2026北京車展 | 從全民養蝦到龍蝦上車，車機要學會主動干活了

2026北京車展上，最熱鬧的當然還是新車——大六座、獵裝車、方盒子、增程、插混、純電、快充、智駕，幾乎每一個展臺都能找到足夠多的產品賣點。

但如果把這些熱鬧往后撥一層，會發現這屆車展還有一條更隱蔽、也更值得關注的線索：

汽車行業，正在集體把“AI Agent”請進車里。

換句話說，智能座艙的關鍵詞正在變。

過去幾年，車企講智能座艙，核心是屏幕、芯片、語音、生態——屏幕越做越大，數量越堆越多；語音助手從“一問一答”進化到連續對話；高通8295、8155這樣的座艙芯片成為賣點；音樂、視頻、導航、小游戲被不斷塞進車機里面。

但到了2026北京車展，一個新的問題浮出來了：如果車機只是更會聊天、更像手機，它還不夠聰明。

真正的下一步，是它能不能理解你的目標，替你拆解任務，調用車輛和外部服務，把事情辦完。

這就是“智能體上車”的意義。

從“全民養蝦”說起：為什么說 AI Agent 比大模型更適合上車？

過去一段時間，AI圈里有個挺有意思的現象，叫“養蝦”。

OpenClaw、Hermes Agent、Claude Code這類產品突然被很多人討論。

它們和傳統聊天機器人不太一樣。普通大模型更多是你問一句、它答一句；而這些Agent工具更像一個可以被訓練出來的數字助手：它能讀文件、調用工具、整理資料、寫代碼、執行流程、記住偏好，甚至在邊界允許的情況下主動推進任務。

這也是為什么很多AI博主會反復強調“約束先行”“規范先行”。

以卡茲克（一位長期觀察AI Agent和智能體工作流的內容創作者）的說法，Agent不是簡單靠一句Prompt就能變強，關鍵是要給它建立規則、工具、記憶和反饋。你不是在跟一個聊天框許愿，而是在養一個能長期工作的數字分身。

這件事放在電腦上，表現為AI幫你寫代碼、整理知識庫、查資料、改文檔。

放在汽車里，就變成一個更有想象力的問題：

如果一個AI助手能住進車里，它會怎樣改變智能座艙？

汽車其實比電腦更適合智能體。

因為車不只是一個屏幕。

它有傳感器，能知道車外環境和車內乘員狀態；

它有執行器，能控制空調、座椅、車窗、燈光、導航和輔助駕駛；

它有固定場景，通勤、接娃、出差、補能、長途自駕、露營，都高度重復；

它還有天然的時間、位置、路線、電量、車況、乘員信息。

也就是說，汽車不是一個單純的信息終端，而是一個能感知物理世界、也能影響物理世界的移動空間。

這正是AI Agent最需要的土壤。

地平線 KaKaClaw：北京車展上的“龍蝦時刻”

如果說“全民養蝦”讓普通人第一次感受到AI Agent能干活，那么2026北京車展則讓汽車行業集中展示了另一件事：

Agent正在從個人電腦走向汽車座艙。

最直接的案例，是地平線的KaKaClaw咖咖蝦。

4月22日，北京車展前夕，地平線發布了整車智能體操作系統KaKaClaw咖咖蝦。

它當然有星空艙駕融合芯片作為底層支撐，但芯片參數不是重點，真正值得關注的是，KaKaClaw想把車機從一個“聽指令的系統”，變成一個“會組織任務的智能體”。

過去車機語音助手的典型邏輯，是用戶說一句，系統做一步。

你說“導航回家”，它打開導航；

你說“打開空調”，它調整溫度；

你說“播放音樂”，它切到音樂App。

每個功能都能用，但它們彼此之間是割裂的。

KaKaClaw要解決的，正是這種割裂。

按照地平線的定義，KaKaClaw是整車智能體操作系統，核心交互范式是“任務即服務”。

用戶不需要把需求拆成一條條車控指令，而是可以用自然語言直接表達目標，系統再去調度智艙、智駕、車控、地圖和不同技能。

比如，用戶說“我今天有點累，幫我舒服點回家”，傳統車機可能很難判斷該做什么；

而一個車載智能體需要理解這句話背后的真實意圖：它可能意味著更穩妥的駕駛策略、更安靜的音樂、更柔和的空調、更少打擾的路線提醒，以及必要時推薦最近的休息點。

這就是從“執行命令”到“理解任務”的差別。

KaKaClaw還強調三個能力：有性格、記性好、會得多。

“有性格”，指的是它支持多維度人格設定，可以在“實干派”“知心友人”“全能派”等不同人設之間切換，也支持方言和不同語氣。表面看這是陪伴感，背后其實是車企在嘗試讓座艙AI從工具變成長期相處的對象。

“記性好”，指的是長時序記憶系統。它會持續學習用戶習慣，逐漸知道你常走哪條路、喜歡什么溫度、什么時間更愿意聽播客、孩子上車時通常需要什么內容。智能座艙要想真正主動服務，記憶是前提。沒有記憶，就只能每次重新認識你。

“會得多”，則對應技能體系。KaKaClaw不僅內置多種場景技能，用戶還可以零代碼創建自己的專屬技能，官方和用戶也可以發布、分享技能，系統根據場景自動激活合適的技能組合。

這和“養蝦”的邏輯非常接近。

OpenClaw、Claude Code之所以讓人覺得有用，不只是模型更聰明，而是它能接入工具、遵守規則、調用技能，并在長期使用中形成更順手的工作流。

KaKaClaw把類似的思路搬進車里：車不再只是提供一個語音入口，而是擁有一套圍繞出行場景運行的技能系統。

當然，車和電腦不同。車載智能體一旦接入車控和智駕，就必須有更強的安全邊界。

因此KaKaClaw也強調Skill生態運行在獨立安全沙箱中，權限調用需要經過策略審核，隱私路由管控對外通道，避免云端模型、車輛控制和第三方API之間出現越權交互。

這其實說明，車載智能體不是簡單把大模型塞進車機，也不是讓車機“更會聊天”。

它更像是把一個有記憶、有技能、有權限邊界的AI助手，嵌入整車操作系統里。

如果說過去車機像一個裝在車里的平板，那么KaKaClaw想表達的是，未來車機會更像一個整車級的AI管家。

不只是地平線，供應鏈已經開始卷“會干活的車機”

地平線不是孤例。

本屆北京車展上，商湯絕影也發布了面向“艙駕一體全場景智能體”的智能座艙與智能駕駛產品體系。

它對原有New Member智能座艙產品進行了升級，推出New Member 2.0。

核心表達很直白：從“會聊天”到“能干活”。

這句話很關鍵。

過去很多智能座艙已經能聊天，能講笑話，能回答百科問題，甚至能做情緒陪伴。

但用戶真正需要的往往不是一個車內聊天對象，而是一個能在具體場景里解決問題的助手。

比如出行前，它能根據歷史偏好、實時路況和目的地信息規劃個性化行程；車上多人同時說話，它能識別不同乘員的需求；車輛、家庭、辦公設備之間，它能完成多端協同任務。

為了支撐這種能力，商湯絕影推出了Sage Box千機智盒，采用“Sage端側大模型+Sage OS千機系統+New Member原生智能體”的三層架構。

它強調端側部署，試圖解決車載AI的兩個現實問題：響應速度和云端成本。

公開信息顯示，Sage Box希望實現0.5秒級響應，并通過端側計算降低Token成本，單車日均可節省30元云端費用，萬車年省超億元。

這說明車載智能體不是一個只靠概念就能跑起來的東西。它必須面對延遲、成本、車規安全、隱私保護和量產適配。

火山引擎的路線則更像互聯網大廠把C端AI助手能力帶進汽車。

北京車展首日，火山引擎發布基于Agentic AI架構的新一代汽車AI解決方案，包含AI座艙套件方案和豆包座艙助手方案。

它提出一個統一的“汽車大腦”，把對話推理引擎、目標驅動引擎、學習成長引擎融入同一套架構。

對話推理解決自然交流，目標驅動負責自主調用車載工具，學習成長則在任務執行中沉淀經驗，形成可復用的Skill。

一個很典型的場景是后排孩子上車。

過去車機最多根據語音指令播放兒歌或動畫片；而Agentic AI想做的是，根據孩子狀態和車端記憶，自主選擇唱歌、放動畫、講故事、做游戲、哄睡等方式，陪伴孩子整個旅途。

這就是從“響應指令”到“完成目標”的變化。

更重要的是，火山引擎已經有規模化基礎。

公開數據顯示，搭載豆包大模型的智能汽車已超過700萬輛，覆蓋超過50個汽車品牌、145款車型，日均完成超過3000萬次座艙交互和服務閉環。

這意味著，AI座艙并不只是發布會上的Demo。

它已經是一個高頻入口，只是下一步要從“用起來”變成“辦成事”。

而騰訊給出的答案又不一樣——拼的不只是模型，而是生態。

北京車展前夕，騰訊智慧出行發布了“出行全場景智能體開放平臺”，并展示了7個座艙智能體。這里最值得看的，不是騰訊又做了多少個AI功能，而是它如何把汽車和真實生活服務重新編排。

比如“隨行點單智能體”。

用戶在通勤路上想買咖啡或餐食，系統可以結合用戶偏好、實時行程和車輛ETA，篩選合適門店，并反向推算出餐時間。理想狀態下，用戶開到門店時，餐品剛好做好，還能關聯車牌送到車邊。領券、下單、支付、取餐都被整合進一條鏈路。

這聽起來并不是科幻，但它恰恰說明了智能體的價值。

單獨看，導航、點餐、支付、優惠券、車牌識別都不是新東西。但過去這些能力分散在不同App、不同設備、不同流程里。智能體要做的，是把它們組織成一個圍繞用戶目標運轉的服務閉環。

騰訊的優勢也在這里。它有微信、微信支付、騰訊地圖、內容生態和小程序能力。很多公司能做一個聰明的車內助手，但未必能把任務真正執行下去。智能體越往后走，越考驗生態調用能力。

這也是為什么智能座艙的競爭正在從“單點能力”轉向“系統組織能力”。

過去車企比誰屏幕多、誰語音準、誰芯片強；接下來要比的是：誰能把車控、導航、智駕、內容、支付、生活服務、用戶記憶和安全邊界組織成一個真正可用的智能中樞。

中國智能體正在倒逼全球車企重寫座艙邏輯

智能體上車并不是自主品牌和中國科技公司的自嗨。本屆北京車展前夕，大眾汽車集團發布了“全域智能體AI（Agentic AI for All）”路線圖。

按照大眾的規劃，今年下半年起，所有基于CEA架構打造的車型都將應用車載AI智能體，并采用本地訓練的大語言模型作為自然語言交互接口。

與傳統被動響應指令的語音助手不同，大眾強調車載AI智能體能夠主動理解用戶需求，通過自然對話完成跨車身操作系統的復雜操作，并根據不同場景作出決策。同時，該系統將完全在車端運行，以保證個人隱私信息不離開車輛。

到2027年，大眾計劃通過CEA 2.0架構，基于更強的中央計算平臺打造“駕艙一體”的統一體驗，并讓服務“AI駕駛”和“AI艙內及云端服務”的多個車載AI智能體協同運行。

寶馬也在北京車展上展示了類似方向。

寶馬基于阿里AI能力定制的座艙智能體首發亮相，以千問大模型為底座，基于斑馬智能元神AI，推出“用車專家”“出行伙伴”“百科達人”三個專為中國市場定制的AI智能體。BMW iX3長軸距版將成為首款搭載車型，全新BMW 7系也將隨后跟進。

其中“出行伙伴”的例子很典型。用戶可以說：“幫我找3公里內的商場，配備逸安啟充電樁，最好有評分高、環境好的餐廳，午餐后前往大興機場趕下午4點的航班。”智能體需要拆解出距離、充電、餐飲、評分、環境、航班時間和路線規劃等多重意圖，再一次性輸出方案。

這已經不是傳統車機語音能夠輕松完成的任務。它要求系統理解復雜目標，并調用地圖、POI、充電、餐飲、導航等多種能力。

換句話說，中國市場對智能座艙的要求，正在倒逼跨國車企接受Agentic AI的產品范式。

華為、中科創達、高通，把智能體推向底層

如果說地平線、商湯、火山、騰訊、大眾、寶馬更多展示的是產品體驗和生態能力，那么華為、中科創達、高通、英偉達等玩家，則把車載智能體繼續往底層推。

華為乾崑在車展前夕發布ADS 5和鴻蒙座艙HarmonySpace 6。

ADS 5基于WEWA 2.0架構，引入云端Multi-Agent仿真、在線強化學習和車端安全風險場。

鴻蒙座艙HarmonySpace 6則升級MoLA 2.0架構，System Agent升級為千億級端到端大模型，并支持A2A跨域調用。

全新一代小藝智能體被定義為全場景聊天型AI助理，能夠穿透導航、控車、閑聊等不同場景，完成復雜意圖理解和執行。

啟境GT7作為華為乾崑與廣汽合作的高端智能新能源車型，也首發搭載新一代鴻蒙座艙，小藝智能體可以通過語音完成百科查詢、新聞播報、控車、影音娛樂、模糊地點搜索、車機在線點餐等操作。

這背后其實有一個重要變化：智能體不只是一個浮在車機桌面上的應用，它正在進入座艙操作系統和整車智能架構。

中科創達發布的AquaClaw就更直接。

4月26日，中科創達宣布推出AquaClaw，這是一個基于NVIDIA NemoClaw參考軟件棧的車載AI智能體操作系統。它被定義為車載多智能體AI系統的核心運行底座，支持實時交互，也支持跨多次駕駛保持連貫的“狀態化智能體”。

從公開信息看，AquaClaw采用“端側AI+云端協同+安全可控”架構，貫穿底層操作系統、AI運行時和場景適配。

中科創達提供定制化Base OS、本體知識庫和智能汽車技能庫；NVIDIA則提供Agent Toolkit、NemoClaw、OpenShell沙盒、Nemotron模型、TensorRT Edge-LLM推理框架以及DRIVE AGX車端計算平臺。

高通生態里也出現了更明確的“龍蝦上車”。

北京車展現場，斑馬智能展示了基于驍龍8295的AutoClaw智艙協作服務方案，支持主動交互、端到端語音、自主確認、搜索、外呼和鏈接不同Skill。

中科創達的滴水AIOS 2.1也基于OpenClaw架構搭建AquaClaw汽車智能體技術底座，試圖讓智能座艙從“被動響應執行”走向“主動全域智能”。

所以，龍蝦與汽車的相遇并不是個意外——它不是把一個網絡熱詞硬塞進汽車里面，而是同一種技術范式正在從個人生產力工具擴散到車載操作系統。

電腦上的Agent幫你整理文件、寫代碼、查資料；車里的Agent則要幫你規劃路線、管理座艙、調用服務、協調智駕，甚至在你開口之前提前準備。

頂尖AI人才為什么開始流向汽車？

除了產品和技術，人才流動也在說明問題。

北京車展期間，元戎啟行首次設立“首席科學家”一職，由前DeepSeek多模態核心成員阮翀出任。

公開報道顯示，阮翀曾深度參與DeepSeek多模態與大模型相關研發，加入元戎后首次公開亮相，分享了元戎40B參數VLA基座模型。

這個案例很值得我們關注，它說明汽車行業爭奪的人才結構正在變化。

過去自動駕駛企業最需要的是感知、規控、仿真、地圖等方向的工程人才；現在，具備多模態、大模型、VLA、Agent研發經驗的人，正在成為新的關鍵資源。

元戎啟行的技術路線也很能說明這種變化。

按照阮翀的介紹，過去自動駕駛研發往往依賴多個小模型，各自解決不同問題；現在行業開始向統一基座模型收斂。元戎的40B參數VLA基座模型，可以分化為駕駛模型、分析模型和評估模型：駕駛模型像AI司機，負責開車；分析模型像AI分析員，解釋為什么這么開；評估模型像AI教練，判斷開得好不好。

這套架構讓研發閉環效率明顯提升。公開信息顯示，元戎單次模型迭代周期從100多個小時縮短到10多個小時，研發提效約10倍；數據閉環也從約5天縮短到約12小時。

更有意思的是，阮翀在談“物理AI”時提到，物理AI最重要的是閉環。狹義上，它要有現實載體，比如車或機械手；廣義上，AI Coding也有類似邏輯，因為代碼寫完后編譯器會給出反饋，告訴你對不對，AI再據此調整。

這句話把“Claude Code”和“自動駕駛”之間的底層邏輯連上了。

無論是電腦里的Agent，還是汽車里的智能體，真正讓它成長的都不是單次問答，而是任務、工具、反饋和迭代。區別只在于，代碼世界的反饋來自編譯器和測試，汽車世界的反饋來自道路、乘員、車輛狀態和真實物理環境。

這也是為什么汽車會成為AI人才的新戰場。

當通用大模型的邊際收益逐漸遞減，物理世界的復雜性、數據閉環和商業落地，反而變成了更有吸引力的方向。汽車是目前最成熟的大規模物理AI載體之一：它有海量數據，有真實用戶，有明確安全邊界，也有足夠大的商業市場。

龍蝦上車，用戶最終會感受到什么？

說到底，用戶并不關心一輛車到底用了多少個Agent，也不關心系統底層叫KaKaClaw、AquaClaw，還是別的什么名字。

用戶關心的是：

車能不能更懂我？

能不能少讓我操作？

能不能在我需要之前先準備好？

車載智能體真正落到體驗上，大概會有三層變化。

第一層，是聽懂話。

這不只是識別普通話，而是能理解自然表達、方言、多輪對話、多人指令和模糊需求。你不用再記固定口令，不用說“打開空調，溫度調到24度，打開座椅加熱，導航回家”，而是像跟人說話一樣表達：“有點冷，回家吧，路上找個不堵的路線。”

第二層，是辦成事。

它不只回答你附近有什么餐廳，而是能結合路線、電量、停車、排隊、支付和時間，把整個任務閉環。你說“下午四點趕飛機，路上找個能充電、能吃飯、別繞太遠的地方”，系統就要自動拆成行程規劃、充電篩選、餐廳推薦、時間控制和導航執行。

第三層，是提前準備。

這才是智能體和語音助手真正拉開差距的地方。

比如它知道你最近經常加班，晚上上車時自動調暗屏幕、打開座椅加熱、推薦更安靜的音樂；它識別到孩子上車，自動切換兒童內容、鎖定后排車窗、調整空調風量；它發現你明天一早有航班，而車輛電量不足，就提前提醒你是否順路補能；長途駕駛時，如果艙內攝像頭和傳感器識別到疲勞狀態，它不只是提醒“請注意休息”，還可以讓智駕策略更保守、調低空調溫度、播放提神內容，并推薦最近服務區。

這不是車機“更會聊天”，而是車開始具備一種圍繞人運轉的主動服務能力。

當然，智能體上車也不能被寫成一場沒有阻力的技術童話。

汽車和手機、電腦不同。車載智能體控制的是真實車輛，面對的是高速移動、復雜交通和生命安全。它不能像普通聊天機器人一樣隨便試錯，也不能因為“理解錯了”就貿然執行。

所以，安全、隱私、低延遲、成本和責任邊界，會成為車載智能體真正落地的五道門檻。

地平線強調Skill生態運行在獨立安全沙箱，隱私路由管控所有對外通道；大眾強調車載AI智能體完全在車端運行，保證用戶隱私不離開車輛；華為乾崑強調確定性調度、零信任安全模型和全維冗余；中科創達和NVIDIA也把沙盒、邊緣推理、安全可控作為AquaClaw的重要架構。

這些并不是發布會上的附屬信息，而是車載Agent能否規模化的前提。

另一個現實問題是艙駕一體并不容易。

行業里已經討論了很多年，但真正打通座艙和智駕，需要解決模型頻率、算力分配、安全隔離、成本收益和責任劃分。智駕模型需要高頻推理，座艙模型則更偏語義理解和服務編排，二者強行融合可能帶來算力冗余，也可能增加系統復雜度。

所以，短期內所謂“艙駕一體”，更可能先體現在體驗層和任務層：座艙理解用戶意圖，智駕系統承擔駕駛執行，二者通過安全邊界和標準接口協同，而不是簡單合成一個模型。

這也意味著，誰能在安全邊界內把任務鏈路做順，誰才真正有機會贏得用戶。

寫在最后：北京車展之后，車機要換一種競爭方式了

2026北京車展的智能化敘事很多。

有人看到了L3級自動駕駛的臨近，有人看到了芯片算力繼續上探，有人看到了大模型批量上車，也有人看到了合資品牌加速本土化反攻。

但如果從智能座艙這條線看，一個更值得記住的變化是：

汽車正在從“智能終端”走向“移動智能體”。

過去，車機的價值是把功能搬上車。導航、音樂、視頻、語音、應用生態，都是在回答“車里能不能用”。

現在，車機開始回答另一個問題：它能不能像一個懂你的助手一樣，把這些功能組織起來，替你完成一個真實目標。

這就是從“大模型上車”到“智能體上車”的區別。

大模型上車，讓車機更會說話；智能體上車，則讓車機開始學會干活。

從OpenClaw、Hermes、Claude Code帶來的“全民養蝦”，到地平線KaKaClaw、商湯New Member、火山豆包、騰訊出行智能體、華為小藝、中科創達AquaClaw這些北京車展案例，背后其實是同一條技術潮流：AI正在從回答問題，走向執行任務；從數字世界，走向物理世界；從桌面上的助手，走向車里的伙伴。

這對汽車行業的意義，不只是多了一個新賣點。

它意味著智能座艙的競爭方式要變了。

以后用戶評價一套車機，可能不再只是“流不流暢”“屏幕大不大”“語音準不準”，而是會問：

它懂不懂我的習慣？

能不能把復雜需求一次辦完？

會不會越用越懂我？能不能在安全邊界內提前替我準備？

如果答案是肯定的，那么車機才真正從工具變成了助手。

而北京車展之后，這場變化已經開始了。