从“雷达数”到“含模量”：谁来为汽车AI买单？

AI概念席卷了北京车展的每个展台，但它不应只是停留在聚光灯之下的炫技，而是尊重真实需求，成为解决用户实际问题的工具

文｜《财经》研究员尹路

编辑｜黄凯茜

2026年4月的北京车展，汽车行业的技术叙事出现了一个明显的特征：如果不谈AI、大模型、智能体（Agent），一家车企甚至“不好意思”召开新闻发布会。

这股AI浪潮席卷了整个产业链的上下游。

在整车端，比亚迪宣布全系接入豆包与通义大模型，理想发布了基于Agent架构的I-OS v2.0，吉利、长城、蔚来、小鹏纷纷将“全域智能体”“世界模型”作为核心卖点。

在科技供应链一侧，腾讯在车展前夕发布了“出行全场景智能体开放平台”，一口气推出了随行点单、随行向导等七大场景智能体；火山引擎、华为乾崑、智谱AI等也悉数登场，将端云协同、多模态大模型等技术推向台前。

仅仅一年前的上海车展，车企还在卷屏幕数量、算力大小和雷达颗数；而今天，竞争的维度已经变为“含模量”。从传统交通工具向“移动智能体”的进化，迅速成为整个行业的共识。

但在一个习惯用发布会和新概念制造热度的行业里，车企的集体狂欢与消费者的真实体感之间，往往隔着一道隐形的鸿沟。

当几百亿甚至上千亿参数的大模型被塞进车厢，当智能体被塑造成无所不能的“超级管家”，这些究竟是消费者不可或缺的真实需求，还是车企深陷同质化竞争时的一厢情愿？

体验的跃升与车企的一厢情愿

不可否认，AI和智能体上车，确实在技术底层为汽车产品带来了革命性的变化，主要体现在智能驾驶和智能座舱两个维度。

在智能驾驶层面，大模型和端到端技术的引入，让智驾系统从过去的“规则驱动”转向了“数据驱动”。以往面对无保护左转、人车混行、城中村路况等复杂场景，传统辅助驾驶往往会因超出预设规则而罢工或要求人工接管。而现在的物理世界大模型，具备了对复杂环境的预判能力和应对能力，智能驾驶变得更像一个“老司机”，大幅缓解了长途或拥堵路况下的驾驶疲劳。

在智能座舱层面，变化则更为明显。过去的语音交互本质上是“命令式”的，用户必须说出特定唤醒词和指令语法，例如“打开空调，调至22度”。而融入大模型后的座舱智能体，实现了自然语言的深层理解与多模态交互。用户只需要说一句“我有点冷，顺便找个提神的方法”，系统就能自动调高温度、关闭车窗，并播放一首节奏欢快的音乐或推荐一杯沿途的冰美式。

这些确实是体验上的明显改善。然而，在车展的镁光灯下，我们同样看到了大量充斥着“一厢情愿”的伪需求。

很多车企在发布会上极力描绘这样的场景：车辆通过摄像头捕捉用户的微表情，主动陪用户聊天解闷；或者将办公生态搬进车内，让用户在通勤路上随时处理复杂的Excel表格和视频会议；更有甚者，在车机里养起了虚拟宠物，然后用户通过各种指令去“投喂”和互动。

许多所谓的AI创新，本质上偏离了驾驶场景核心诉求。

汽车的本质属性依然是A点到B点的移动工具。在绝大多数日常通勤中，用户最需要的是以安全、高效、低认知负荷的方式完成这段旅程。那些过于活跃、频繁“主动搭话”的智能体，不仅没有减轻用户的负担，反而增加了信息噪声；那些需要用户在车内进行复杂多步操作的娱乐和办公功能，在路途颠簸和有限的空间内，体验远不如一台普通的智能手机。

致力于做车企“数字化助手”的科技巨头也看清了这一点。腾讯智慧出行副总裁李博直言不讳：“车企智能化转型不是把大模型简单地搬上车，而是要结合真实场景，推动Agent落地解决实际问题。如果只是简单搬上车，实际没有解决任何问题，这和在手机上直接问AI没有区别。”腾讯智慧出行负责人钟学丹也坦言，下一代的智能座舱，不是在车内增加多少屏幕、引入多少个应用；智能化比拼不再看AI功能堆得多不多，而是看谁能真正将大模型与整车能力组织成一个解决场景需求的智能中枢。

如果一项技术不能解决痛点，反而制造了新的麻烦，那么它就不是创新，而是营销噱头。车企不能将自己对AI技术的盲目崇拜，强加为消费者的实际需求。

AI的底色是解决问题，而非炫技

AI上车到底应该给消费者带来什么？

不论是AI还是智能体，面向用户的价值可归结为两点：第一，把现在已经能做的事情做得更好；第二，去做现在做不了的事情。

以导航为例，在传统模式下，用户需要准确输入目的地名称才能导航。但在真实生活中，人们的记忆往往是模糊的、特征化的。

融入AI大模型后，导航应该怎么做？不需要确切的地址，用户只需要给出特征描述。比如你说：“导航去那个能拍到‘浦东三件套’的广场”，或者“带我去雁栖湖边上那个长得像球一样的酒店”。

系统能够瞬间通过自然语言理解、知识图谱检索和模糊语义匹配等方式，准确地将目的地定位到“陆家嘴滨江绿地”或“日出东方凯宾斯基酒店”，并直接规划好包含实时路况的最佳路线。

这是能给用户带来明确收益的改进——它不需要死记硬背地标名称，不需要在手机上先查好再同步到车机，它打破了机器的僵化逻辑，符合人类的自然习惯。

再比如复杂任务的闭环处理。在多模态和Agent技术的支持下，用户可以在快下班时对车机说：“按老规矩帮我点一杯咖啡，在我到公司楼下的时候刚好能拿。”系统需要自动调取用户的历史偏好（常喝美式、少冰）、当前车辆位置、预计到达时间，并在合适的时间节点自动向小程序下发订单，甚至自动完成支付。

这就是AI智能体“能做现在做不了的事情”的体现。它从被动的“功能执行者”，进化为主动的“任务规划者”，真正实现自主规划、自主执行、交付成果。

但问题在于，当前的市场环境并不奖励务实。主动的克制延展功能边界、打磨基础体验的枯燥过程，在短期内很难转化为传播上的爆点。于是，行业更倾向于走向另一个方向：用堆砌的参数和花哨的概念，来掩盖基础体验的粗糙。当车企在发布会上骄傲地宣布自己的大模型又刷了多少榜单、拥有几千亿参数时，消费者可能依然在忍受着地下车库里因为连不上网，就成了“人工智障”的语音助手。

技术进步的理想形态，是让技术本身“消失”在顺滑的体验中。如果消费者在开车时还需要像个提示词工程师一样，字斟句酌地给系统下达指令，反而增加了使用负担。

被折叠的隐形成本与代价

在车企铺天盖地的宣传中，AI带来的美好图景似乎触手可及。但这些改善背后，消费者需要付出的成本却鲜有提及。这就好比冰山，水面之上是极具诱惑力的智能体验，水面之下则是消费者必须承担的显性与隐性成本。

首先是避无可避的显性成本。

AI算力的落地需要实打实的硬件支撑。要跑通端侧大模型、实现高阶智能驾驶，车辆必须搭载算力动辄数百乃至上千TOPS（每秒万亿次运算能力）的车规级芯片，以及激光雷达、高清摄像头等成本高昂的感知硬件。同一款车型，搭载高阶智驾与AI大模型座舱的版本，相比基础版普遍存在数万元的溢价。

这还不包括后续的持续性支出，高级智驾功能和特定的AI增值服务，正越来越多地采用“订阅制”。每月上百元的订阅费，让汽车从“一次性买断资产”变成了“持续付费服务”。此外，更多的数据流量消耗、因为雷达等精密传感器增加而高企的事故维修成本及车辆保险费用，都在拉高消费者的拥车成本。

但相比显性成本，更令人担忧的是那些难以量化的隐性成本。

第一道难关是“冷启动”成本和使用门槛。

车展发布会上演示的“懂你所想、先你一步”的智能体，并非一出厂就具备这种能力。一个优秀的Agent，运行的前提是有大量用户数据与前期配置的积累：系统需要掌握用户的家庭住址、公司位置与通勤路线，绑定微信、淘宝、美团等账号，并获取免密支付等授权；还需要在数月的持续使用中，不断收集用户的驾驶习惯、座椅偏好，甚至是对冷热的敏感度数据。

这对普通消费者来说是一个烦琐且充满疑虑的过程。如果缺乏这些深度数据的“喂养”，所谓的超级智能体就退化成只能查天气的普通语音助手。但要求消费者事无巨细地交出生活的所有数字接口，这本身就是一个巨大的心理和操作门槛。

第二道障碍是数据安全与隐私风险。

汽车正在成为一个装满传感器的移动“全景监控室”。为了让AI能够“察言观色”，车内摄像头可能实时追踪车主视线、分析面部表情；麦克风阵列在时刻监听车内的每一次对话。

数据去了哪里？谁有权访问这些数据？在车企的云端服务器里，这些涉及个人隐私的信息是否绝对安全？在多家跨国车企和造车新势力都曾爆出过数据泄露事件的当下，消费者的担忧绝非杞人忧天。为了换取更多便利，将个人的“数字生命”完全暴露给企业，这种交换对很多用户而言并不等价。

第三道难题是学习成本与安全责任的模糊。

随着AI系统接管的权限越来越多，系统的行为逻辑变得越来越复杂，甚至呈现出一定的“黑箱”特征。消费者需要花费大量时间去学习系统的能力边界：什么时候可以信任它？什么时候必须立刻接管？

更棘手的是责任划分。当搭载AI大模型的系统在规划路线并执行复杂智驾任务时发生了事故，责任归属仍不确定。目前，法律法规层面依然将大多数高阶智驾界定为L2级，这意味着无论系统多么“智能”，最终的安全责任仍全在驾驶员身上。这种“享受有限便利，承担无限责任”的错位，让许多消费者对AI上车保持着本能的警惕。

汽车行业正在进入一个前所未有的技术深水区。早期的马力和续航竞争已有明确的衡量标准，而智能化的竞争难以量化：不是谁先首发了某个新名词，而是谁能把复杂的技术隐藏在极简的体验背后；不是谁的模型参数更大，而是谁能真正守住数据安全与隐私的底线。

追逐AI技术，不能掩盖汽车工业对于安全和可靠性的基本敬畏。尊重消费者，也不应只是车企营销上的一句口号。它是一套必须践行的商业逻辑与伦理：体验先于概念，解决真实困难先于创造伪需求，保护隐私边界先于攫取数据红利。