大模型上車，在2026年已經不是什麼新鮮事。
但當越來越多車型接入大模型後，座艙里的對話體驗開始趨同，行業更關注的問題也從大模型能否上車，轉變為大模型能否留在車上，穩定處理車控、導航、多模態感知和主動服務。
我們是在今年的雲棲大會
上，看到了一種不一樣的智能座艙內的大模型使用體驗，例如，在自駕游途中，當你讓車載模型為你中午吃飯推薦一個餐廳時，它會結合智能座艙中的全域歷史資訊，根據你之前答應過孩子去吃麥當勞套餐，為你就近推薦相應的餐廳。
這樣的智能座艙體驗背後，搭載的正是斑馬智能在2026雲棲大會上發布的全模態端側大模型AutoOmni 2.0-23B-A3B。
據斑馬智能首席技術官司羅透露，AutoOmni 2.0採用MoE架構，總參數量為23B、激活參數約為3B，可以執行複雜車控、導航、媒體和跨域多意圖等座艙任務，任務處理能力堪比10倍參數量級的雲模型。
我們在大會現場也注意到了兩組數據：
在斑馬智能AutoOmni模型發布的一年時間裡，端側模型上車企業中，63%選擇了斑馬智能；
斑馬智能的元神AI，對國內主流車企服務覆蓋率更是達到了68%。
那麼，當車企紛紛開始布局端側大模型時，為什麼超六成車企會選擇斑馬智能？
我們試圖在2026雲棲大會上，去尋找這個問題的答案。
01 大模型上車，用戶體驗變革開始
大模型進入座艙後，汽車語音助手首先解決了聽不懂人話的問題，然而，在過去兩年裡，行業習慣比較模型參數、榜單成績和回答效果，當不同車型都能講故事、寫詩、回答百科問題後，用戶的新鮮感很容易過去，智能座艙真正需要回答的是：
AI能否減少駕駛中的操作，能否把用戶沒有說清楚的事情辦完，以及能否在合適的時間主動出現。
斑馬智能首席產品官蔡明就明確指出，「AI上車不是終點，深度使用才是。」
在他看來，裝車量只能說明車裡擁有AI，並不能說明AI已經贏得用戶，每天打開多少次、使用多長時間，是偶爾問答還是持續使用，以及最終解決了哪些問題，才是衡量智艙AI價值的指標。
我們這裡可以對智能汽車兩個核心應用場景做一個對比：
智能駕駛需要理解道路、車輛、距離和空間規則構成的物理世界，智能座艙除了理解物理環境，還要理解用戶的偏好、習慣、關係、日程和生活狀態。
斑馬智能將這二者分別概括為「表世界」和「里世界」，蔡明用這樣一個例子對這二者做了一個更直觀的解釋：
當用戶要求機器人倒一杯水時，理解物理世界的AI可以避開障礙、找到杯子，並把水送到用戶手中，但如果機器人知道用戶剛參加完聚會、身體不適，第二天還要出差，它才可能進一步判斷，用戶真正需要的是一杯溫熱的蜂蜜水。
這個例子背後的產品邏輯是，AI不能只理解一條孤立的指令，還要理解指令出現的具體情境。
為此，元神AI提出了「三個連通」：一是打通端側與雲端的算力和服務，二是連接用戶使用的不同智能終端，獲得更完整的場景數據，三是連接用戶與服務，使AI能夠跨APP、跨終端調用能力。
其中，跨終端上下文是斑馬智能這次要重點補充的一環。
用戶每天真正待在車裡的時間有限，大量工作和生活資訊產生於手機、辦公軟體及其他終端，如果車載AI只知道用戶在車裡喚醒它之後的幾分鐘，就很難形成持續理解。
手機通知會包含孩子的作業和行程變化，工作群聊能夠反映項目關係和同事分工，瀏覽記錄則可能體現用戶近期關注的內容，把這些資訊轉化為可調用的上下文後，智能座艙才有可能判斷用戶幾點出發、是否需要提前開冷氣，或者應該怎樣安排一次跨城市的旅行。
這套構想背後，是斑馬智能已有的三層業務：
最底層是AliOS、安卓OS服務構成的作業系統能力，中間層是包括AutoOmni、AutoClaw在內的智艙AI，上層則是餐飲、酒店、停車、娛樂和支付等生態服務。
這意味著，斑馬智能希望提供的不是一個孤立模型，而是一套由作業系統管理車輛能力、由模型理解用戶、再由Agent組織服務的系統。
大模型帶來的體驗變化，也因此不只是讓語音助手回答得更像人，而是讓汽車開始理解用戶的長期狀態，並圍繞意圖組織服務。
02 AutoOmni 2.0讓AI「始終在場」
當AI需要參與車控，持續觀察車內外環境，並在隧道、地庫等網路不穩定的場景中工作時，響應速度、網路連接、數據邊界和雲端調用成本都會成為約束，端側模型的競爭重點，也不只是能不能在晶片上運行，而是能否在有限資源中穩定處理複雜任務。
斑馬智能這次正式對外發布了基於MoE混合專家架構的AutoOmni 2.0-23B-A3B模型，這其中，23B代表模型總參數量，A3B則意味著每次推理激活約3B參數。
目前車端可以運行的模型多集中在3-4B左右，雖然更大的參數量可以容納更多知識和能力，但如果所有參數都同時參與計算，就會超出車載晶片的算力和內存邊界，MoE架構的思路，是根據不同任務調用部分專家參數，在擴大模型容量的同時控制單次推理成本。
蔡明告訴我們，如果一套硬體能夠運行4B參數量的端側模型，理論上也可以承擔3B左右的激活量，AutoOmni 2.0的主要壓力並不在算力，而是模型儲存和內存空間。
這也是斑馬智能強調「智能密度」的原因，汽車不可能照搬數百B、甚至上千B參數的雲端大模型，端側競爭的關鍵不是無限增加參數，而是在相同硬體和參數規模下，讓模型擁有更強的泛化理解能力。
據斑馬智能現場公布的評測結果顯示，AutoOmni 2.0在普通座艙任務中的能力接近約10倍參數規模的雲模型，複雜任務處理能力可達到相應雲模型的80%—90%，能力覆蓋複雜車控、導航、多媒體和跨域多意圖任務。
不過，比跑分更重要的，是端側AI模型究竟改變了什麼。
蔡明在會後接受媒體採訪時告訴我們，「端側AI模型最核心的價值並不是更快、更便宜或者保護隱私，而是由此帶來的交互範式的改變。」
首先，雲端和端側可能只相差幾十毫秒或幾百毫秒，並不是每個場景都無法接受雲端響應，其次，端側模型需要更高規格的車載硬體，如果比較硬體增加的成本和車輛全生命周期使用雲端Token的成本，端側方案也不一定天然更便宜。
隱私同樣重要，但它更像持續感知出現後必須解決的問題，只有當AI開始長期聆聽、觀察和記憶用戶，數據是否出艙才會成為無法迴避的邊界。
端側模型更關鍵的價值，是讓AI由「不叫不醒」轉變為「始終在場」。
蔡明用飯店包廂里的服務生為我們做了這樣一個類比：
傳統語音助手像站在飯店外的服務生，只有當用戶主動呼叫才會出現，有時喊了也未必會及時進來；
端側AI更像始終留在包廂里的專屬服務生，它能聽到用戶討論要不要加菜，也知道此前有人覺得菜不夠，可以在合適的時間遞上菜單，為用戶推薦此前沒有點過的招牌菜。
好的服務往往不只是提高響應速度，而是要理解需求何時發生。
在汽車裡，這正對應著智能座艙系統的「長聆聽、長睜眼、善記憶」能力，系統要區分車裡人員之間的交流和人機對話，知道什麼時候應該保持安靜、什麼時候應該回應，還要結合視覺、語音、車輛狀態和歷史資訊，理解用戶所在的場景。
在大會現場，斑馬智能展示了全車全時免喚醒、多意圖與跨意圖車控、重要資訊總結與轉述、主動智能迎賓、無感停車付費等場景。
據斑馬智能首席技術官司羅透露，「斑馬智能已經搭建了數十個主動智能場景，從數十項主動智能場景開始，AutoOmni開啟AI原生車主動智能新範式。」
但「始終在場」並不意味著所有任務都留在車端，更現實的路線仍然是端雲協同，端側負責持續感知、隱私資訊、車控和高頻實時交互，雲端負責複雜推理、彈性算力和跨服務協作。
在斑馬智能的元神AI體系中，AutoOmni負責感知、理解和實時響應，AutoClaw承擔複雜任務拆解、多Agent調度和服務執行。
這次斑馬智能發布的AutoOmni 2.0，正是補足了智能座艙持續理解場景的能力。
03 為什麼超六成車企選擇了斑馬智能？
在大模型上車後，汽車智能化的重點已經不再是增加多少功能，而是汽車能否持續感知、自主判斷並完成服務。
汽車也正在由搭載智能功能的交通工具，走向以AI為核心驅動力的原生智能終端，對此，司羅給出了三個判斷：
第一，端側AI正在進入快速發展期。
隨著車端晶片算力和可用資源提升，端側模型不再只是承接從雲端遷移過來的部分能力，而是開始形成差異化價值，模型可以在車內處理敏感數據，也可以通過「長聆聽、長睜眼」持續理解場景，為主動服務提供基礎。
第二，雲側AI將全面轉向由大模型驅動。
傳統座艙通常依靠多個小模型級聯完成語音識別、語義理解和任務執行，隨著大模型能力提高，雲側AI將逐漸由統一模型完成理解、推理和任務規劃，端側能力增強也不意味著雲端退出，端雲一體架構反而正在成為主流。
第三，智能座艙與智能駕駛將加速融合。
現階段，座艙可以利用自然語言理解和任務規劃能力，通過API調用智駕系統，下一階段，兩套系統可能進入更深層的模型融合，使智艙對用戶的理解與智駕對物理世界的理解連接起來。
也正因如此，智能座艙的競爭已經不再是模型參數的較量，而是車企能否把端側模型、雲端大模型、車輛系統和智能駕駛組織成一個完整的體系。
而在車企構建這樣一個智能體系過程中，斑馬智能成了不少車企共同的選擇。
我們在2026雲棲大會斑馬智能展台就看到了這樣一幕，雖然騰勢Z9GT、智己LS6、神行者8、紅旗天工06的智駕系統分別用的是天神之眼、Momenta、華為乾崑和卓馭，但在智能座艙領域卻都選擇了斑馬智能元神AI。
據斑馬智能官方公布數據顯示，端側模型上車過程中，63%車企選擇了斑馬智能，與此同時，斑馬智能的元神AI提供的服務也已經覆蓋了68%的國內主流車企。
那麼，回過頭來再看這個問題——為什麼超六成車企會選擇與斑馬智能合作？
我們能夠看到的是，為了幫助車企打造一套能夠進入車輛底層、完成工程交付並連接服務生態的系統，斑馬智能構建了三層能力：
第一層是作業系統能力。
斑馬智能擁有AliOS的智慧財產權和產品技術能力，同時也可以向車企提供安卓OS服務，作業系統決定了AI能否讀取車輛狀態、調用硬體，並獲得車控、導航、通信和娛樂等權限，也是端側模型進入車輛底層的基礎。
第二層是智艙AI能力。
斑馬智能的端側AutoOmni負責全模態感知、上下文理解和實時交互，雲側AutoClaw負責複雜任務拆解、Agent調度和跨服務協作，在模型之外，斑馬智能還解決了量化、部署、晶片適配、端雲調度和安全框架等工程問題。
第三層是生態服務能力。
據斑馬智能官方披露，其合作服務商已經超過了400家，其中簽署分成合作和聯合運營協議的超過50家，這就使得斑馬智能的模型在理解用戶需求後，可以進一步調用餐飲、酒店、停車、支付和娛樂等服務，使AI由回答問題走向完成任務。
三層能力對應的分別是車輛入口、智能理解和服務執行，共同承載了斑馬智能智能座艙的系統交付能力，也正是車企選擇斑馬智能的主要原因。
