摘要：蔚来 NOMI GPT、小鹏 AI 天玑、理想 Mind GPT 等产品，本质上都是基于 LLM 的对话能力延伸。这种「暴力美学」式创新虽然带来了交互体验的显著提升，但似乎眼下还并没有突破「聊天机器人」的功能边界。
当 ChatGPT 在 2022 年底点燃全球 AI 革命时，汽车产业敏锐捕捉到了大模型对智能座舱的重构机遇。
这场始于语言理解能力突破的技术变革，正在经历从通用大模型到垂域智能体的关键跃迁。
这场技术进化遵循着清晰的路径演化，其发展轨迹可概括为两个关键阶段：
第一阶段以通用大模型上车为标志，车企纷纷将云端大模型作为智能座舱的「技术名片」。
蔚来 NOMI GPT、小鹏 AI 天玑、理想 Mind GPT 等产品，本质上都是基于 LLM 的对话能力延伸。这种「暴力美学」式创新虽然带来了交互体验的显著提升，但似乎眼下还并没有突破「聊天机器人」的功能边界。
第二阶段则指向端到端的全栈智能化，华为鸿蒙座舱的布局展现出独特洞察。
与多数车企聚焦大模型接入不同，鸿蒙座舱选择纵向打通硬件层与应用生态——其最新发布的 MoLA（Mixture of Large Model Agent）架构，将多模态感知、通用大模型、垂域智能体进行有机融合，构建起从用户意图理解到车辆硬件执行的完整链路。
这一架构创新不仅解决了传统分层架构的响应延迟问题，更通过系统级 Agent 实现了跨域协同的智能化跃升。
这种硬件-软件-生态的全栈能力，正在重新定义智能座舱的竞争维度。
1、车企大模型战局：从「能力补齐」到「生态卡位」
随着 DeepSeek 的全民爆火，智能汽车在大模型领域的暗战也悄然浮出水面，并加速向「移动智能空间」进化。
今年年初，DeepSeek 的横空出世引发行业剧变，据不完全统计，比亚迪、广汽、长安等约 20 家车企已官宣接入这一技术，其中智能座舱的人机交互成为首个落地场景，这意味着车企对座舱升级的战略重视。
不过，当前车企的大模型应用普遍面临「技术悬浮」困境。虽然 DeepSeek 为车企提供了基础的语音服务和聊天机器人（Chatbot）的能力，智能化水平得到提升，但其实很多应用只是基于手机体验的简单移植，在车端场景下能起作用的价值仍然有限。
例如，对于规划行程，目前的通用大模型也只是做了一个类似小红书攻略的「搜索和推荐」，并不能结合用户实际的爱好、导航情况、车辆状态、补能计划等做出定制化推荐。
这种「最后一公里」的割裂感暴露了通用大模型的局限：在车载场景中，大部分用户需求都具有强垂域特征，需要融合车辆数据、地理信息、用户习惯等专有知识。
正如华为车 BU CTO 卞红林在生态大会上直言：「语音只是入口，真正的智能依赖垂域 Agent 的深耕。」
现阶段，行业正处于技术融合的过渡期，垂域 Agent 尚未实现完全的系统整合。
从实践来看，采用类似华为 MoLA 的混合架构更为可行——通过多 Agent 协同机制，在导航、车控等关键场景中，发挥对车辆数据的精准处理能力以及在跨域语义理解上的优势。
这种架构演进路径，本质上是在技术理想与工程现实之间寻找平衡点。
华为发布的 MoLA 架构，其技术创新体现在多个核心要素的有机整合：
作为调度中枢的 System Agent，通过实时分析用户意图、车辆状态和环境信息，动态调用 Agent 组合。例如在"车内太闷"的场景中，需并行触发天窗开启、空气净化和路径规划等多个服务模块。通用大模型基座则承担跨领域语义理解和讯息联网检索、百科问答等任务，将模糊指令映射为具体场景需求。当用户提出「找个能看日落的地方」，模型需识别出导航与景点推荐的双重需求，并触发相应 Agent 协作。垂域 Agent 集群覆盖导航、车控、多媒体等核心场景，每个 Agent 都集成了行业知识库与专用模型/大模型，为细分的场景化领域提供更深层的智能服务。记忆模块实现跨会话状态保持，持续优化服务策略，例如记录用户对空调 26℃的偏好，或在冬季自动推荐开启座椅加热。这种架构与行业热议的多智能体系统（Multi Agent System，MAS）不谋而合。
仅仅依托通用大模型难以应对车载场景的复杂性——例如，用户说「我想看《甄嬛传》滴血认亲那一集」，很可能只是拉起对话框实现了《甄嬛传》剧情梗概的介绍描述，而无法拉起视频应用并播放相应的剧集。再比如，用户一句「我有点冷，也有点困」，除了需要精准理解用户表达的意思之外，还需要同时调用车控 Agent（调高空调温度）和导航 Agent（寻找附近休息站）去完成操作上的闭环。
而 MoLA 通过 Agent 分工协作，结合车辆硬件状态与用户习惯，能提供更精准的服务。
行业 Know-How是认知根基：智能汽车的核心竞争力在于对座舱场景的精细化理解，脱离场景认知的 Agent 仅是通用技术堆砌，无法解决真实问题。而精细化理解，或者说领域知识的沉淀本质来源于产品化。只有通过产品实践，才能定义数据埋点、获取高质量反馈，进而驱动算法优化。基于车辆智能化部件产品的落地与商用，将车辆数万个信号参数转化为可理解的语义标签，才能诞生出根据地理位置、驾驶模式、乘员状态等动态调整策略的深层智能。算法能力决定知识到技术的工程转化：行业 Know-How 需通过算法实现技术落地。垂域 Agent 依赖多模态感知、小样本学习、强化学习等前沿技术支撑。同时算法也需平衡精度与效率，同时实现动态环境下的鲁棒性。构建多模态感知-任务分解-决策闭环，包括对用户肢体语言的视觉识别、语音指令的意图消歧、车辆功能或应用的调用等；数据闭环是算法持续演进的基础：依托车云协同，通过产品端埋点（如部件日志、设备传感器）、用户反馈构建全链路数据管道，建立数据驱动的闭环迭代机制，在云端实现算法的持续优化。系统级整合发挥1+1>2的价值：深层智能的实现要尽可能避免“拼凑式”技术方案（A 厂商提供大模型、B 厂商提供硬件、C 厂商设计交互），需实现软硬芯-应用-生态的全栈协同，确保多 Agent 协同响应，实现从车辆座舱硬件到开放应用生态的垂直融合。这些能力需要长期的技术积累：华为在通信协议栈、实时操作系统、智能计算、智能终端等领域的技术储备，构成了垂域智能体的完整技术链。特别是在生态整合方面，华为拥有庞大的开发者生态和数量庞大的应用合作伙伴，并打造了“1+8+N”设备生态，手机、智能家居与车机深度打通，手机上朋友分享的用餐地址，可以无缝流转到车机导航。
这正是华为「纵横术」的具象化体现——纵向深耕车辆垂直场景的技术纵深，横向打通人-车-家全域生态的数据经脉。
当行业还在讨论座舱屏幕数量时，华为已着手重构智能汽车的服务范式：不再局限于功能堆砌，而是通过 Agent 矩阵实现服务自进化，让车辆从被动响应转向主动关怀。
这种升维竞争策略，正在重新定义智能座舱的游戏规则。
2、华为的「纵横术」：重新定义智能座舱的游戏规则
当前，智能座舱竞争已从技术单点突破转向系统工程能力较量。
系统工程能力的核心在于需求理解、资源调度与体验交付的闭环协同。
MoLA 架构的价值在于建立了动态映射机制：
在需求理解维度，System Agent 专注于工作流编排与任务分发；在资源调度维度，API Pool 实现跨域资源动态调配；在体验交付维度，硬件能力与场景需求实时适配。这种技术栈贯通能力正在重塑行业格局——基于上述能力，头部玩家通过开放生态接口，将麦克风、游戏手柄等第三方外设纳入服务体系，形成「硬件-软件-服务」闭环，而传统供应商因缺乏生态协同逐渐丧失优势。
在这场系统性能力升级中，华为的实践颇具代表性。
华为将座舱定义为「第三空间」，打破出行、娱乐、办公的界限，是通过纵向打穿技术栈、横向融合全场景，构建繁荣应用生态。
这一概念本质上是通过纵向打穿技术栈、横向融合全场景实现的系统工程能力外化。
纵向：从硬件到应用的全链路配合；南向：既涵盖车载原生硬件（智能座舱显示屏、环绕音响系统等），也通过HSpace-Link协议建立标准化外设接口，与投影、智能遥控器等设备可即插即用；北向：联合一众生态伙伴，定制空间音频、儿童伴读等场景化服务；端到端：MoLA 架构实现视频应用内的融合搜播，把大语言模型、模糊搜索、多媒体播放控制等能力融合，形成了「影视空间」的创新交互体验。这种架构优势在具体场景中得到集中体现。以影音场景为例，HarmonySpace 5 的「影视空间」聚合了4K 双 Vivid 内容、HUAWEI SOUND、以及激光投影，从内容、声学、显示三端构建沉浸式体验。
这个案例通过内容、声学、显示三端协同，正是 API 资源调度与硬件实时适配能力的具象化体现。
这种「软硬服一体化」能力，让单一应用或硬件厂商难以复制。可以说，华为鸿蒙座舱 HarmonySpace 5 的发布，标志着智能座舱竞争进入「生态化」阶段。
当「Agent 覆盖率」取代「语音识别率」成为核心指标，智能座舱竞争正式进入深水区。MoLA 架构揭示的本质规律是：真正的场景智能化不仅需要通用大模型的基础能力，更依赖垂域 Agent 对行业 Know-How 的深度挖掘。
未来竞争的关键，在于如何将分散的硬件、应用、服务整合为有机体——这既考验技术架构的动态调度能力，更取决于生态开放的格局与决心。在这场变革中，能够打通技术栈与生态链的玩家，或将重新定义智能出行的价值标准。
来源：汽车之心Autobit一点号
