百元的訂閱費，讓汽車從“一次性買斷資產”變成了“持續付費服務”。此外，更多的數據流量消耗、因為雷達等精密傳感器增加而高企的事故維修成本及車輛保險費用，都在拉高消費者的擁車成本。

但相比顯性成本，更令人擔憂的是那些難以量化的隱性成本。

第一道難關是“冷啟動”成本和使用門檻。

車展發布會上演示的“懂你所想、先你一步”的智能體，并非一出廠就具備這種能力。一個優秀的Agent，運行的前提是有大量用戶數據與前期配置的積累：系統需要掌握用戶的家庭住址、公司位置與通勤路線，綁定微信、淘寶、美團等賬號，并獲取免密支付等授權；還需要在數月的持續使用中，不斷收集用戶的駕駛習慣、座椅偏好，甚至是對冷熱的敏感度數據。

這對普通消費者來說是一個煩瑣且充滿疑慮的過程。如果缺乏這些深度數據的“喂養”，所謂的超級智能體就退化成只能查天氣的普通語音助手。但要求消費者事無巨細地交出生活的所有數字接口，這本身就是一個巨大的心理和操作門檻。

第二道障礙是數據安全與隱私風險。

汽車正在成為一個裝滿傳感器的移動“全景監控室”。為了讓AI能夠“察言觀色”，車內攝像頭可能實時追蹤車主視線、分析面部表情；麥克風陣列在時刻監聽車內的每一次對話。

數據去了哪里？誰有權訪問這些數據？在車企的云端服務器里，這些涉及個人隱私的信息是否絕對安全？在多家跨國車企和造車新勢力都曾爆出過數據泄露事件的當下，消費者的擔憂絕非杞人憂天。為了換取更多便利，將個人的“數字生命”完全暴露給企業，這種交換對很多用戶而言并不等價。

第三道難題是學習成本與安全責任的模糊。

隨著AI系統接管的權限越來越多，系統的行為邏輯變得越來越復雜，甚至呈現出一定的“黑箱”特征。消費者需要花費大量時間去學習系統的能力邊界：什么時候可以信任它？什么時候必須立刻接管？

更棘手的是責任劃分。當搭載AI大模型的系統在規劃路線并執行復雜智駕任務時發生了事故，責任歸屬仍不確定。目前，法律法規層面依然將大多數高階智駕界定為L2級，這意味著無論系統多么“智能”，最終的安全責任仍全在駕駛員身上。這種“享受有限便利，承擔無限責任”的錯位，讓許多消費者對AI上車保持著本能的警惕。

汽車行業正在進入一個前所未有的技術深水區。早期的馬力和續航競爭已有明確的衡量標準，而智能化的競爭難以量化：不是誰先首發了某個新名詞，而是誰能把復雜的技術隱藏在極簡的體驗背后；不是誰的模型參數更大，而是誰能真正守住數據安全與隱私的底線。

追逐AI技術，不能掩蓋汽車工業對于安全和可靠性的基本敬畏。尊重消費者，也不應只是車企營銷上的一句口號。它是一套必須踐行的商業邏輯與倫理：體驗先于概念，解決真實困難先于創造偽需求，保護隱私邊界先于攫取數據紅利。

責編 | 陳湘

題圖來源 | 視覺中國