特斯拉率先落地，中國(guó)車企跟進(jìn)：語音控車時(shí)代來了？

　　艙駕一體的風(fēng)刮了四五年，如今已經(jīng)從硬件層刮到了模型層。

　　2025年7月10日，馬斯克在X(推特)上宣布，Grok即將登陸特斯拉。兩天之后，特斯拉官方賬號(hào)發(fā)帖，告訴車主現(xiàn)在只需要按住方向盤上的語言按鈕，就能激活Grok。

　　Grok是馬斯克旗下xAI公司全棧自研的多模態(tài)通用人工智能大模型。

　　Grok上車特斯拉后，特斯拉的FSD(完全無人駕駛)能力得到了極大提升。用戶體驗(yàn)到的最新功能是，只需要?jiǎng)觿?dòng)嘴巴就能開車——“導(dǎo)航至機(jī)場(chǎng)，沿途添加一家咖啡店，并在電池電量低于20%時(shí)提醒我”——Grok就能自動(dòng)規(guī)劃好路線，并通過自動(dòng)駕駛將乘客送到途經(jīng)點(diǎn)和目的地，并到點(diǎn)主動(dòng)為車主提示電池電量。

　　英偉達(dá)機(jī)器人技術(shù)總監(jiān)Jim Fan在2025年12月表示，特斯拉更新到FSD V14后已經(jīng)通過了“物理圖靈測(cè)試”。他已經(jīng)分不清開車的到底是AI，還是真人了。

　　這是“艙駕一體”帶來的新功能。以往車圈內(nèi)所講的艙駕一體，是在硬件層面，即用一顆芯片同時(shí)干完座艙和智駕的所有活兒。

　　這樣的好處是能壓縮整車成本，拉滿算力利用率，降低跨域延遲。但目前能實(shí)現(xiàn)艙駕一體的芯片算力較低，平均在100TOPS左右，對(duì)于追求更高級(jí)別的自動(dòng)駕駛與智能座艙功能的車企而言，這樣的算力只能算杯水車薪。

　　但特斯拉將Grok與FSD融合，是數(shù)據(jù)和模型層面的艙駕一體。這要求打通座艙域的人機(jī)交互、用戶行為、多模態(tài)感知域智駕域的環(huán)境感知、駕駛行為、場(chǎng)景決策數(shù)據(jù)的壁壘，實(shí)現(xiàn)全量數(shù)據(jù)的閉環(huán)共享與聯(lián)合訓(xùn)練。同時(shí)實(shí)現(xiàn)座艙側(cè)多模態(tài)大模型域智駕側(cè)端到端自動(dòng)駕駛大模型的深度協(xié)同，讓整車智能系統(tǒng)從“分立的功能執(zhí)行”，升級(jí)為具備場(chǎng)景理解、意圖推理、全域融合的整車智能體。

　　國(guó)內(nèi)車企很快跟進(jìn)。2026年1月28日，理想汽車將自動(dòng)駕駛團(tuán)隊(duì)并入軟件本體團(tuán)隊(duì)，由勾曉菲統(tǒng)籌智能座艙與智能駕駛研發(fā)。2月3日，小鵬汽車的自動(dòng)駕駛、智能座艙中心合并，新成立通用智能中心。剛過去的2025年Q4財(cái)報(bào)會(huì)議上，蔚來創(chuàng)始人、董事長(zhǎng)兼CEO李斌明確表示“蔚來已經(jīng)為這樣跨部門的融合與數(shù)據(jù)的打通，以更快地感知、決策和執(zhí)行，打好了基礎(chǔ)”。

　　給自動(dòng)駕駛裝上“通用大腦”

　　車企為什么要推動(dòng)艙駕融合？這給車企帶來的主要收益是什么？用戶又能感知到哪些顯性的變化？

　　對(duì)于這個(gè)問題的答案，理想汽車CEO李想表示，為了打造具身智能“應(yīng)對(duì)新一輪的AI競(jìng)爭(zhēng)”；小鵬汽車董事長(zhǎng)兼CEO何小鵬則認(rèn)為，是因?yàn)椤斑@兩者的技術(shù)會(huì)合流，組成超級(jí)智能體”；在小米汽車智駕VLA技術(shù)負(fù)責(zé)人陳龍看來，艙駕融合的本質(zhì)，是要推動(dòng)座艙側(cè)的多模態(tài)大模型與自動(dòng)駕駛大模型融合，提升自動(dòng)駕駛的推理能力。

　　小米在去年11月21日發(fā)布了由陳龍領(lǐng)銜的具身基座大模型MiMo-Embodied。

　　去年5月30日，MiMo-VL(Vision-Language Model，視覺—語言大模型)正式發(fā)布時(shí)，小米表示其不僅能看懂圖像重點(diǎn)，還能將視覺信息翻譯成語言，進(jìn)一步理解因果關(guān)系和進(jìn)行邏輯推理，這部分能力被 MiMo-Embodied直接拿來繼承。

　　陳龍表示，在MiMo-VL和大語言模型的基礎(chǔ)上，他還往MiMo-Embodied加入了許多機(jī)器人與駕駛場(chǎng)景數(shù)據(jù)進(jìn)行訓(xùn)練，所以MiMo-Embodied其實(shí)是一個(gè)“通用具身大腦，處于VLM階段”。到真正要用于自動(dòng)駕駛中時(shí)，小米會(huì)再往“大腦”接上“小腦”，也就是“action expert”(動(dòng)作專家模型)。

　　小米的MiMo-VL，對(duì)小鵬來說，就是其“XNGP靈犀大模型”；對(duì)理想來說，則是其“理想同學(xué)Mind GPT 3.1”。

　　車企訓(xùn)練的多模態(tài)大模型都不同，但之所以與自動(dòng)駕駛大模型融合，都是為了同一個(gè)理由：讓智駕大模型更具備人類的通識(shí)、價(jià)值觀和推理能力，更明白在物理世界駕駛時(shí)“為什么”要這么開，提高自動(dòng)駕駛水平。

　　將Grok與FSD融合后，F(xiàn)SD V14.2極大地解決了此前版本中困擾用戶的微制動(dòng)和突兀剎車問題，駕駛感更加平順，被很多國(guó)外媒體評(píng)價(jià)為“絲滑”且具有“人類感”。

　　但Grok上車的好處還不止于此，現(xiàn)在Grok除了能幫助FSD更好地理解和推理人類駕駛環(huán)境外，還能夠理解人類模糊的自然語言、結(jié)合車主需求與網(wǎng)絡(luò)實(shí)時(shí)信息，最后都將其轉(zhuǎn)譯為可執(zhí)行的導(dǎo)航規(guī)劃。這種從“自己開車”到“用嘴開車”的轉(zhuǎn)變，是以往車機(jī)系統(tǒng)很難做到的。

　　這跟何小鵬對(duì)把智能座艙與自動(dòng)駕駛合并的回應(yīng)一致：“這是為了讓行車決策與人機(jī)交互不再分家。以后車在路上怎么開、人與車怎么聊，共享同一套AI基座模型。可以想象，不久的將來，你可以對(duì)它說‘帶我去星巴克點(diǎn)杯咖啡’。這樣的交互才更有溫度、更擬人，才是AI時(shí)代真正的高階智能�！�

　　雖然都做艙駕融合，但車企對(duì)模型自研的側(cè)重不同。

　　對(duì)多模態(tài)大模型，理想從一開始就選擇自研，現(xiàn)在理想同學(xué)Mind GPT 3.1具備極速響應(yīng)、深度推理、多端互聯(lián)等能力，與其自動(dòng)駕駛大模型融合后，或許能迅速提升其智駕水平。

　　但小鵬在自動(dòng)駕駛的物理大模型上投入更多，其第二代VLA是拆掉規(guī)則、從頭研發(fā)、國(guó)內(nèi)參數(shù)和數(shù)據(jù)量最大的自動(dòng)駕駛模型。對(duì)小鵬來說，自動(dòng)駕駛的能力得到驗(yàn)證之后，他們更關(guān)注自動(dòng)駕駛?cè)绾畏床钢悄茏�艙�?/p>

　　何小鵬直言，相信汽車很快會(huì)迎來跨域融合，“汽車行業(yè)正在進(jìn)入新階段：自動(dòng)駕駛是整車運(yùn)動(dòng)，智能座艙是整車大腦，再加上動(dòng)力、底盤，我認(rèn)為這四個(gè)域都在進(jìn)行跨域融合中。今年8月，小鵬將推出劃時(shí)代座艙產(chǎn)品。”

　　之后的智能座艙，將越來越從“被動(dòng)服務(wù)”走向“主動(dòng)服務(wù)”。最近小鵬在G6上更新的天璣6.0，能夠通過記錄面容ID，根據(jù)乘客信息，預(yù)先提供定制化的座艙服務(wù)——針對(duì)性調(diào)節(jié)車內(nèi)環(huán)境、建議導(dǎo)航線路、推薦媒體內(nèi)容，甚至在低電量時(shí)為車主推薦附近的充電站。

　　把駕駛交給AI之后，汽車不僅越來越成為車主的管家，還有可能成為車主的情感伴侶。

　　在國(guó)內(nèi)，座艙的擬人化情感交互做得較好的是蔚來。每輛蔚來車型駕駛臺(tái)的中間都標(biāo)配NOMI Halo物理交互組件，支持240度旋轉(zhuǎn)，能精準(zhǔn)轉(zhuǎn)向說話的駕乘人員，配合數(shù)十種動(dòng)態(tài)擬人表情，實(shí)現(xiàn)“眼神交流”式的交互，打破了語音助手“只聞其聲不見其人”的冰冷感。

　　而特斯拉目前上車的Grok，擁有“助理”“講故事的人”“精神錯(cuò)亂的人”三種人格，車主可以在旅行途中與Grok聊天放松，甚至讓Grok扮演不同影視劇中的角色。Grok則可以通過車主的語音、面部表情、駕駛行為等多模態(tài)數(shù)據(jù)，判斷車主情緒，調(diào)整交互風(fēng)格。

　　“用嘴開車”前的安全博弈

　　目前，Grok上車之后只是一個(gè)導(dǎo)航助手和對(duì)話伙伴——它不能生成或改變FSD的駕駛策略。它讓“用戶與汽車對(duì)話規(guī)劃路線”成為現(xiàn)實(shí)，但不能控制FSD的變道、剎車等操作，也不能解釋駕駛決策。

　　這或許將迎來改變。

　　2月21日，Google Deepmind工程師Cristian Garcia表示：“FSD最大的缺點(diǎn)在于它無法通過語言指令控制。如果你能告訴他‘就在門口附近找個(gè)停車位’或者‘過一個(gè)街區(qū)后右轉(zhuǎn)’，車主和汽車就都不用猜來猜去了”。

　　馬斯克在下面評(píng)論：“就要來了”。

　　何小鵬在2026年的開工信里給出了同樣的判斷：“你(可以)對(duì)它說‘走前面的那條小路，繞開前面的幾個(gè)紅燈’”，而且他表示要在今年把Robotaxi、人形機(jī)器人、飛行汽車三大前沿物理AI業(yè)務(wù)全面落地，所以該功能或許在今年就將實(shí)現(xiàn)。

　　人類快到真正的“用嘴開車”的時(shí)候了。相比之下，現(xiàn)在的Grok只能叫作“用嘴導(dǎo)航”。

　　不過，自動(dòng)駕駛的出現(xiàn)除了為了解放人類雙手，還為了以優(yōu)于人類司機(jī)數(shù)千甚至上萬倍的水平，讓駕駛過程本身更加安全。如果“用嘴開車”是為了追求智能與時(shí)髦，而非讓駕駛更輕松與安全，這就本末倒置。

　　在自動(dòng)駕駛技術(shù)真正到達(dá)人類能直接通過語言干預(yù)汽車自動(dòng)駕駛策略的階段之前，法規(guī)需要先劃分基本的安全底線，明確哪些汽車功能能夠放權(quán)給人類語音控制，而哪些功能不行。

　　2月25日，一位領(lǐng)克車主在無路燈高速路段發(fā)出“關(guān)閉閱讀燈”指令，卻被其Flyme Auo 2.0.0系統(tǒng)誤判為“關(guān)閉全部照明”，大燈瞬間熄滅。車主多次語音重啟未果，最后因視線受阻撞擊護(hù)欄，所幸無人員傷亡。

　　去年11月，公安部主導(dǎo)的《機(jī)動(dòng)車運(yùn)行安全技術(shù)條件(征求意見稿)》發(fā)布，其中要求“汽車行駛過程中保障運(yùn)行安全相關(guān)的操縱件(例如擋位、燈光、喇叭、前風(fēng)窗玻璃除霜除霧、前風(fēng)窗玻璃刮水器、車窗升降、輔助制動(dòng)裝置和組合駕駛輔助系統(tǒng)激活等)，應(yīng)裝備實(shí)體操縱件�！弊詣�(dòng)化控制的燈光，虛擬按鍵也要顯示在屏幕首頁。

　　今年1月，上述意見已經(jīng)結(jié)束征求意見，最早可能會(huì)在今年年中正式發(fā)布，明年開始生效。

　　這是人類“用嘴開車”的前夜。在一片濃重的墨色里，人類還需要繼續(xù)研究如何讓技術(shù)、法律甚至駕駛員自身充分地為安全負(fù)責(zé)。但到了黎明，或許這也是具身智能機(jī)器人的元年在汽車上正式開啟的第一天。

　　何煦陽