如果座艙體驗是差異化的主戰場，那么定義座艙體驗的模型自然是品牌的“靈魂”。

作者 | 高 飛

最近在想，汽車確實是一個很有趣的人造工業物種，它的發展貫穿了第二次工業革命到第四次工業革命的整個周期。一百年來，各種產業、產品興衰，汽車一直是那個最靚的仔，無論談對經濟的被動貢獻，還是講消費者的主動熱愛。

而且，不是每個產業都可以擁有一種文化的，而汽車文化是一個相當主流的社會現象，它不僅僅關乎“交通工具”本身，而是一種生活方式與身份表達的集合體。

汽車的內涵在這個過程中，也不斷更新換代。

從機械時代的馬力競賽，到電氣化時代的續航角逐，競爭焦點不斷轉移。曾幾何時，V8、V12這些數字就是實力的象征，而特斯拉用一塊電池改寫規則后，續航里程又成為新的衡量標準。

AI大潮一來，新的法則又在形成，智能體驗成為新的戰場。但這一次的革命更為徹底，畢竟一旦智能駕駛把人類從駕駛的舟車勞頓中逐漸解放，汽車也將史上第一次，從一個出行工具，變身為一個移動空間。

準確地說，一個擁有智能體驗的移動空間，誰能更好地理解這個空間里的人，誰就能贏得未來。而在這場競爭中，一個有趣的現象正在浮現：那些深諳用戶思維、習慣數據驅動的團隊，似乎天然更懂得如何打造這個“懂人”的智能空間。

01 產品基因的“代際傳承”

在云棲大會期間，我與理想汽車空間AI團隊負責人江會星、阿里云智能集團公共云事業部AI汽車行業解決方案總經理霍健等進行了深入交流。兩家公司的合作，正是這種產品基因在AI時代“代際傳承”的縮影。

理想汽車創始人李想，就是中國最早也是最頂尖的產品經理之一，而且又聚焦于汽車這個垂直場景，這種原生的產品能力也深深植入了理想汽車。霍健在訪談中說：“理想等車企在產品智能化方面表現突出，創始人都有數字化產品的經驗。智能化的本質是模型和數據，這些都屬于用戶產品開發曾涉及的范疇。”

團隊天然習慣于快速迭代和數據驅動。江會星向我分享了理想內部的節奏：“我們每周都有AI周會，每周都有數據閉環的會，每周都會從里面看用戶反饋的問題，及時在下一版本迭代上去。”這聽起來完全不像一家汽車公司，而更像是一家產品驅動的科技公司。

基于這種產品哲學，理想做出了一個關鍵的戰略判斷。江會星說：“智能駕駛未來是剛需，真正有差異的就是這個移動'空間'（座艙）。”

當汽車的定義從“工具”躍遷為“空間”，一個核心問題浮現出來：這應該是一個什么樣的空間？

理想汽車給出的答案非常清晰：家。對車內用戶來說，“家”意味著要在這個智能移動空間里獲得一種“松弛感”。

一個房屋的舒適，需要一個艱苦的裝修過程；一輛車的“松弛”，同樣知易行難。霍健觀察到理想的做法：“體驗的背后，需要慢工出細活。每一個體驗都需要精心打磨，逐步優化完成。”

這就帶來一個有趣的矛盾：既要像用戶產品那樣快速迭代，又要像工藝品那樣精心打磨。這看似是個悖論，但恰恰是產品驅動理念的核心。快迭代確保了系統持續進化，慢工則保證了每一次交互的溫度。

我們可以用一個看似簡單的場景來解剖這種體驗的復雜度。車里一位乘客說“我感覺有點冷”。

對傳統汽車來說，只能是某名乘客執行一個簡單的全局（局部）調溫動作。

但在理想的智能空間里，這句話啟動了一個復雜的認知過程。江會星詳細描述了理想自研的車端大模型MindGPT需要完成的工作：首先是環境感知和理解——誰在說話（誰覺得冷）？坐在哪個位置？車內溫度、空氣質量如何？然后，MindGPT需要結合“全信息記憶”中對該用戶的了解，推理出真實意圖：是希望調節風向、開啟座椅加熱，還是調溫即可？

從被動的指令響應，到主動的意圖理解，這是AI帶來的核心價值。而這個看似簡單的“溫度”場景，實際上需要速度、深度、溫度的三重協同才能實現。

02 速度、深度、溫度

在智能座艙時代，“速度”的定義正在被改寫。無論背后的計算多么復雜，前端的交互必須快到讓用戶感覺自然流暢。

在端側AI領域，低延遲自然是一個繞不開的核心指標。今年云棲大會上，阿里云發布的通義Qwen3-Omni全模態模型，展示了行業在這方面的最新進展。霍健提到，這個模型的端到端音頻對話延遲已經壓縮到211ms——這意味著從你開口到AI開始響應，整個過程快到大腦都察覺不到停頓。

這個速度背后，是通義團隊針對主流座艙芯片做的深度適配：通過精度優化讓計算更輕量、通過數據壓縮減少傳輸負擔、通過智能預判加快響應速度。這一套技術組合下來，讓大模型在車內這個算力有限的環境里，也能跑出接近云端的性能。

這個數字低于人類的感知閾值（通常認為是300ms）。當延遲足夠低，用戶感覺不到等待，對話就變成了自然的交流。無論是理想的MindGPT，還是行業的其他領先模型，都在向這個目標逼近。前端體驗的“松弛感”，恰恰源于底層技術分秒必爭的“緊張感”。

但速度只是表象，真正決定體驗差異的，是座艙模型的“深度”：它到底有多懂你。

要讓AI的這種“深度理解”真正落地，需要另一個關鍵能力：記憶。這就引出了端云協同的架構選擇。

如果說端側是交互的第一線，聚焦于實時感知和快速響應，那么云端則承擔深度推理和長期記憶的重任。

霍健在接受我們訪談時，具體介紹了云端在“有點冷”案例中的角色：“云端會首先進行記憶召回，找到'乘客'過去對溫度的偏好，提供給車端結合車外溫度、車內溫度、溫度偏好做執行。”他解釋了分工邏輯：端側負責實時感知（快），云端負責深度推理和長期記憶（準）。

據悉，理想為此構建了認知科學中的三層記憶：程序記憶（習慣自動化）、情景記憶（特定事件記錄）、語義記憶（本質理解）。

當然，要構建這樣一個復雜的記憶系統，也對云端基礎設施提出了極為苛刻的要求。它需要存儲海量的異構數據，并能在毫秒級完成復雜的檢索和推理。

據悉，理想同學的全信息記憶體系，是基于阿里云的Tair、Lindorm和圖數據庫（GDB）構建的。這套組合拳提供了完整的記憶機制：Tair負責實時上下文特征和快速向量檢索；Lindorm承擔海量日志和特征的統一存儲；GDB則負責構建知識圖譜，讓AI能理解復雜關系，實現更類人的語義推理。數據顯示，這套系統實現了高達99.5%的召回準確率，同時平均查詢延遲僅為2ms。

因此，如果說“端”側決定了交互的“速度”，那么“云”端則決定了智能的“深度”，特別是“記憶”能力，讓理想同學像“家庭成員”一樣懂你。

回到最初那個“我感覺有點冷”的場景：MindGPT理解了用戶意圖，在2ms內調取了用戶的溫度偏好歷史，系統綜合判斷后精準執行了最符合用戶習慣的操作。速度保證了交互的自然，深度保證了理解的準確，而兩者的結合，才真正帶來了那種“家”的溫度。

這套端云協同的打法，不僅定義了理想的產品體驗，也揭示了AI時代車企與云廠商之間一種成熟、高效的協作范式。

03 “靈魂”與“基座”

如果座艙體驗是差異化的主戰場，那么定義座艙體驗的模型自然是品牌的“靈魂”。

2023年3月，ChatGPT發布沒過多久，理想就快速立項了自研大模型MindGPT，并用9個月時間“把訓練大模型所有該趟的坑都趟了一遍”。

不過，完成從0到1是一個里程碑，速度又是另外一個指標。

業內常說“AI一天，人間一年”，大模型的迭代周期越來越短，阿里通義大模型便是這一速度的極致體現。據統計，其近兩年已發布開源模型數量超過300。所以，垂直場景的模型如何跟上這個速度，借勢基模之力 ？

江會星強調，車端模型目前的核心在于掌握“后訓練（Post-training）”，特別是“強化學習（Reinforcement Learning）”的能力。他解釋，“強化學習中的獎勵函數（Reward Function）必須緊密貼合你當前真實的業務場景，比如CUA自主操作小程序交停車費場景中輸入的車牌號是否正確，再比如MindGPT回復的內容是否滿足結構化要求等。”這意味著，你必須根據自己的品牌理念和用戶反饋，來告訴模型什么是“好”，什么是“壞”。只有掌握了這個“調教”模型的能力，AI才能真正進化為符合品牌調性的智能體（Agent）。

他用了一個更生動的比喻來解釋理想的策略：“可以這樣理解：我們已經建立了完整的大模型訓練流水線（pipeline），拿后訓練來說，一旦基座模型有了新迭代，都能夠快速接入這套流水線——從數據準備、指令微調、設計獎勵機制進行強化學習，再到模型效果評估，整套流程高度自動化且模塊化”。這意味著，新版本的模型都能以周為單位內完成升級、驗證與部署，無縫集成到“理想同學”智能體中，實現端到端的快速迭代上線。這種敏捷的閉環能力，不僅大幅縮短了從模型研發到產品落地的周期，也讓智能座艙的用戶體驗能夠持續、高頻地進化。

如果說強化學習的“獎勵函數”讓理想能夠定義什么是“好”，那么后訓練能力就是理想把這個“好”快速落地的武器。

因此，當理想掌握了“烘焙配方”，基座模型能力提升，會帶動整體性能提升；后訓練能力增強，同樣會讓基座模型發揮更大價值。這是一種能力的放大疊加，而非簡單的補充替代。

這套“靈魂”與“基座”的協作邏輯，也在定義一種緊密的產業合作關系。

理想具備原生的產品能力，知道用戶需要何種駕乘體驗；阿里云提供AI原生的基礎設施，知道客戶需要怎樣的技術支撐。阿里云曾經讓企業把應用“天然生長”在云上，現在則讓智能成為產品與生俱來的能力。理想同學的“懂你”，本質上就是一種AI原生的產品體驗：AI不是后置的功能模塊，而是產品體驗的基礎設施。

智能座艙有了“靈魂”，產品能力遇上AI原生基礎設施，我們其實在見證一種移動智能體的進化。理想與阿里云的合作，或許是為這個“新物種”的黃金時代，寫下了最關鍵的序章。

　　(免責聲明：本文為本網轉載發布，不代表本網站的觀點及立場。本文所涉文、圖、音視頻等資料的一切權利和法律責任歸材料提供方所有和承擔。本網站對此資訊文字、圖片等所有信息的真實性不作任何保證或承諾，亦不構成任何購買、投資等建議，據此操作者風險自擔。) 本文為轉載內容，授權事宜請聯系原著作權人，如有侵權，請聯系本網進行刪除。