大模型上车， 正遭遇一个极其现实的矛盾 ：一面，云端模型动辄数百 B 参数， 越做越大 ；而另一面，汽车作为一个在算力内存、功耗和成本上都高度受限的终端，无法像云端那样 无底线堆叠 GPU 。于是过去两年里，所谓“大模型上车”， 大多成了悬在云端的传话筒 ——车端收音、送上云端处理、再把指令传回。
随之而来的，是驾驶场景下难以回避的硬伤：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，但 被动迟缓的交互范式 却未见质变。
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 ，将端侧总参数规模直接推至 23B。
官方披露，其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”。
与云端服务器动辄数张专业加速卡的冗余环境不同，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（Dense Model），巨大的计算负荷足以让车载系统不堪重负。
在云栖大会的论坛现场，斑马智能首席技术官司罗拆解了 AutoOmni 2.0 的技术解法。该模型的核心突破，在于采用了 MoE（混合专家模型）架构 。
其型号后缀中的“23B-A3B”，正是破局的关键逻辑： 23B 总参数量 ：构建了一个具备深厚世界知识的大脑，确保在面对模糊意图、复杂逻辑推理和跨域指令时，具备充足的理解深度； A3B（激活 3B 参数） ：在实际推理过程中，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。通过将“ 知识容量 ”与“ 实时计算开销 ”有效解耦，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 。 “把端模型刻在芯上，把安全刻在心上。
司罗在活动现场强调。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 家芯片企业展开了深度的底层协同优化 。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 ，让多模态交互时延压缩至毫秒级； 量化保真度保持在 99%以上 ，彻底解决了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 ，并支撑起 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 自如处理多意图叠加的复杂导航规划、车控调节以及跨域交互 。而依靠本地构建的 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 ，既兼顾了系统性能开销，也从物理层面筑牢了数据安全底线。
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。在本次云栖大会的斑马智能展台上，一个颇具行业戏剧性的场景引发了广泛关注：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，其 辅助驾驶方案 呈现出百家争鸣的格局——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？
在现场交流中，这一产业现象背后的逻辑逐渐清晰： 车企的研发资源正在经历务实的重新校准。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。此外，车企的核心顾虑还在于 底层安全与权限控制 。
“车厂要把核心能力开放给你，关键在于他们‘放不放心’。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。 “端智能的核心价值是 开启交互新范式 。
斑马智能联席 CEO 郝飞指出，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。而在斑马智能首席产品官蔡明看来，交互重构的背后，是 AI 对“认知世界”的边界重塑。
“AI 上车不代表赢得用户，深度使用才是真正的战场。蔡明在现场提出了一组深刻的观察：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了全球关注，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。
“智能汽车是 具身智能 最大的中试场和规模化压测平台。司罗总结。
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。