After the democratization of smart driving, why can't cockpit compute be democratized?

2025年初，比亚迪“天神之眼”开启智驾平权，高阶智驾快速下探到10万级甚至以下的车型，智驾平权正式拉开序幕。

但座舱智能化的平权却陷入了新的困境。首先，智能座舱“有没有”的平权早已完成。盖世汽车研究院数据显示，2026年8月国内乘用车智能座舱渗透率达到87.5%，接近全面普及。10万元以下车型智能座舱配置率从52%提升至70%。大屏、语音、车联网不再是高端车专属，基础座舱硬件已经完成价格下探。

但硬件普及不等于体验拉平。当下高通8295等高阶芯片集中搭载在20万以上车型，十几万及以下主力车型仍以高通8155为主。

就在不久前，智驾赛道给出了新的解题方向，Momenta提出“大模型定义芯片”，实现算法模型与芯片架构的联合定义和同步迭代。这也印证了如何让算力跟上模型迭代，已经成为智能汽车必须回答的核心命题。

更关键的是，座舱很难复刻智驾的平权路径，智驾的功能边界已经收敛，算力需求可以提前测算，而座舱大模型的能力还在高速扩张，每季度都有新玩法落地，车型开发阶段很难预判未来的算力消耗。

在这样的背景下，单纯依靠出厂时预埋更大算力，已经不是稳妥解法，行业真正需要搭建的，是一套由智能升级驱动的算力升级体系。智能座舱的竞争主线，也由此从固定算力的比拼，转向可进化算力的博弈。

端云协同早已成为行业共识。云端承接复杂推理与跨平台生态调用，端侧承担全时感知、毫秒级响应，同时处理弱网与无网场景下的交互，把语音、乘员状态等敏感数据留在本地闭环运算，满足隐私保护与数据合规要求。

车辆座舱智能化已然画出一条上升的曲线：从早期依赖固定指令、一问一答的智能初现的1.0时代，到今天基于记忆与决策，主动服务的智能4.0时代，这条曲线的每一段，都要靠端侧模型在车上真正跑起来才能成立。

▲座舱智能化1.0至4.0演进示意图

端侧算力已经成为座舱高质量智能体验的核心底座，而座舱里高频、贴身的交互体验，根基必须落在本地端侧算力之上。如果端侧算力迭代跟不上模型更新节奏，最终会在真实用车场景里落空。

当越来越多高频交互、座舱控制任务转移到本地，端侧硬件的先天限制就成为绕不开的问题。

和云端算力不同，车规座舱芯片受功耗、散热、硬件成本、整车供电条件的严格约束，芯片算力上限固定、可用内存资源有限，无法无限制加载更大规模模型，同时高负载推理会带来功耗和发热压力，影响座舱系统稳定性。

此外，对于端侧智能来说，智能座舱行业还存在一组矛盾的点，大模型迭代周期为3‑4个月，而车载座舱SoC从选型到量产落地，至少需要半年至一年。

座舱模型飞速进化，但车机硬件一旦定型，算力基本上就会被锁死，后续软件OTA很难突破硬件的边界，形成“算力供给跟不上模型进化”的错配困境。

在智驾赛道，行车、泊车、主动安全等场景的边界正愈发清晰，车企能够按需配置硬件，适度预留算力余量。

但座舱大模型完全是另一套逻辑，模型能力边界每季度持续扩张，今年做车型规划时，很难预判两年后座舱需要承载的交互、Agent需要多少算力。

这样的问题让厂商们在进行算力预埋时，变成了一场押注未来的“赌博”，如果预留的算力太小，新车交付就面临能力落后，但如果预留算力过多了，整车的成本凭空抬高。

这种矛盾还会被车型价格定位进一步放大。高端车型普遍拥有充足的利润空间，可以预埋更富余算力，但平价车型受到成本限制，没有多余利润空间为未来不确定的算力需求买单。

同样的技术难题，最终演变成市场分化，持续迭代的座舱智能体验，往往在高端价位区间。

对“算力如何跟上模型迭代”这道必答题，行业中出现了开放路线的解法，即不再绑定单颗固定芯片，把算力做成可插拔、可单独升级的独立模块。

面壁智能联合梧桐科技、英特尔等合作伙伴打造的AI Box正是开放路线的量产样本。

▲AI Box端侧座舱智能解决方案

它作为低侵入、可配置的模块化算力节点，在为用户提供更强大端侧智能的同时，为车机计算平台提供了一个独立、可插拔的算力和智能解决方案，为算力与模型的错配难题提供了可量产的解法。

此外，它还支持OTA升级，可以让主机厂持续为用户提供基于前沿端侧大模型的智能应用及服务，延长车辆的智能化生命周期。

▲AI Box带来的持续可升级能力

目前，AI Box以选装形式搭载在长安深蓝L06上正式交付，搭载了4B VLM模型+多个端侧模型。项目从7月首发，到10月实现前装量产，整体周期仅三个月。

▲搭载AI Box的长安深蓝L06

开放路线更适合没有自研芯片能力、又想守住座舱智能化竞争力的主机厂，以及出海车型，海外严苛的数据合规要求，进一步放大了端侧本地计算的价值。

而开放路线，赌的是在模型快速迭代的周期里，灵活性比确定性更“值钱”。

模块化算力升级的开放路线已经迎来首个量产样本，但想要从单点案例变成全行业通用范式，依然要面对三个行业变量。

在汽车市场中，智能化选装模式存在不确定性，消费者是否愿意为后续智能升级额外付费，还需要市场长期验证。

同时，第三方外接算力模块要跨越车规可靠性门槛与故障责任界定，这也带来了主机厂是否愿意开放座舱硬件资源的问题。

是否把增量算力交给外部模块化方案，考验车企的开放心态。

算力固化带来的困境，不只是汽车行业独有的难题，机器人、智能手机、IoT设备都在面对同样的瓶颈。

而单纯比拼TOPS算力的参数竞赛，在智能座舱条件的约束下已经走到瓶颈。各大厂商发布会上动辄几十B参数的大模型，而真正实现前装量产上车的座舱模型，其真实规模远小于发布口径，真正跑在车机上的端侧模型大多集中在0.9B‑3B区间，纸面参数很难落地到实车。

清华大学与面壁智能研究者提出的密度定律，给出了新的竞争标尺：大模型的能力密度大约每3.5个月翻一番，同等智能水平需要的算力持续降低。

▲清华大学与面壁智能研究者提出的密度定律

一旦模块化升级机制打破硬件算力的固化枷锁，行业竞争重心自然会从单纯比拼纸面算力规模，转向对算力利用效率的较量。参数比拼只停留在发布会纸面，而模型密度才是决定量产体验差距的核心。

密度竞赛不需要相信任何人的口号，榜单和量产车型会替这条路投票。

04.

结语：端侧智能让汽车成为智能伙伴

在智能座舱领域，“有没有”的平权也已基本完成，而AI座舱体验和持续进化能力，至今仍被芯片档位与预埋算力锁在价格分层里。座舱智能化需要的不是更大的预埋算力，而是一套“算力升级机制”。

智驾平权解决的是“有没有”，算力可升级机制要解决的，是让“持续进化的座舱智能” 下探到更多的车型——让算力跟上智能，而且不只属于高端车。这才是座舱平权的下一张门票。

同时，汽车智能化正在沿着两条主线双向演进，面向车端进一步深度集成，成为座舱AI算力中枢，推动整车电子电气架构变革。面向用户则成为跨设备的个人智能载体，未来支持即插即用、跨车迁移记忆，打通汽车、PC、手机、家居等多终端。

当智能发生在离人最近的端侧，汽车将不再只是个代步硬件，而是形成具备感知、记忆能力、落实隐私保护的个性化智能系统。

本文来自微信公众号“车东西”，作者：R，编辑：志豪，36氪经授权发布。