地平線“星空”系列，如何卡位汽車智能體時代的底層入口

【摘要】當智駕下沉、端側大模型上車、存儲與算力成本同步抬升，智能汽車正走到一個新的臨界點：過去分域堆疊的架構，開始越來越難支撐下一階段的整車智能。

因此，艙駕融合不再只是降本增效的技術選項，而在逐漸成為汽車邁向“統一智能體”的關鍵接口。

就在這一節點，地平線即將發布“星空”系列，并將其定義為“艙駕融合智能體芯片”。這背后真正值得討論的，是一個更大的問題：當汽車需要統一理解用戶意圖、統一調度座艙與駕駛能力、統一承接車端智能體需求時，下一代底層計算平臺究竟該如何重寫。

以下為正文：

不是所有新芯片發布，都值得被放進產業拐點里討論。

但站在2026年，再回頭看艙駕融合這件事，能明顯感受到，它已經不只是一個產品概念，而是智能汽車進入下一階段之前，必須回答的一道底層問題。

過去幾年，行業看智能汽車，往往是分著看的。

有人盯著智駕，關心城區NOA能不能從20萬元以上繼續下探；有人盯著座艙，關心端側大模型會不會帶來真正不同于上一代語音助手的體驗；也有人盯著電子電氣架構，判斷整車到底什么時候會從分布式堆疊走向中央集成計算。

表面上，這是三條線。

但今天，他們正在匯成一條主線：汽車正在從搭載很多智能功能的機器，走向“能統一理解、決策、執行的智能體”。因此，車端也需要一套能夠統一感知、調度、執行的中央模型。這個過程中，數字世界與物理世界的AI能力，開始真正匯流。

模型架構既然在向中央集成演進，硬件就不可能長期停留在分域堆疊的舊形態，中央計算會變成現實要求。再往下一層看，當算法范式變了，組織范式也必須跟著變。

這也是為什么，過去一直不算熱鬧的艙駕融合，今年又突然變得值得討論。艙駕融合本身的特性決定了它能夠成為整車智能演進的關鍵接口。

當然，方向明確，不等于產業已經真正跑通。

艙駕融合在國內并沒有像城區NOA、智能座艙那樣形成高聲量，量產樣本也并不算多。如何做成能被車企愿意導入、能被用戶感知、能被體系交付的產品，一直是打磨的關鍵。

在這個時節，地平線為什么要發布“星空”、為什么定義為“艙駕融合智能體芯片”，是值得在發布前思考的問題。

01

舊架構，頂不住新需求

艙駕融合過去之所以一直不冷不熱，一個核心原因是，它長期停留在方向正確、但現實條件還沒湊齊的階段。

以前的智能座艙和智能駕駛，本來就是兩套各自成長起來的系統，前者服務的是交互、娛樂和連接，后者服務的是感知、決策和控制。那時更多是“艙強、駕弱”，自動駕駛既不夠成熟，也還不是強剛需，融合自然缺少牽引。如今則不同，駕和艙都已成為車上的核心配置項，且都在快速吞噬算力與系統資源。

更重要的是，軟件和系統能力也開始走向成熟。真正的艙駕一體，不是把兩個域塞進一顆芯片里就算完成，而是有一套足夠成熟的軟件，能把艙和駕都跑到高水平、互不干擾，且在底層實現安全隔離。這些基礎條件直到今天才開始真正成熟。

所以行業雖然早就知道，汽車最終會從分布式計算走向中央計算，但真正往前推進時，牽動的從來不只是一顆芯片，而是一整套開發和組織體系。

余凱在近期百人會上把這層邏輯點了出來，“智能汽車現在開始一定會走向中央計算”，正因如此，過去適配分布式產品架構的組織，未來也必須圍繞中央計算重新調整，座艙和智駕不再適合長期割裂。

具體落到市場上，表現為幾個現象的擠壓。

也就是說，艙駕融合今天之所以重要，不只是因為它更先進，還因為分布式堆疊已經越來越不經濟。

以上變量疊在一起，才構成了“為什么是現在”的完整答案。到了這個階段，艙駕融合第一次從“可以做”，變成了“有必要做”。

02

艙駕一體不是芯片題，而是系統題

當然，艙駕融合還有一個很容易被忽略的誤區：外界常常會以為，誰最早提出這個概念，誰就更有機會。

實際并非如此。

艙駕融合更像是一道跨越門檻后的進階題。即，誰先在智駕芯片、智駕軟件、量產交付、車企協同這些基礎能力上站穩，誰才有資格繼續往前做整合。

原因很簡單。對整車廠來說，座艙雖然復雜，但真正風險高、驗證重、責任大的，始終還是智駕這塊。如果一家廠商連獨立的智駕方案都還沒形成大規模量產和穩定口碑，車企就很難相信它能進一步承擔融合芯片、融合方案、融合交付的復雜性。

從這個角度看，當前主流智駕芯片廠商中，地平線的確是個基礎足夠扎實的角色。

據高工智能汽車研究院數據，2025年，在ADAS前視一體機及小域控計算芯片市場，地平線的份額達到47.66%，連續兩年位列自主品牌第一；在支持城區NOA的高階智駕計算芯片市場，英偉達、華為、地平線前三家合計占據90%的市場份額，地平線依托征程6M和6P成為份額增長最快的廠商之一。

規模方面，地平線2025年財報顯示，公司全年收入37.58億元，同比增長57.7%；研發開支達到51.54億元，同比增長63.3%；汽車業務收入占比達到94.6%。這說明其已經擁有足夠大的量產基本盤，能為下一代平臺提供真實的車型、數據和交付反饋。

加上2025年地平線HSD已經正式量產，事情的性質就不一樣了。

到2026年3月，HSD已獲10家OEM、20余款車型定點，首批量產車型上市約8周，智駕激活量突破2.5萬輛。更關鍵的是，它并沒有停留在高配、高價位的小規模驗證階段，而是率先落到了15萬元左右的主流車型上。

這件事的產業意義非常大。因為艙駕一體未來的門檻，是能不能在成本敏感、節奏更快、約束更多的主流市場里跑通。誰能先在這樣的價格帶里把智駕方案做成，就等于先把后續艙駕融合最難的一部分功課做了一遍。

HSD更像是一次提前演練。它演練的是產品定義能力、車企協同能力、資源約束下的系統平衡能力，以及方案量產后的交付能力。也正因如此，今天再看地平線，它已經完全成為一家同時做芯片、系統、方案落地的公司。而這，恰恰是艙駕一體真正要跑通時最稀缺的能力。

目前，地平線已經把艙和駕的軟件一起推到了接近SOP的成熟度。而只有當芯片、系統和軟件一起走到這個階段，艙駕一體才能真正成熟。

03

為什么是“智能體芯片”

如果只是從字面上看，艙駕融合這個詞并不新。真正值得注意的，是這次地平線特意加上了“智能體”三個字。

前面已經講到，只從表面看，市場選擇艙駕融合是為了更劃算的智能化成本。

傳統的艙駕融合解決的是雙域雙芯片合并、控制器整合、線束和散熱優化、算力資源復用，以及內存與BOM成本壓縮。星空通過控制器合一優化，可以大幅節省DDR等成本，單車成本降低1500-4000元。這個價值在價格上行的背景下，具備非常現實的吸引力。

但深層看，艙駕融合智能體真正想回答的，不只是怎么省錢，而是怎么把座艙的大模型需求和駕駛的執行需求放到一個統一的系統里。

在百人會后的公開報道中，余凱對“智能體芯片”的描述已經比普通艙駕融合更進一步。他提到，這顆芯片支持運行全新車載操作系統，座艙交互不再局限于簡單對話，而是可以幫助用戶訂餐館、買電影票、預訂停車位，并提供長時序的伴隨式服務。這個表述很關鍵，因為它意味著星空試圖承接的，不再只是座艙和智駕兩個功能域，而是用戶在車內的連續任務鏈條。

這背后其實還有一個正在加速成形的產業背景。即，國產大模型正在快速向汽車場景聚集，但行業仍缺少一個真正適合承載這類能力的統一車端計算平臺。

過去一年，隨著MiniMax、階躍星辰等國產大模型公司向終端和車載場景延展，車企與大模型公司的連接明顯升溫。比如，階躍星辰已經與吉利、千里科技共同推出整車級智能體方案“超級Eva+G-ASD 4.0”，主打打通智能座艙、智能輔助駕駛與數字生態，實現對話式艙駕協同；斑馬智行則已明確把下一代座艙能力推向“端原生智能體”和“Always On主動服務”，并提出要在車端形成“感知—決策—執行”的服務閉環。

換句話說，大模型公司和車企都在往車端Agent方向走，但如果底層計算平臺還是分域、割裂、各自為政，那么模型能力就很難真正下沉為原生體驗。

這才是智能體和過去艙駕一體的分野。

過去，指令背后是語音、導航、空調等硬件幾套系統各自響應。系統能做事，但并不是同一個大腦在連續理解和執行。一旦端側大模型開始進入座艙，且駕駛決策、車身狀態、地圖導航和服務生態被拉到同一層協同，汽車就不再只是很多功能的集合，而會更像一個完整行動體。

如果這個方向成立，那么下一代汽車比拼的就不再只是功能數量，而是誰先擁有真正統一的車端智能底座。

04

尾聲

很多產業變化，最開始都不會特別熱鬧。

因為市場更容易看到一項新功能、一顆新芯片、一個新配置表上的升級，卻不那么容易看到，底層架構變化到底意味著什么。

艙駕融合大概就是這樣一件事。

它沒有城區NOA那樣容易形成直觀感知，也沒有大模型上車那樣天然自帶話題性。但當行業開始同時面對體驗升級、模型落地、成本約束和中央計算趨勢時，它的重要性會慢慢浮上來。

現階段艙駕一體還存在一個不可能三角。

第一是性能，融合之后不能因為共用算力就犧牲智駕和座艙體驗；第二是成本，如果只是架構更先進、但總體BOM壓不下來，主機廠不會真正大規模導入；第三是生態，艙駕融合不是單芯片問題，而是軟硬件適配、Tier1協同、車企開發流程、服務生態承接的系統問題。

這個時候，誰既能把高階能力下探到主流價格帶，又能以開放合作方式完成量產交付，誰才更有機會先把這個三角解開。

用戶未必關心域控制器怎么分，DDR怎么配。用戶真正能感知到的，只會是這臺車是不是更懂我，是不是更順，是不是更像一個完整的智能體。

據知情人士透露，2025年10月，地平線艙駕一體芯片已經回片，而一顆芯片從定義到量產需要18-24個月的時間，因此，公司對艙駕融合的布局并非臨時起意，從2年前就在打磨，隨著國內智駕方案市場繼續演進、國產大模型能力快速成熟，促成了地平線“星空”的天時地利。

“星空”準備已久、恰到好處，是在組織能力和產業需求上自然而然生長出來的，也終將回到汽車智能體的漫漫長路上。