腾讯提速“上车”！AI大模型落地战事再升级

智能汽车正成为AI大模型的兵家必争之地

（腾讯集团高级执行副总裁、云与智慧产业事业群CEO汤道生）

本报（chinatimes.net.cn）记者卢晓 北京报道

汽车产业的竞争规则，正在被AI技术彻底改写。这不，就在4月23日，腾讯出行面向整个汽车行业，正式推出了“出行全场景智能体开放平台”。腾讯集团高级执行副总裁汤道生当天就点出了一个关键趋势：未来车企之间的差距，将不再取决于有没有智能化，而在于谁能更快、更系统地把AI规模化落地。

这并非腾讯一家的独舞。放眼望去，阿里、字节、百度这些大模型厂商都在加速“上车”。可以说，这场竞赛打到今天，生态能力已经成为决定胜负的核心关键。

建立AI出行生态

汽车智能化竞争的下半场，究竟拼什么？腾讯智慧出行副总裁钟学丹给出了一个清晰的判断：拼的早已不是AI功能堆砌的数量，而是谁能率先把大模型、整车能力与服务生态，整合成一个可感知、可规划、可执行、还能持续进化的“智能中枢”。

那么，腾讯新推出的这个开放平台具体是什么？据了解，它涵盖了基础能力、平台能力和应用生态三个层面，旨在依托全栈技术，加速智能体在出行全场景的应用落地。平台还打造了随行点单、随行向导等七大核心场景智能体，目标很明确：为用户提供更智能、更个性化的座舱体验。

值得一提的是，该平台率先接入了Hy3 preview大模型。根据腾讯方面的信息，这是自今年2月混元大模型重建技术基础设施后发布的第一个模型，也被称为混元迄今最智能的版本。

其实，腾讯在汽车智能化领域的布局由来已久。早在2015年，腾讯就成立了车联部门；到了2018年，更是将车联网操作系统业务独立，与长安汽车合资成立了梧桐车联。可以说，这是一条持续深耕的赛道。

钟学丹当天也梳理了腾讯出行业务的演进路径：早期智能座舱的核心是让“互联网生态上车”；大模型普及后，车载语音能力得到飞跃，但人们很快发现，单纯接入通用大模型，很难打造出超越手机的车载体验，模型必须围绕车载场景进行专项强化；而随着工程化能力持续迭代，智能座舱如今正式迈入了“AI智能体时代”。

目前，腾讯已经搭建起一套相对完善的AI出行生态体系。数据显示，其业务已覆盖头部车企及泛出行企业，头部车企智能座舱解决方案渗透率超过80%，累计搭载车辆突破1800万辆。在海外市场，也服务了超过50家主流车企及自动驾驶科技公司。

为何要推出这样一个开放平台？钟学丹的解释很务实：就是为了让合作伙伴能以更轻量、更快速的方式入驻，实现服务体验的闭环。这不仅能提升用户出行的便捷性，也能保障合作伙伴的商业价值，甚至通过流量赋能，为合作方创造新的收益点。

火热“上车”大战

战局早已全面铺开。从智能座舱到自动驾驶，从整车研发到汽车营销，各大厂的大模型车载落地之战，可谓如火如荼。

就在4月24日北京车展开幕当天，长安、东风、北汽等多家车企便集中宣布接入阿里的千问大模型。字节跳动也在加速入局，除了与赛力斯合作推动豆包大模型上车，行业内有消息称，特斯拉的车机语音服务也可能接入豆包与DeepSeek。

为何巨头们如此争先恐后？盘古智库高级研究员江瀚的分析点出了要害：AI大模型正从技术研发走向产业深度落地，逐渐具备基础设施的属性。单纯比拼模型参数的时代红利正在消退，产业价值开始向那些手握国民级应用、拥有完整商业闭环的生态型企业倾斜。而智能座舱作为高频、高价值的C端场景，无疑是AI下沉为生态底层能力、巩固企业业务壁垒的核心入口。

除此之外，汽车本身作为搭载海量传感器的终端，是继手机、电脑之后，物理世界智能化程度最高的核心入口之一，这对大模型厂商而言，战略价值不言而喻。

腾讯智慧出行副总裁李博的观点则更加聚焦于落地实效。他直言，通用大模型单独落地没有太大实际意义，核心在于能否针对性解决细分场景的痛点。在车载场景下，AI智能体必须结合车辆传感器数据、整车控制功能，并针对车载场景进行定制化落地，才能真正发挥价值。

在这场竞赛中，腾讯的优势是什么？江瀚认为，其核心优势在于依托微信、QQ等国民级超级流量入口，叠加企业微信等B端产品的深度整合，构筑了差异化的生态壁垒。不过，他也提出了一个担忧：过度依赖消费级生态，可能会在一定程度上反噬腾讯自有大模型的专业品牌价值。

话说回来，尽管AI智能体上车的产业浪潮已经开启，但距离为用户带来可感知的实质性便利，仍有不小的差距。

钟学丹对此坦言，智能体能否规模化上车，核心取决于车企自身整车平台的成熟度，以及能否依托智能体切实优化用车体验。他强调，智能体是一个需要长期深耕的方向，绝非简单地把移动端应用照搬过来，或者套入一个对话交互模式，就能称之为车载智能体。

那么，未来的机遇与挑战究竟在哪里？深度科技研究院院长张孝荣指出了三大核心落地方向：智能座舱订阅服务导流、政企智慧交通项目，以及封闭园区与干线物流的自动驾驶。

同时，他也点出了行业面临的最大瓶颈。问题首先不在于技术噱头，而在于企业壁垒割据、数据孤岛严重导致的生态碎片化。其次，技术成熟度尚未达到消费级标准，AI决策的“黑箱”问题、法规责任界定空白等挑战突出。此外，厂商盲目堆砌硬件推高了整车成本，而消费者并不愿意为同质化的“伪AI”功能买单，这使得行业的商业化难以形成良性的自循环。

责任编辑：黄兴利 主编：寒丰