在汽車里的AI，其實不得不談到豆包。這個去年剛火熱起來的可愛家伙，在今年的車展上可謂大放異彩，一舉成為車圈頂流。看了一個數(shù)據(jù)，現(xiàn)在汽車上用豆包在交互的頻次，日均已經(jīng)達到了3000萬次，并且，有了豆包的語音助手其使用率比不帶的“傻助手”高很多。而且無論本土還是合資品牌，全都一股腦的豆包上身。但是！這個家伙還不是萬能的，關鍵問題在于，它現(xiàn)在還極度依賴于云端，既考驗網(wǎng)絡，也有一些隱私上的顧慮。畢竟，語音助手進車，一次OTA就能搞定，可想讓網(wǎng)絡穩(wěn)定，車都換代了，這個問題有時候都解決不了。

這一次北京車展，在跑斷腿的看車過程中，我也有幸接到了面壁智能的邀請，邀請我去看看他們針對于端側方案的進步。事實上，對于AI頗有興趣的我，對這家公司也是了解甚少，我對端側的AI方案并不夠了解也不夠信任，我十分想知道新聞稿標題上寫的SuperMate到底是個什么東西？它又跟我在車里大喊“你好，XX”的差別是什么？全是問題。只好一步一步的請教，抽絲剝繭的把這事兒說清楚。

首先，現(xiàn)在的智能座艙是啥樣子？先喊一句，激活語音助手，然后等回應，再說一個或者好幾個命令，等它轉圈，然后開始干活，最后結束。也有可能說完命令以后得到一個被拒絕回應，因為它沒聽懂或者不會干——以上的，哪怕被拒絕的前提是：有網(wǎng)。如果沒有網(wǎng)，效果就真的比較慘烈了。

面壁智能這套SuperMate智能座艙，可以簡單理解為很多功能都有AI協(xié)助并且能被AI控制的車機系統(tǒng)，不用單獨喚醒打開，它就是屏幕里觸手可及的launcher界面。SuperMate試圖pass掉尷尬的對話步驟，而是直接開干——活人感這不就有了么？這次升級的核心，就是讓座艙 AI 從“好記性”進化為“真正懂你”。這需要深度記憶、實時感知、情境理解與主動行動的閉環(huán)，更需要精準的“分寸感”。這種「以少勝多」的智慧，決定了 AI 的介入是“貼心”還是“打擾”。這個是全模態(tài)模型的全新能力，它為座艙帶來的不只是交互方式的升級，更是從"功能型 AI"向"感知型智能體"的范式轉變——座艙 AI 將具備對駕駛環(huán)境、乘客狀態(tài)、聲音與視覺信號的持續(xù)感知能力，真正成為理解場景、主動服務的智能伙伴?！约?，它全部運行在本地，就算地庫沒信號，它也能調(diào)動車內(nèi)的各個功能，在AI這里叫Agent，它可以自動執(zhí)行一系列操作。

放進場景來說，就是上車時，系統(tǒng)通過身份識別與多用戶記憶自動加載個人偏好。行程中，說一句"去接孩子"即可自動補全目的地并規(guī)劃路徑；用車過程中，系統(tǒng)自動串聯(lián)多項車控功能、主動推薦座艙應用，比如放個歌。無感車窗、無感空調(diào)則根據(jù)環(huán)境與乘客狀態(tài)靜默調(diào)節(jié)——很多時候，用戶感覺不到它做了什么，只是覺得這趟旅程特別舒服。同時，SuperMate 對車內(nèi)關鍵人群的守護同樣體現(xiàn)了這種默契。SuperMate 能實時識別兒童危險行為并自動介入，識別兒童哭鬧后聯(lián)動環(huán)境進行安撫；主動捕捉艙內(nèi)外高價值瞬間自動保存；離車后智能哨兵持續(xù)監(jiān)測環(huán)境，動態(tài)平衡安全性與低功耗。

對了，路上出事故了咋辦？SuperMate這次多了一個事故處理的Agent，并且也具備了調(diào)用更多功能的能力，先安撫駕駛員，然后出處置建議雨理賠指引。還有跨端同步的能力，車撞了，手機也能告訴你此時此刻應該怎么辦，甚至在未來，它還能喊上保險公司一起，從事故識別到理賠修車全鏈路的搞定這個人見人愁的事兒。

不管SuperMate的功能性多強，它背后總還是要有個模型在，作為一個底層的“軟件”，才能支撐起這個類似于電腦上“圖形界面”的東西給人響應。否則，一切都是虛無。隨著面壁智能最新發(fā)布的 MiniCPM-o 4.5 全模態(tài)模型的成熟，SuperMate 將進一步引入全模態(tài)交互能力。該模型具備原生全雙工交互能力——在輸出時仍能持續(xù)感知視覺與聽覺輸入，無需等待用戶說完即可自主判斷交互時機。這意味著座艙 AI 將不再是"一問一答"的回合制對話，而是能夠像一個始終在線的副駕一樣，邊聽、邊看、邊主動回應。

回到智能座艙，或者，回到“車機”層面，為什么現(xiàn)在的用戶還是更依賴手機？或者總有用戶在社交平臺上抱怨車機不好用？明明芯片也是最新的，系統(tǒng)也是更新的，怎么就那么不好使呢？結論很簡單，芯片確實有算力，但系統(tǒng)沒有能力全部使用，或者效率太低。至于什么AI模型，更是跑不了一點兒——那些算力還要給智駕部分留冗余呢，哪兒還有能力在本地算AI？端側 AI 要真正規(guī)模化上車，必須適應不同車型、不同芯片、不同成本結構的現(xiàn)實約束。于是，SuperMate現(xiàn)已完成對高通、聯(lián)發(fā)科、英特爾、瑞芯微、英偉達、AMD等主流芯片平臺的全面適配，支持從輕量語音交互到全模態(tài)理解的多規(guī)格模型靈活運行，兼顧性能、成本與功耗，滿足量產(chǎn)車型不同配置梯度的需求。面壁智能與各芯片廠商及座艙產(chǎn)業(yè)鏈上下游伙伴保持緊密合作，通過軟硬一體的聯(lián)合研發(fā)推動 AI Box 等端側算力產(chǎn)品的落地。

在本屆車展上，面壁智能展出了與英特爾聯(lián)合開發(fā)的 AI Box 解決方案，這也是雙方軟硬一體聯(lián)合研發(fā)的最新成果。該方案基于英特爾先進 18A 制程的 Core Ultra 系列平臺，提供最高 180 Tops 稠密 AI 算力，全面適配面壁智能MiniCPM全系模型，是全球首個實現(xiàn)大規(guī)模量產(chǎn)的 AI Box 產(chǎn)品，將 PC 級高性能計算引入汽車座艙，為大模型在車端的本地化運行提供了全新的算力載體。

目前，SuperMate 已在吉利、長安馬自達等車企的多款量產(chǎn)車型中實現(xiàn)搭載交付。面壁智能將持續(xù)拓展與更多車企及產(chǎn)業(yè)鏈伙伴的合作，推動端側 AI 座艙方案的規(guī)?；占?。

在時間不長的專訪之中，問題來的還是挺尖銳的，既有對云側與端側的協(xié)同考量，也有對于端側實際應用場景的疑問。不妨看看面壁智能兩位老總的回應，是否能解決你心中的疑問。

受訪人：面壁智能聯(lián)合創(chuàng)始人& CEO 李大海 面壁智能聯(lián)合創(chuàng)始人& COO 雷升濤

Q

面壁智能為何堅持“端側大模型”路線而非云端方案？

李總：因為我們看到了端側既有巨大的機會，在終局也是不可或缺的，所以我們就堅持在走這條路。首先為什么說他有巨大的機會，面壁在24年的時候，我們就發(fā)現(xiàn)了大模型的「密度定律」，通過測算發(fā)現(xiàn)，大模型的知識密度的增長比摩爾定律要快5倍。我們推斷，端側模型的知識密度越來越高，能力越來越強。這個是2024年我們發(fā)現(xiàn)的趨勢，且到今天已經(jīng)經(jīng)歷了大家的論證。

第二點，我們對于未來的判斷是，云側跟端側一定是奔向不同的世界：云側奔享的是邏輯世界、數(shù)字世界，而端側模型奔向的是物理世界。換句話說呢，我們說要讓一個智能終端能夠更好地去感知世界、交互世界和改造世界，它一定要通過端側智能?；谖覀兩厦娴姆治?，所以端側是大有可為。我們的愿景就是讓面壁的端側模型賦能每一個終端，讓每個終端擁有智能。

面壁智能聯(lián)合創(chuàng)始人& CEO 李大海

Q

最近其實有很多的模型廠商在推出這種智能座艙，這個背后是跟哪些技術的演進有關？在這個行業(yè)來說，相對于友商，面壁智能比較領先的優(yōu)勢是在哪？

李總：面壁的優(yōu)勢當然就是端側。目前絕大多數(shù)的模型廠商會用云端模型來去提升艙內(nèi)的體驗。但從面壁一貫的思路來說，我們不認為端側跟云側是一個競爭的關系，而是協(xié)同的關系。我們的主張是端側主內(nèi)，云側主外。端側模型把車內(nèi)的所有的任務都做好。這個有什么好處呢？第一個就是通過端側能夠更全面、快速的感知艙內(nèi)艙位的環(huán)境，且感知是不出車的，所以用戶不需要為隱私擔心。其次，端側模型的感知離用戶近，所以可靠性、實時性都會更強。那云側為什么主外呢？因為這個世界上其他哪里有好吃的店，然后哪里的交通變復雜了，哪里天氣有變化，都是車內(nèi)的智能不可能知道，所以一定要通過云側的智能去了解這些信息，去做協(xié)同。

雷總：我再補充一點，就是從技術和產(chǎn)品的角度來說，我們端側模型上車的優(yōu)勢主要是三個方面。第一個方面叫Infra層的優(yōu)勢。一個云端訓練的模型，要塞進車端有限的算力上，是非常難的，要確保能運行，還要運行得快。我們會做很多量化的工作，就是把16位表示的權重或者參數(shù)變成4位甚至2位，位數(shù)越低，意味著精度越小，但我們又能保證在精度下降之后，還能保持模型性能。此外，我們還會采取其他的措施來加速模型在端側的推理速度。面壁在Infra層面積累了巨大的優(yōu)勢，用一家芯片廠商產(chǎn)品負責人的話說，即使其他大模型廠商下來做端側，那Infra的優(yōu)勢面壁依舊領先，這塊巨大的坑我們都已經(jīng)踩過了。

面壁智能聯(lián)合創(chuàng)始人& COO 雷升濤

第二個方面是模型層的優(yōu)勢，我們持續(xù)在提高模型的知識密度。比如在車端的算力上，別家的模型可能因為知識密度不夠高，導致很多任務場景都做不了，但我們可能用1.6B、0.9B甚至0.5B 的模型就能實現(xiàn)很多的智能場景。

第三個方面是應用層的優(yōu)勢，這次車展發(fā)布的SuperMate，就是我們過去這兩年在車上抽象出來的應用場景。我們現(xiàn)在有一整套原生的AI native的端側應用場景，還有產(chǎn)品。