如果座艙體驗是差異化的主戰場，那麼定義座艙體驗的模型自然是品牌的「靈魂」。

最近在思考，汽車確實是一個非常有趣的人造工業物種，它的發展貫穿了第二次工業革命到第四次工業革命的整個周期。一百年來，各種產業和產品興衰，汽車一直是那個最靚的仔，無論是對經濟的被動貢獻還是消費者的主動熱愛。

而且，並不是每個產業都能擁有一種文化，而汽車文化是一個相當主流的社會現象。它不僅僅關乎「交通工具」本身，而是一種生活方式與身份表達的集合體。

汽車的內涵在這個過程中不斷更新換代。從機械時代的馬力競賽，到電氣化時代的續航角逐，競爭焦點不斷轉移。曾幾何時，V8、V12這些數字就是實力的象徵，而特斯拉用一塊電池改寫規則後，續航里程又成為新的衡量標準。

AI大潮來臨後，新的法則正在形成，智能體驗成為新的戰場。這一次的革命更為徹底，畢竟一旦智能駕駛將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裡的人，誰就能贏得未來。而在這場競爭中，一個有趣的現象正在浮現：那些深諳用戶思維、習慣數據驅動的團隊，似乎天然更懂得如何打造這個「懂人」的智能空間。

#### 一、產品基因的「代際傳承」

在雲棲大會期間，我與理想汽車空間AI團隊負責人江會星、阿里雲智能集團公共雲事業部AI汽車行業解決方案總經理霍健等進行了深入交流。兩家公司的合作，正是這種產品基因在AI時代「代際傳承」的縮影。

理想汽車創始人李想，就是中國最早也是最頂尖的產品經理之一，且聚焦於汽車這個垂直場景。這種原生的產品能力也深深植入了理想汽車。霍健在訪談中說：「理想等車企在產品智能化方面表現突出，創始人都有數字化產品的經驗。智能化的本質是模型和數據，這些都屬於用戶產品開發曾涉及的範疇。」

團隊天然習慣於快速迭代和數據驅動。江會星分享了理想內部的節奏：「我們每周都有AI周會，每周都有數據閉環的會議，每周都會從裡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，而更像是一家產品驅動的科技公司。

基於這種產品哲學，理想做出了關鍵的戰略判斷。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）。」

當汽車的定義從「工具」躍遷為「空間」，一個核心問題浮現出來：這應該是一個什麼樣的空間？

理想汽車給出的答案非常清晰：家。對車內用戶來說，「家」意味著要在這個智能移動空間裡獲得一種「鬆弛感」。

一個房屋的舒適需要一個艱苦的裝修過程；一輛車的「鬆弛」同樣知易行難。霍健觀察到理想的作法：「體驗的背後，需要慢工出細活。每一個體驗都需要精心打磨，逐步優化完成。」

這就帶來了一個有趣的矛盾：既要像用戶產品那樣快速迭代，又要像工藝品那樣精心打磨。這看似是一個悖論，但恰恰是產品驅動理念的核心。快迭代確保了系統持續進化，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剖析這種體驗的複雜度。車裡一位乘客說「我感覺有點冷」。

對於傳統汽車來說，只能是某名乘客執行一個簡單的全局（局部）調溫動作。

但在理想的智能空間裡，這句話啟動了一個複雜的認知過程。江會星詳細描述了理想自研的車端大模型MindGPT需要完成的工作：首先是環境感知和理解——誰在說話？坐在哪個位置？車內溫度、空氣質量如何？然後，MindGPT需要結合「全信息記憶」中對該用戶的了解，推理出真實意圖：是希望調節風向、開啟座椅加熱，還是調溫即可？

從被動的指令響應，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、溫度的三重協同才能實現。

#### 二、速度、深度、溫度

在智能座艙時代，「速度」的定義正在被改寫。無論背後的計算多麼複雜，前端的交互必須快到讓用戶感覺自然流暢。

在今年雲棲大會上，阿里雲發布的通義Qwen3-Omni全模態模型展示了行業在這方面的最新進展。霍健提到，這個模型的端到端音頻對話延遲已經壓縮到211ms——這意味著從你開口到AI開始響應，整個過程快到大腦都察覺不到停頓。

這個速度背後，是通義團隊針對主流座艙芯片做的深度適配：通過精度優化讓計算更輕量、通過數據壓縮減少傳輸負擔、通過智能預判加快響應速度。這一整套技術組合下來，讓大模型在車內這個算力有限的環境裡，也能跑出接近雲端的性能。

這個數字低於人類的感知閾值（通常認為是300ms）。當延遲足夠低，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，還是行業的其他領先模型，都在向這個目標逼近。前端體驗的「鬆弛感」，恰恰源於底層技術分秒必爭的「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，需要另一個關鍵能力：記憶。這就引出了端雲協同的架構選擇。

如果說端側是交互的第一線，聚焦於實時感知和快速響應，那麼雲端則承擔深度推理和長期記憶的重任。

霍健在接受訪談時具體介紹了雲端在「有點冷」案例中的角色：「雲端會首先進行記憶召回，找到『乘客』過去對溫度的偏好，提供給車端結合車外溫度、車內溫度、溫度偏好做執行。」他解釋了分工邏輯：端側負責實時感知（快），雲端負責深度推理和長期記憶（准）。

據悉，理想為此構建了認知科學中的三層記憶：程序記憶（習慣自動化）、情景記憶（特定事件記錄）、語義記憶（本質理解）。

當然，要構建這樣一個複雜的記憶系統，也對雲端基礎設施提出了極其苛刻的要求。它需要存儲海量的異構數據，並能在毫秒級完成複雜的檢索和推理。

據悉，理想同學的全信息記憶體系是基於阿里雲的Tair、Lindorm和圖數據庫（GDB）構建的。這套組合拳提供了完整的記憶機制：Tair負責實時上下文特徵和快速向量檢索；Lindorm承擔海量日誌和特徵的統一存儲；GDB則負責構建知識圖譜，讓AI能理解複雜關係，實現更類人的語義推理。數據顯示，這套系統實現了高達99.5%的召回準確率，同時平均查詢延遲僅為2ms。

因此，如果說「端」側決定了交互的「速度」，那麼「雲」側則決定了智能的「深度」，特別是「記憶」能力，讓理想同學像「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內調取了用戶的溫度偏好歷史，系統綜合判斷後精準執行了最符合用戶習慣的操作。速度保證了交互的自然，深度保證了理解的準確，而兩者的結合，才真正帶來了那種「家」的溫度。

這套端雲協同的打法，不僅定義了理想的产品體驗，也揭示了AI時代車企與雲廠商之間一種成熟、高效的協作範式。

#### 三、「靈魂」與「基座」

如果座艙體驗是差異化的主戰場，那麼定義座艙體驗的模型自然是品牌的「靈魂」。

2023年3月，ChatGPT發布沒多久，理想就快速立項了自研大模型MindGPT，並用9個月時間「把訓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，速度又是另一個指標。

業內常說「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。據統計，其近兩年已發布開源模型數量超過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，車端模型目前的核心在於掌握「後訓練（Post-training）」，特別是「強化學習（Reinforcement Learning）」的能力。他解釋，「強化學習中的獎勵函數（Reward Function）必須緊密貼合你當前真實的業務場景，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回覆的內容是否滿足結構化要求等。」這意味著，你必須根據自己的品牌理念和用戶反饋，來告訴模型什麼是「好」，什麼是「壞」。只有掌握了這個「調教」模型的能力，AI才能真正進化為符合品牌調性的智能體（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：我們已經建立了完整的大模型訓練流水線（pipeline），拿後訓練來說，一旦基座模型有了新迭代，都能夠快速接入這套流水線——從數據準備、指令微調、設計獎勵機制進行強化學習，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完成升級、驗證與部署，無縫集成到「理想同學」智能體中，實現端到端的快速迭代上線。這種敏捷的閉環能力，不僅大幅縮短了從模型研發到產品落地的周期，也讓智能座艙的用戶體驗能夠持續、高頻地進化。

如果說強化學習的「獎勵函數」讓理想能夠定義什麼是「好」，那麼後訓練能力就是理想把這個「好」快速落地的武器。

因此，當理想掌握了「烘焙配方」，基座模型能力提升，會帶動整體性能提升；後訓練能力增強，同樣會讓基座模型發揮更大價值。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」的協作邏輯，也在定義一種緊密的產業合作關係。

理想具備原生的產品能力，知道用戶需要何種駕乘體驗；阿里雲提供AI原生的基礎設施，知道客戶需要怎樣的技術支撐。阿里雲曾經讓企業把應用「天然生長」在雲上，現在則讓智能成為產品與生俱來的能力。理想同學的「懂你」，本質上就是一種AI原生的產品體驗：AI不是後置的功能模塊，而是產品體驗的基礎設施。

智能座艙有了「靈魂」，產品能力遇上AI原生基礎設施，我們其實在見證一種移動智能體的進化。理想與阿里雲的合作，或許是為這個「新物種」的黃金時代，寫下了最關鍵的序章。（作者：高飛）