如果座舱体验是差异化的主战场，那么定义座舱体验的模型自然是品牌的“灵魂”。
最近在想，汽车确实是一个很有趣的人造工业物种，它的发展贯穿了第二次工业革命到第四次工业革命的整个周期。一百年来，各种产业、产品兴衰，汽车一直是那个最靓的仔，无论谈对经济的被动贡献，还是讲消费者的主动热爱。
而且，不是每个产业都可以拥有一种文化的，而汽车文化是一个相当主流的社会现象，它不仅仅关乎“交通工具”本身，而是一种生活方式与身份表达的集合体。
汽车的内涵在这个过程中，也不断更新换代。
从机械时代的马力竞赛，到电气化时代的续航角逐，竞争焦点不断转移。曾几何时，V8、V12这些数字就是实力的象征，而特斯拉用一块电池改写规则后，续航里程又成为新的衡量标准。
AI大潮一来，新的法则又在形成，智能体验成为新的战场。但这一次的革命更为彻底，毕竟一旦智能驾驶把人类从驾驶的舟车劳顿中逐渐解放，汽车也将史上第一次，从一个出行工具，变身为一个移动空间。
准确地说，一个拥有智能体验的移动空间，谁能更好地理解这个空间里的人，谁就能赢得未来。而在这场竞争中，一个有趣的现象正在浮现：那些深谙用户思维、习惯数据驱动的团队，似乎天然更懂得如何打造这个“懂人”的智能空间。
一、产品基因的“代际传承”
在云栖大会期间，我与理想汽车空间AI团队负责人江会星、阿里云智能集团公共云事业部AI汽车行业解决方案总经理霍健等进行了深入交流。两家公司的合作，正是这种产品基因在AI时代“代际传承”的缩影。
理想汽车创始人李想，就是中国最早也是最顶尖的产品经理之一，而且又聚焦于汽车这个垂直场景，这种原生的产品能力也深深植入了理想汽车。霍健在访谈中说：“理想等车企在产品智能化方面表现突出，创始人都有数字化产品的经验。智能化的本质是模型和数据，这些都属于用户产品开发曾涉及的范畴。”
团队天然习惯于快速迭代和数据驱动。江会星向我分享了理想内部的节奏：“我们每周都有AI周会，每周都有数据闭环的会，每周都会从里面看用户反馈的问题，及时在下一版本迭代上去。”这听起来完全不像一家汽车公司，而更像是一家产品驱动的科技公司。
基于这种产品哲学，理想做出了一个关键的战略判断。江会星说：“智能驾驶未来是刚需，真正有差异的就是这个移动'空间'（座舱）。”
当汽车的定义从“工具”跃迁为“空间”，一个核心问题浮现出来：这应该是一个什么样的空间?
理想汽车给出的答案非常清晰：家。对车内用户来说，“家”意味着要在这个智能移动空间里获得一种“松弛感”。
一个房屋的舒适，需要一个艰苦的装修过程;一辆车的“松弛”，同样知易行难。霍健观察到理想的做法：“体验的背后，需要慢工出细活。每一个体验都需要精心打磨，逐步优化完成。”
这就带来一个有趣的矛盾：既要像用户产品那样快速迭代，又要像工艺品那样精心打磨。这看似是个悖论，但恰恰是产品驱动理念的核心。快迭代确保了系统持续进化，慢工则保证了每一次交互的温度。
我们可以用一个看似简单的场景来解剖这种体验的复杂度。车里一位乘客说“我感觉有点冷”。
对传统汽车来说，只能是某名乘客执行一个简单的全局(局部)调温动作。
但在理想的智能空间里，这句话启动了一个复杂的认知过程。江会星详细描述了理想自研的车端大模型MindGPT需要完成的工作：首先是环境感知和理解——谁在说话(谁觉得冷)?坐在哪个位置?车内温度、空气质量如何?然后，MindGPT需要结合“全信息记忆”中对该用户的了解，推理出真实意图：是希望调节风向、开启座椅加热，还是调温即可?
从被动的指令响应，到主动的意图理解，这是AI带来的核心价值。而这个看似简单的“温度”场景，实际上需要速度、深度、温度的三重协同才能实现。
二、速度、深度、温度
在智能座舱时代，“速度”的定义正在被改写。无论背后的计算多么复杂，前端的交互必须快到让用户感觉自然流畅。
在端侧AI领域，低延迟自然是一个绕不开的核心指标。今年云栖大会上，阿里云发布的通义Qwen3-Omni全模态模型，展示了行业在这方面的最新进展。霍健提到，这个模型的端到端音频对话延迟已经压缩到211ms——这意味着从你开口到AI开始响应，整个过程快到大脑都察觉不到停顿。
这个速度背后，是通义团队针对主流座舱芯片做的深度适配：通过精度优化让计算更轻量、通过数据压缩减少传输负担、通过智能预判加快响应速度。这一套技术组合下来，让大模型在车内这个算力有限的环境里，也能跑出接近云端的性能。
这个数字低于人类的感知阈值(通常认为是300ms)。当延迟足够低，用户感觉不到等待，对话就变成了自然的交流。无论是理想的MindGPT，还是行业的其他领先模型，都在向这个目标逼近。前端体验的“松弛感”，恰恰源于底层技术分秒必争的“紧张感”。
但速度只是表象，真正决定体验差异的，是座舱模型的“深度”：它到底有多懂你。
要让AI的这种“深度理解”真正落地，需要另一个关键能力：记忆。这就引出了端云协同的架构选择。
如果说端侧是交互的第一线，聚焦于实时感知和快速响应，那么云端则承担深度推理和长期记忆的重任。
霍健在接受我们访谈时，具体介绍了云端在“有点冷”案例中的角色：“云端会首先进行记忆召回，找到'乘客'过去对温度的偏好，提供给车端结合车外温度、车内温度、温度偏好做执行。”他解释了分工逻辑：端侧负责实时感知(快)，云端负责深度推理和长期记忆(准)。
据悉，理想为此构建了认知科学中的三层记忆：程序记忆(习惯自动化)、情景记忆(特定事件记录)、语义记忆(本质理解)。
当然，要构建这样一个复杂的记忆系统，也对云端基础设施提出了极为苛刻的要求。它需要存储海量的异构数据，并能在毫秒级完成复杂的检索和推理。
据悉，理想同学的全信息记忆体系，是基于阿里云的Tair、Lindorm和图数据库(GDB)构建的。这套组合拳提供了完整的记忆机制：Tair负责实时上下文特征和快速向量检索;Lindorm承担海量日志和特征的统一存储;GDB则负责构建知识图谱，让AI能理解复杂关系，实现更类人的语义推理。数据显示，这套系统实现了高达99.5%的召回准确率，同时平均查询延迟仅为2ms。
因此，如果说“端”侧决定了交互的“速度”，那么“云”端则决定了智能的“深度”，特别是“记忆”能力，让理想同学像“家庭成员”一样懂你。
回到最初那个“我感觉有点冷”的场景：MindGPT理解了用户意图，在2ms内调取了用户的温度偏好历史，系统综合判断后精准执行了最符合用户习惯的操作。速度保证了交互的自然，深度保证了理解的准确，而两者的结合，才真正带来了那种“家”的温度。
这套端云协同的打法，不仅定义了理想的产品体验，也揭示了AI时代车企与云厂商之间一种成熟、高效的协作范式。
三、“灵魂”与“基座”
如果座舱体验是差异化的主战场，那么定义座舱体验的模型自然是品牌的“灵魂”。
2023年3月，ChatGPT发布没过多久，理想就快速立项了自研大模型MindGPT，并用9个月时间“把训练大模型所有该趟的坑都趟了一遍”。
不过，完成从0到1是一个里程碑，速度又是另外一个指标。
业内常说“AI一天，人间一年”，大模型的迭代周期越来越短，阿里通义大模型便是这一速度的极致体现。据统计，其近两年已发布开源模型数量超过300。所以，垂直场景的模型如何跟上这个速度，借势基模之力 ?
江会星强调，车端模型目前的核心在于掌握“后训练(Post-training)”，特别是“强化学习(Reinforcement Learning)”的能力。他解释，“强化学习中的奖励函数(Reward Function)必须紧密贴合你当前真实的业务场景，比如CUA自主操作小程序交停车费场景中输入的车牌号是否正确，再比如MindGPT回复的内容是否满足结构化要求等。”这意味着，你必须根据自己的品牌理念和用户反馈，来告诉模型什么是“好”，什么是“坏”。只有掌握了这个“调教”模型的能力，AI才能真正进化为符合品牌调性的智能体(Agent)。
他用了一个更生动的比喻来解释理想的策略：“可以这样理解：我们已经建立了完整的大模型训练流水线(pipeline)，拿后训练来说，一旦基座模型有了新迭代，都能够快速接入这套流水线——从数据准备、指令微调、设计奖励机制进行强化学习，再到模型效果评估，整套流程高度自动化且模块化”。这意味着，新版本的模型都能以周为单位内完成升级、验证与部署，无缝集成到“理想同学”智能体中，实现端到端的快速迭代上线。这种敏捷的闭环能力，不仅大幅缩短了从模型研发到产品落地的周期，也让智能座舱的用户体验能够持续、高频地进化。
如果说强化学习的“奖励函数”让理想能够定义什么是“好”，那么后训练能力就是理想把这个“好”快速落地的武器。
因此，当理想掌握了“烘焙配方”，基座模型能力提升，会带动整体性能提升;后训练能力增强，同样会让基座模型发挥更大价值。这是一种能力的放大叠加，而非简单的补充替代。
这套“灵魂”与“基座”的协作逻辑，也在定义一种紧密的产业合作关系。
理想具备原生的产品能力，知道用户需要何种驾乘体验;阿里云提供AI原生的基础设施，知道客户需要怎样的技术支撑。阿里云曾经让企业把应用“天然生长”在云上，现在则让智能成为产品与生俱来的能力。理想同学的“懂你”，本质上就是一种AI原生的产品体验：AI不是后置的功能模块，而是产品体验的基础设施。
智能座舱有了“灵魂”，产品能力遇上AI原生基础设施，我们其实在见证一种移动智能体的进化。理想与阿里云的合作，或许是为这个“新物种”的黄金时代，写下了最关键的序章。（作者：高飞）
