23B参数塞进车规芯片，63%车企为何押注同一颗端侧大脑

过去两年，大模型上车的真实体验，大多停在"能用但不好用"的阶段。车端收音、送上云端处理、再把指令传回——这套流程在驾驶场景里暴露出一串硬伤：1到3秒的通信延迟、进地库隧道瞬间哑火的弱网死角，以及私密数据出车的合规隐患与高昂的Token账单。

体验看似升级了，交互范式却没变。问题出在一个物理矛盾上：云端模型动辄数百B参数，越做越大；而汽车作为算力、内存、功耗和成本都高度受限的终端，无法像云端那样无底线堆叠GPU。

要把体验做透，行业必须把这颗越来越大的"大脑"真正搬进车里。在今年的云栖大会上，斑马智能带来全模态端侧大模型 AutoOmni 2.0-23B-A3B，把端侧总参数规模直接推至23B。官方披露，它在普通智舱任务上的能力堪比10倍参数量级云模型，复杂任务也能达到后者的80%至90%。

23B背后的MoE解法

要让大模型在车规级芯片上落地，首先要解开硬件资源的"物理锁"。

车端座舱SoC的计算单元与运行内存，必须优先保障全车多屏渲染、仪表底层安全与车身电子控制的绝对稳定。在有限的硬件开销下，如果强行部署传统的23B稠密型模型，巨大的计算负荷足以让车载系统不堪重负。

斑马智能首席技术官司罗在云栖大会论坛现场拆解了技术解法：核心突破在于采用了MoE（混合专家模型）架构。型号后缀中的"23B-A3B"，正是破局的关键逻辑——

• 23B总参数量：构建具备深厚世界知识的大脑，确保面对模糊意图、复杂逻辑推理和跨域指令时，有充足的理解深度；
• A3B（激活3B参数）：实际推理中通过稀疏激活的门控路由，每次仅调度最契合当前指令的3B参数专家子网络参与计算。

通过把"知识容量"与"实时计算开销"解耦，AutoOmni 2.0在智能座舱场景中实现了跨越式表现：普通任务处理能力堪比10倍参数量的云端模型，复杂任务处理能力亦达到10倍参数量云模型的80%至90%。

但模型结构的优化只是第一步，真正的考验在于芯片底层的适配。车端算力环境高度异构，不同主机厂采用的芯片计算架构截然不同。据司罗透露，AutoOmni已经与国内外10家芯片企业展开深度底层协同优化。

通过深度重构模型算子、优化内存访问机制以及应用先进的量化技术，团队在车规芯片上取得了关键突破：

• 推理速度提升5到6倍，多模态交互时延压缩至毫秒级；
• 量化保真度保持在99%以上，解决模型轻量化后常出现的性能断崖；
• 运行内存占用降低50%以上，支撑起8路以上多任务稳定并发。

在技术演示环节，司罗展示了基于该端侧大模型的实车运行状态：即便在离线环境下，车辆依然能处理多意图叠加的复杂导航规划、车控调节以及跨域交互。依靠本地构建的车规级端侧AI安全纵深防御体系，车内乘客的语音偏好和视觉数据无需离车传输。

智驾分化，智舱收敛

底层技术的突破，直接反映在了整车量产的前沿阵地上。

在斑马智能展台上，一个颇具行业戏剧性的场景引发关注：腾势Z9GT、智己LS6、神行者8、红旗天工06，四款热门新车并排亮相。

细看这四台车的智能化配置，辅助驾驶方案呈现百家争鸣的格局——比亚迪天神之眼、Momenta、华为乾崑与卓驭各踞一方，各大车企在智驾赛道上视彼此为强劲对手，技术路线高度分化。然而在关乎人车交互核心体验的座舱大脑上，这四款车型却无一例外地接入了斑马智能元神AI。

据现场公布的数据，元神AI目前已实现对主流车企68%的服务覆盖；而在端侧大模型上车的阵营中，有63%的企业选择了斑马智能。

为什么在"全栈自研"成为行业口号的今天，主流主机厂在核心座舱端模型上反而形成了高度一致的选择？

在斑马智能首席战略官邢悦看来，智舱的核心差距不在于单纯的大模型算法，而在于落地周期与工程能力："斑马利用这一年的时间窗口，提前完成了大量场景的植入。我们不仅是一家模型公司，更是一家具备落地能力的AI工程公司。"

车企的核心顾虑还在于底层安全与权限控制。斑马智能首席产品官蔡明在采访中直言，端模型的数据不出舱特性，天然打消了车企对数据合规与系统失控的顾虑："在端侧处理让车厂安心，他们才愿意打开权限，让模型去调度控制车辆的各类底层应用。"

从"机械响应"到"读懂意图"

端侧模型在车规芯片上的成功着陆，终极目标是为了改写长期停滞的人车交互逻辑。

过去十年间，车载语音系统普遍受制于"唤醒词+死板指令"的单线逻辑。打断车内正常交谈的机械唤醒、对口语化表达的误读，让很多车机交互始终停留在"能用但不好用"的初级阶段。

斑马智能联席CEO郝飞指出，端智能的核心价值是开启交互新范式，而新范式成立的前提，是基于端模型的全车全时免唤醒，以及连贯的上下文和长效记忆。

郝飞解释，只有当强大的感知与推理模型常驻于端侧，车辆才真正具备了灵敏的神经中枢。在毫秒级端侧推理的支撑下，系统不再依赖机械的特定词汇唤醒，而是能够结合声场定位、乘员视线与对话语境，自然辨别车内声音是成员间的日常闲聊还是对车辆的真实需求，主动迎宾、无感智能停车付费等数十项从"被动响应"转向"主动服务"的场景才得以真正成立。

而在蔡明看来，交互重构的背后，是AI对"认知世界"的边界重塑。他提出了一组观察：汽车智能化需要理解两个世界。

• "表世界"：由道路物理空间、运行规律和行驶轨迹构成，这是智驾系统的核心发力点；
• "里世界"：由用户个人意图、生活偏好和连续生活场景构成，这才是智舱AI必须攻克的领域。

理解"里世界"的最大障碍，在于汽车物理空间的封闭性。用户每天在车内的时间通常只有1小时，而在车外还有23小时。如果车机数据无法与移动端联通，车载AI就只能成为记忆碎片化的单点工具。

针对这一断层，AI数据终端公司YoooClaw创始人、CEO肖睿哲给出了协同解法。他表示，通过与斑马智能的深度联合，在数据严格合规的前提下，团队正致力于将用户在车内1小时与车外23小时的上下文彻底打通。

在现场展示的AutoClaw 2.0实车方案中，这种协同已经落地：车端与云端的算力灵活调用，车机、手机等多终端的场景数据连贯继承，跨应用的服务需求顺畅调度。当AI具备了跨越时空的记忆连续性，汽车才真正从一台被动受控的机械设备，蜕变为了解用户习惯的个人智能助理。

汽车或是具身最好的"中试场"

站在更广阔的技术坐标系中审视，端侧大模型在汽车上的成功突围，其意义已远远溢出了座舱本身的边界。

当前，具身智能作为AI落地的终极形态引发全球关注，行业目光多被双足人形机器人所吸引。然而，人形机器人在动力续航、高动态步态运控与结构耐用性上的物理瓶颈，短时间内依然制约着其商业化进程。

相比之下，奔跑在道路上的智能汽车，早已具备了走向物理实体的完整要素。司罗总结："智能汽车是具身智能最大的中试场和规模化压测平台。"在他看来，现代智能汽车拥有充足的动力电池、分布周身的高清传感器组、强大的车载计算中枢以及高精度的线控底盘执行系统。从物理架构而言，它就是当今工业界体量最大、运行最稳定、与现实社会交互最深度的轮式具身智能载体。

司罗透露，斑马智能的技术路线正从聚焦车端的AutoOmni向覆盖更广泛边缘设备的EdgeOmni演进。这一演进的实质，是以汽车为支点，将AI从单一终端的单体智能，推向多端协同的群体智能，让大模型在现实世界中持续经受复杂场景的压测与进化。