小鹏合并智驾与座舱成立通用AI中心，指向“统一智能体”时代。本文拆解集中AI如何提升本地化座舱体验、统一OTA交付与跨域质量指标。
小鹏合并智驾与座舱：通用AI中心如何重塑车内体验
2026-02-04，小鹏把“自动驾驶中心”和“智能座舱中心”合并成通用 AI 中心（General AI Center）。很多人把它当成一次组织架构调整，但我更愿意把它看成一个信号：车企的竞争焦点，正从“功能堆叠”转向“统一智能体”。
过去两年，智能座舱做得像手机：应用多、界面炫、语音更聪明；自动驾驶像另一个世界：传感器、规控、算力、数据闭环。两个团队各自快跑，短期能出活，但长期会遇到同一个问题——用户体验被割裂：你在座舱里对话的“助手”，与在路上决策的“司机”，不是同一个大脑。
这一篇放在《AI 在汽车软件与用户体验中的不同应用方式》系列里，我们用小鹏这次合并当案例，聊清楚三件事：为什么中国车企更倾向集中 AI 能力做生态与本地化体验；座舱与智驾合一后，车内体验会发生什么变化；以及对做汽车软件、UX、产品与研发管理的人来说，哪些做法值得抄作业、哪些坑要避开。
通用AI中心的核心意义：把“两个大脑”变成“一套神经系统”
通用 AI 中心的关键不是“合并部门”，而是统一 AI 的底座与交付方式。根据披露信息，新组织会覆盖：基础模型、基础设施平台、标准化交付系统，以及产品与项目质量。这句话翻译成人话就是：
- 模型统一：座舱的多模态理解（VLM/VLA）与智驾的感知决策，不再各自训练、各自评估。
- 平台统一：数据、训练、仿真、部署、OTA 流水线尽量走同一套中台能力。
- 交付统一：减少“座舱更新很勤、智驾更新很慎”的割裂；同一版本策略下做灰度、回滚、指标看板。
这对用户体验的影响是直接的：一辆车不再像装了两套 AI 产品，而更像一个持续学习的智能体。你今天在座舱里说的话、偏好、习惯（在合规前提下）能反馈给更高层的智能体；系统对你“是谁、要去哪、现在急不急、你讨厌什么操作”的理解，能同时反映在导航、驾驶策略与车内交互上。
可被引用的一句话：座舱与智驾的融合，本质是把 HMI、决策与执行放进同一个“意图-行动”闭环里。
为什么这一步在 2026 年更“必须做”
因为大模型与 AI Agent 正在改变座舱逻辑：从“功能入口”转为“任务完成”。当用户说“我想安静点但别太冷、顺便把孩子接上”，系统需要同时调空调、规划路线、判断路况与驾驶风格——这就要求座舱理解与驾驶策略共用一套语义和上下文。
换句话说：你要做的是“能办事的助手”，不是“会聊天的语音”。
从“各自OTA”到“统一交付”：组织合并背后的产品账
报道里提到一个细节：过去两部门独立运作，开发节奏不同、OTA 更新碎片化，甚至让员工质疑结构是否适配 AI 驱动车辆的快速演进。这句话点出了许多车企的真实痛点：
- 座舱团队追求“月更”，智驾团队追求“稳更”。
- 座舱看 DAU/唤醒率/满意度，智驾看接管率/事故风险/法规合规。
- 两边用的日志、埋点、数据格式不同，想做跨域分析非常痛苦。
合并后最值得期待的，不是某个炫酷新功能，而是交付体系的标准化：同一套需求评审规则、同一套版本分支策略、同一套灰度指标、同一套线上问题定位链路。
给汽车软件团队的可操作做法（照着做就有用）
如果你在做“座舱+智驾”协同，以下四件事比“再加一个大模型”更重要：
- 统一任务模型（Task Model）：把用户意图拆成可执行任务（如“通勤”“接娃”“长途”），明确每个任务涉及哪些域（座舱/导航/底盘/智驾）。
- 统一数据字典与事件协议：同一事件在不同域里用同一
event_id与字段命名，跨域分析才能跑起来。 - 统一灰度与回滚策略：智驾能力与座舱 Agent 同步灰度，避免“助手说可以、车却做不到”。
- 建立跨域质量指标：例如“任务完成率”“二次确认率”“用户打断率”“跨域失败归因占比”。这些比单纯的语音识别准确率更接近真实体验。
小鹏的“统一AI中间件”路线：更适合中国市场的本地化打法
报道提到，小鹏希望建立统一 AI 中间件平台，灵活支持多条业务线，并且 AI 与大模型研发团队在正式重组前就已整合。这条路线很“中国车企”：
- 中国用户对座舱的期待更像“生活入口”：地图、停车、支付、影音、社交、儿童模式、露营场景……强本地化需求天然要求更深的生态整合。
- 本地服务与合规要求复杂：语音、地图、内容、隐私与数据边界都需要“在地优化”。
与之形成对比的是特斯拉那种更偏“车辆能力主导”的软件演进：核心围绕驾驶能力与统一交互风格，生态扩展更克制。两者没有绝对好坏，但在中国本地化体验上，集中式 AI 中台往往更占便宜：
- 同一套模型/Agent 能更快适配本地地图语义、路况表达与常见对话方式；
- 多业务线（车、Robotaxi、机器人等）共用基础能力，能摊薄训练与工程成本；
- 座舱不只是“屏”，而是服务分发与用户粘性的核心阵地。
“集中 AI”并不等于“一把梭哈”
我见过不少团队把“统一”做成“所有东西都要共用”，最后变成效率灾难。更合理的做法是：
- 底层统一（数据、训练、评测、部署、权限与隐私框架）
- 上层可插拔（不同车型/不同地区/不同价位允许差异化能力包）
这也是“AI 中间件”的价值：统一基础设施，让差异化发生在可控层面。
三颗图灵芯片与 VLA：技术堆栈如何落到体验
小鹏在 2026-01-08 发布的新车型里，Ultra 版本采用“三颗图灵芯片”：两颗用于智驾，一颗用于座舱；自研第二代 VLA（Vision–Language–Action）模型计划在 2026-03 开始推送，并强调跨域能力覆盖汽车、Robotaxi、人形机器人与飞行汽车，且座舱侧芯片专门跑 VLM。
这里有两个体验层面的含义：
1）算力隔离带来“体验稳定性”
座舱与智驾在算力与实时性要求上不同：
- 智驾需要确定性与实时，抖一下就可能出事故；
- 座舱需要多模态与生成能力，偶尔延迟 200ms 用户未必介意。
把座舱大模型放到独立芯片上，能降低相互干扰，让“会聊天”不影响“会开车”。这比单纯追求更大参数更务实。
2）VLA 的价值在“从理解到行动”的闭环
很多座舱大模型停留在“理解与生成”，但用户真正想要的是“完成”。VLA 之所以值得关注，是因为它天然强调：
- 视觉理解（看见路况/看见车内状态）
- 语言理解（听懂任务）
- 动作执行（调度车辆能力与服务）
当组织结构把座舱与智驾放进同一个通用 AI 中心，VLA 这类跨域模型才更容易变成稳定的产品能力，而不是实验室 demo。
这会如何改变“智能座舱体验”？三条最现实的预测
直接给结论：合并后最先变好的，通常不是“更聪明”，而是“更一致”。 我更看好三类变化：
- 一致的“车内人格”：同一个助手记住你的偏好，也能解释驾驶策略（例如为什么此刻不建议变道、为什么选择这条更稳的路线）。
- 任务级体验提升：从“打开空调/打开音乐”升级为“开启通勤模式：安静、少打扰、到公司地库自动切换导航与停车偏好”。
- 跨域 OTA 更可控：更新不再是零散功能上线，而是围绕任务闭环的版本演进，失败也更容易归因。
当然，风险也在：统一组织之后，最怕“什么都要统一导致决策变慢”。通用 AI 中心必须用标准化交付对抗“协作成本上升”。
给车企与供应链的落地建议：先把“体验账”算清楚
如果你的目标是通过 AI 拉动线索与转化（LEADS），别一上来就讲模型参数。更有效的是把“体验变化”量化成可以营销、可以交付、也可以持续迭代的指标。
我建议用一张三层指标表来对齐各方：
- 用户层（能感知）：任务完成时间、一次成功率、打断率、投诉率、NPS
- 系统层（能解释）：跨域意图识别准确率、工具调用成功率、端到端延迟、线上崩溃率
- 安全层（必须守住）：接管率、误触发率、合规事件数、关键路径回滚耗时
这张表的意义是：当你把座舱与智驾合一，每一次“更聪明”都必须同时满足体验、工程与安全三条线。
结尾：集中 AI 的胜负手，是“把体验做成系统工程”
小鹏把智驾与座舱合并成通用 AI 中心，是一个典型的中国车企路径：集中 AI 能力，强化智能座舱生态与本地化体验，再把这套能力外溢到机器人等更广的“具身智能”版图。它与特斯拉更偏车辆能力驱动的软件演进，形成了鲜明对照。
如果你在做汽车软件与用户体验，真正该盯住的不是“又出了什么大模型”，而是：你的组织、数据、交付与质量体系，能不能支撑一个“跨域智能体”持续 OTA。多数公司就是卡在这里。
下一次当你坐进一辆车，助手不再问一堆问题就能把事办完，并且驾驶行为与你的偏好保持一致——那大概率不是某个单点功能的功劳，而是背后那套统一 AI 体系终于跑通了。你更看好“集中式通用 AI 中心”，还是“分域快跑+接口协同”的路线？