如果座艙體驗是差異化的主戰(zhàn)場，那么定義座艙體驗的模型自然是品牌的“靈魂”。

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

而且，不是每個產(chǎn)業(yè)都可以擁有一種文化的，而汽車文化是一個相當(dāng)主流的社會現(xiàn)象，它不僅僅關(guān)乎“交通工具”本身，而是一種生活方式與身份表達(dá)的集合體。

汽車的內(nèi)涵在這個過程中，也不斷更新?lián)Q代。

從機械時代的馬力競賽，到電氣化時代的續(xù)航角逐，競爭焦點不斷轉(zhuǎn)移。曾幾何時，V8、V12這些數(shù)字就是實力的象征，而特斯拉用一塊電池改寫規(guī)則后，續(xù)航里程又成為新的衡量標(biāo)準(zhǔn)。

AI大潮一來，新的法則又在形成，智能體驗成為新的戰(zhàn)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(zhǔn)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(xiàn)象正在浮現(xiàn)：那些深諳用戶思維、習(xí)慣數(shù)據(jù)驅(qū)動的團隊，似乎天然更懂得如何打造這個“懂人”的智能空間。

一、產(chǎn)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(fù)責(zé)人江會星、阿里云智能集團公共云事業(yè)部AI汽車行業(yè)解決方案總經(jīng)理霍健等進(jìn)行了深入交流。兩家公司的合作，正是這種產(chǎn)品基因在AI時代“代際傳承”的縮影。

理想汽車創(chuàng)始人李想，就是中國最早也是最頂尖的產(chǎn)品經(jīng)理之一，而且又聚焦于汽車這個垂直場景，這種原生的產(chǎn)品能力也深深植入了理想汽車?；艚≡谠L談中說：“理想等車企在產(chǎn)品智能化方面表現(xiàn)突出，創(chuàng)始人都有數(shù)字化產(chǎn)品的經(jīng)驗。智能化的本質(zhì)是模型和數(shù)據(jù)，這些都屬于用戶產(chǎn)品開發(fā)曾涉及的范疇。”

團隊天然習(xí)慣于快速迭代和數(shù)據(jù)驅(qū)動。江會星向我分享了理想內(nèi)部的節(jié)奏：“我們每周都有AI周會，每周都有數(shù)據(jù)閉環(huán)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(chǎn)品驅(qū)動的科技公司。

基于這種產(chǎn)品哲學(xué)，理想做出了一個關(guān)鍵的戰(zhàn)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(dāng)汽車的定義從“工具”躍遷為“空間”，一個核心問題浮現(xiàn)出來：這應(yīng)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(nèi)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?；艚∮^察到理想的做法：“體驗的背后，需要慢工出細(xì)活。每一個體驗都需要精心打磨，逐步優(yōu)化完成。”

這就帶來一個有趣的矛盾：既要像用戶產(chǎn)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(chǎn)品驅(qū)動理念的核心。快迭代確保了系統(tǒng)持續(xù)進(jìn)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(fù)雜度。車?yán)镆晃怀丝驼f“我感覺有點冷”。

對傳統(tǒng)汽車來說，只能是某名乘客執(zhí)行一個簡單的全局（局部）調(diào)溫動作。

但在理想的智能空間里，這句話啟動了一個復(fù)雜的認(rèn)知過程。江會星詳細(xì)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(huán)境感知和理解——誰在說話（誰覺得冷）？坐在哪個位置？車內(nèi)溫度、空氣質(zhì)量如何？然后，MindGPT需要結(jié)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(diào)節(jié)風(fēng)向、開啟座椅加熱，還是調(diào)溫即可？

從被動的指令響應(yīng)，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(xié)同才能實現(xiàn)。

二、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(fù)雜，前端的交互必須快到讓用戶感覺自然流暢。

在端側(cè)AI領(lǐng)域，低延遲自然是一個繞不開的核心指標(biāo)。今年云棲大會上，阿里云發(fā)布的通義Qwen3-Omni全模態(tài)模型，展示了行業(yè)在這方面的最新進(jìn)展?；艚√岬?，這個模型的端到端音頻對話延遲已經(jīng)壓縮到211ms——這意味著從你開口到AI開始響應(yīng)，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(yōu)化讓計算更輕量、通過數(shù)據(jù)壓縮減少傳輸負(fù)擔(dān)、通過智能預(yù)判加快響應(yīng)速度。這一套技術(shù)組合下來，讓大模型在車內(nèi)這個算力有限的環(huán)境里，也能跑出接近云端的性能。

這個數(shù)字低于人類的感知閾值（通常認(rèn)為是300ms）。當(dāng)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(yè)的其他領(lǐng)先模型，都在向這個目標(biāo)逼近。前端體驗的“松弛感”，恰恰源于底層技術(shù)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(guān)鍵能力：記憶。這就引出了端云協(xié)同的架構(gòu)選擇。

如果說端側(cè)是交互的第一線，聚焦于實時感知和快速響應(yīng)，那么云端則承擔(dān)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(jìn)行記憶召回，找到'乘客'過去對溫度的偏好，提供給車端結(jié)合車外溫度、車內(nèi)溫度、溫度偏好做執(zhí)行。”他解釋了分工邏輯：端側(cè)負(fù)責(zé)實時感知（快），云端負(fù)責(zé)深度推理和長期記憶（準(zhǔn)）。

據(jù)悉，理想為此構(gòu)建了認(rèn)知科學(xué)中的三層記憶：程序記憶（習(xí)慣自動化）、情景記憶（特定事件記錄）、語義記憶（本質(zhì)理解）。

當(dāng)然，要構(gòu)建這樣一個復(fù)雜的記憶系統(tǒng)，也對云端基礎(chǔ)設(shè)施提出了極為苛刻的要求。它需要存儲海量的異構(gòu)數(shù)據(jù)，并能在毫秒級完成復(fù)雜的檢索和推理。

據(jù)悉，理想同學(xué)的全信息記憶體系，是基于阿里云的Tair、Lindorm和圖數(shù)據(jù)庫（GDB）構(gòu)建的。這套組合拳提供了完整的記憶機制：Tair負(fù)責(zé)實時上下文特征和快速向量檢索；Lindorm承擔(dān)海量日志和特征的統(tǒng)一存儲；GDB則負(fù)責(zé)構(gòu)建知識圖譜，讓AI能理解復(fù)雜關(guān)系，實現(xiàn)更類人的語義推理。數(shù)據(jù)顯示，這套系統(tǒng)實現(xiàn)了高達(dá)99.5%的召回準(zhǔn)確率，同時平均查詢延遲僅為2ms。

因此，如果說“端”側(cè)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(xué)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(nèi)調(diào)取了用戶的溫度偏好歷史，系統(tǒng)綜合判斷后精準(zhǔn)執(zhí)行了最符合用戶習(xí)慣的操作。速度保證了交互的自然，深度保證了理解的準(zhǔn)確，而兩者的結(jié)合，才真正帶來了那種“家”的溫度。

這套端云協(xié)同的打法，不僅定義了理想的產(chǎn)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(xié)作范式。

三、“靈魂”與“基座”

如果座艙體驗是差異化的主戰(zhàn)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(fā)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(xùn)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(biāo)。

業(yè)內(nèi)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(xiàn)。據(jù)統(tǒng)計，其近兩年已發(fā)布開源模型數(shù)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(diào)，車端模型目前的核心在于掌握“后訓(xùn)練（Post-training）”，特別是“強化學(xué)習(xí)（Reinforcement Learning）”的能力。他解釋，“強化學(xué)習(xí)中的獎勵函數(shù)（Reward Function）必須緊密貼合你當(dāng)前真實的業(yè)務(wù)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(fù)的內(nèi)容是否滿足結(jié)構(gòu)化要求等。”這意味著，你必須根據(jù)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(diào)教”模型的能力，AI才能真正進(jìn)化為符合品牌調(diào)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(jīng)建立了完整的大模型訓(xùn)練流水線（pipeline），拿后訓(xùn)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(shù)據(jù)準(zhǔn)備、指令微調(diào)、設(shè)計獎勵機制進(jìn)行強化學(xué)習(xí)，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(nèi)完成升級、驗證與部署，無縫集成到“理想同學(xué)”智能體中，實現(xiàn)端到端的快速迭代上線。這種敏捷的閉環(huán)能力，不僅大幅縮短了從模型研發(fā)到產(chǎn)品落地的周期，也讓智能座艙的用戶體驗?zāi)軌虺掷m(xù)、高頻地進(jìn)化。

如果說強化學(xué)習(xí)的“獎勵函數(shù)”讓理想能夠定義什么是“好”，那么后訓(xùn)練能力就是理想把這個“好”快速落地的武器。

因此，當(dāng)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(xùn)練能力增強，同樣會讓基座模型發(fā)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(xié)作邏輯，也在定義一種緊密的產(chǎn)業(yè)合作關(guān)系。

理想具備原生的產(chǎn)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(chǔ)設(shè)施，知道客戶需要怎樣的技術(shù)支撐。阿里云曾經(jīng)讓企業(yè)把應(yīng)用“天然生長”在云上，現(xiàn)在則讓智能成為產(chǎn)品與生俱來的能力。理想同學(xué)的“懂你”，本質(zhì)上就是一種AI原生的產(chǎn)品體驗：AI不是后置的功能模塊，而是產(chǎn)品體驗的基礎(chǔ)設(shè)施。

智能座艙有了“靈魂”，產(chǎn)品能力遇上AI原生基礎(chǔ)設(shè)施，我們其實在見證一種移動智能體的進(jìn)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(guān)鍵的序章。（作者：高飛）