从“宜家皮卡”到AI座舱：两条汽车创新路线

2025 年日本移动出行展上，丰田抛出一个看起来“反潮流”的概念：IMV Origin。它几乎没有车身、没有封闭驾驶舱、没有你熟悉的豪华内饰，甚至官方设想是**“不完整地出厂”**，像家具一样打包运到目的地，再由当地用户组装、加装、完成。

很多人第一反应是：这也能叫车？但我更愿意把它当成一个信号——当行业被“软件定义汽车”“大屏交互”“AI 智能座舱”占据注意力时，丰田用一种极端的方式提醒大家：满足需求不只靠软件，物理世界的可改装、可维护、可本地化，同样是强大的用户价值。

这篇文章放在“人工智能在汽车制造”系列里看，特别有意思：IMV Origin 是“硬件模块化”的代表，而特斯拉和大量中国车企（尤其新能源品牌）走的是“软件与 AI 个性化”的路线。两条路不必互相否定，但它们对制造体系、供应链协同、质量检测、以及最终用户体验的影响，完全不同。

IMV Origin 的核心：把“未完成”设计成产品能力

结论先说：IMV Origin 的创新点不在动力或配置，而在“交付方式 + 改装生态”。

丰田对 IMV Origin 的描述里有个关键词叫“deliberate incompleteness”（刻意的不完整）。简单理解：

• 工厂输出的不是一台“最终形态”的车
• 而是一个可行驶底盘 + 最基础的驾驶/承载结构
• 用户或本地合作伙伴再按需求把它“装配成想要的车”

这套逻辑非常像工程机械、园区工具车、特种车辆的商业模式，只是丰田把它更系统化、平台化，并且用“像宜家一样打包运输”的叙事，把运输效率、当地装配、后市场改装连成一条链。

为什么丰田要押注“硬件可塑性”？

因为它解决的是“地域差异”这个最难用统一产品覆盖的问题。

文章里提到 IMV Origin 的目标市场偏向非洲农村场景：道路条件、维护资源、用途组合（载人/载货/农用/林业/小型商业）差异巨大。对这种市场：

• 一次性做出“最合适的完整车型”很难
• 但做一个足够结实、足够通用、改装成本低的平台，反而更稳

这其实是很“制造业思维”的产品策略：把复杂性下放到本地，让本地在地化创造价值。

硬件模块化 vs AI 个性化：谁更接近“为你而造”？

结论先说：硬件模块化解决“你要拿它做什么”，AI 个性化解决“你用起来顺不顺”。

IMV Origin 的“为你而造”，本质是：

• 你可以决定它是运菜车、伐木车、移动摊位、两座/封闭驾驶舱、可锁货箱……
• 你改变的是车辆的物理能力边界

而特斯拉或中国智能电动车更擅长的“为你而造”，是：

• 语音与多模态交互更顺
• 导航与行程规划更懂你
• 辅助驾驶更贴合你的驾驶习惯
• 车机内容、氛围、推荐更个性化

你改变的是体验与决策层，而不是底盘形态。

一个更直白的对比

• 硬件模块化：今天加个封闭货箱，明天加个侧开服务台，后天换成两排座。
• AI 个性化：今天更懂你常走的路线、常听的内容、常用的空调设置，明天更会替你减少误操作、降低分心。

我见过不少车企在产品策略上犯的错是：把“AI”当成万能钥匙，想用软件解决所有问题。现实是，只要需求是物理的（装货、密封、防雨、防盗、载人、举升、固定），软件就只能辅助，不能替代。

放回“人工智能在汽车制造”视角：AI 如何服务模块化平台？

结论先说：模块化不是 AI 的对立面，真正的难点是“让模块化可规模化制造”。

IMV Origin 如果走向量产，最大挑战未必是“能不能做出来”，而是：

• 车型形态变多后，BOM（物料清单）爆炸
• 本地装配后，质量一致性如何保障
• 改装件与底盘的兼容性如何验证
• 售后与备件如何跟得上

这些恰恰是 AI 在汽车制造中能发挥作用的地方。

1）AI 让“配置组合”可控：从无限自由到可制造的选择

模块化最怕“想象空间无限”，但工厂与供应链需要有限组合。比较务实的做法是：

• 用 AI 做配置组合推荐：根据用途（农业/配送/公共服务）、道路条件、气候与预算，推荐一套“能制造、能交付、能质保”的模块包
• 用生成式 AI 做改装指导与装配工艺说明：把复杂工艺变成分步骤的图文/视频/交互式指引，并按当地语言与工具条件做适配

这会比“给一张说明书”更接近现实可落地。

2）AI 质量检测：适配“本地装配”的不确定性

IMV Origin 的设想是当地组装与改装，这会引入更大的装配偏差。AI 视觉检测在这里很有用：

• 关键螺栓扭矩、线束走线、制动管路固定点
• 车灯/反光件的法规位置
• 结构件是否装反、漏装、错装

可以做成手机端检测 + 云端判定：本地装配完成后拍摄关键部位，系统给出合格/返工提示，并生成可追溯记录。

3）AI 供应链协同：让“改装生态”不变成失控生态

模块化平台一旦形成生态，供应链会从“主机厂主导”变成“多方协作”。AI 在协同上的价值很直接：

• 预测热销模块的需求波动（比如雨季前封闭驾驶舱与防水货箱需求上升）
• 通过异常检测发现质量批次问题（某一批铰链返修率突然升高）
• 以知识图谱管理模块兼容关系（A 货箱需要 B 加强梁，且与 C 顶棚不兼容）

这类能力，决定了模块化能否真正跑起来。

用户体验（UX）的分水岭：不是“屏幕大小”，是“完成任务的成本”

结论先说：对工作型车/工具车，UX 的核心指标是“完成任务的时间与错误率”。

IMV Origin 这种车如果只谈“内饰简陋”，就把重点看偏了。它的 UX 问题更可能出现在：

• 你要改装时，是否能快速找到合适模块
• 安装是否简单，错误是否容易被发现
• 不同模块之间是否互相打架（空间、供电、结构）
• 维修是否可获得、可负担

这也是我认为 AI 更应该投入的地方：

• 改装配置器（Configurator）：像搭积木一样选模块，并实时提示重心、载重、供电、法规风险
• 使用场景助手：为“配送/农忙/救援”等场景给出车辆设置与检查清单
• 预测性维护：哪怕是最基础的传感器组合，也能把停工风险提前暴露

当一辆车的定位是“生产力工具”，AI 不一定要花哨，但必须减少试错。

企业该怎么选路线：硬件模块化与 AI 座舱不是二选一

结论先说：最有竞争力的产品，往往是“硬件留接口，软件懂场景”。

如果你是主机厂、改装厂或供应链企业，判断路线时可以用一个简单框架：

1. 需求是否高度地域化/行业化？
   • 是：优先模块化底盘与改装网络
   • 否：优先软件体验统一与规模效应
2. 用户价值主要来自“载什么/怎么装”还是“怎么用/更省心”？
   • 前者偏模块化
   • 后者偏 AI 座舱与软件服务
3. 你的组织能力更像软件公司还是制造生态组织者？
   • 软件强：把 AI 做深做透
   • 生态强：把接口、标准、质保体系做扎实

我个人的立场很明确：面向生产场景的车辆，先把物理可用性做对，再谈数字化体验；面向家庭与城市出行的车辆，AI 体验会越来越决定品牌差异。

一句话给决策者：硬件解决“能不能干活”，AI 解决“干活顺不顺”。

你可以立刻落地的三个动作（给产品与制造团队）

1. 把“改装”当成产品的一部分来设计：接口、供电、结构加强点、线束预留、法规预留位置，都要在平台期定下来。
2. 用 AI 把装配与质检标准化：尤其是多地装配/多合作伙伴改装时，AI 视觉质检和数字化追溯比“靠师傅经验”更可靠。
3. 用数据反哺模块迭代：返修率、装配耗时、错装高发点、热销组合，都是下一代模块化平台的输入。

到了 2025 年末，行业讨论“AI 在汽车里做什么”时，容易只盯着座舱与辅助驾驶。IMV Origin 提醒我们：AI 在汽车制造里更硬核的价值，是让复杂产品仍然能规模化、可交付、可维护。

如果未来 IMV Origin 真进入更多市场，它最有意思的不是“多像宜家”，而是：当硬件被设计成可组合的基础设施，软件与 AI 是否能把这种自由度变成可复制的商业能力？这会决定模块化路线能走多远。