作者｜周永亮
中国智能汽车产业，正在经历一场没有硝烟、却极为深刻的范式迭代。
在 2026 云栖大会汽车行业峰会上，我们看到了智能汽车竞争的主线：智能座舱正全面进入 Agent 时代，车不再是执行指令的机器，而是能理解你的意图、主动帮你把事情办成的智能体；智能驾驶的竞争，也早已从算法层下沉到工程层。数据产线的效率、训练集群的稳定性、模型迭代的周期，这些工程层的东西，正在决定胜负。
如果切换一下视角，会发现另一条更隐蔽的竞争主线正在成形：谁能成为中国智能汽车产业的算力与 AI 底座？
数据给了一个相当清晰的答案。根据沙利文联合头豹近日发布的《2026 年中国汽车 AI 云市场追踪报告（26H1）》，阿里云在中国汽车公有云市场份额达到 45.2%，在智能驾驶、智能座舱、工业提效等六项市场及细分赛道均拿下第一。
阿里云智能集团公共云事业部 AI 汽车行业总经理李强对这件事的总结，只有五个字：芯、云、模一体。从智能座舱到自动驾驶，从端侧小模型到云端万亿参数推理集群，再到车企内部组织效能的提升，阿里云正在构建一套覆盖中国智能汽车全产业链的 AI 基础设施。
智能座舱：把「能聊天」变成「能办事」
前两年，大模型上车是整个行业最性感的叙事。「能聊天、能提供情绪价值」，出现在很多车企发布会 PPT 上。
两年过去了，用户并没有被打动。阿里云智能集团公共云事业部 AI 汽车行业解决方案总经理霍健提到，他近期在与多家车企座舱团队交流时观察到，闲聊并不是用户使用座舱的核心高频场景。相比长时间对话，用户更关心系统能否在合适的时机，高效完成车控、导航和服务任务。
这说明用户不需要一个只会聊天的车，用户需要一个能把事情办成的车。座舱的本质是一个「任务型」的存在。就像你雇了一个助理，你首先需要确认他能把事情办好，才会逐渐信任他、依赖他，最终才可能把他当成一个可以倾诉的对象。
所以，座舱 AI 今年最大的变化，是从聊天到办事。这不是在旧系统上打补丁，是推倒重来。旧的座舱系统建立在规则引擎和多模块拼接之上，每增加一个新功能，就意味着新一轮的工程堆砌。
这套逻辑在大模型时代就是一堵墙。新范式的核心是 Harness（工程治理框架）+ 大模型，让模型本身承担意图理解、任务分解和工具调用的全部职责。
阿里云的定位很清醒，它没有去做完整的座舱产品；而是提供云、模型等全栈 AI 能力，以及阿里生态服务 Agent。原因很直接——座舱是极度定制化的产品，车企最了解自己的用户和品牌调性，阿里云做完整方案，反而是在错误的地方发力。
所以，千问座舱 Agent 的核心能力只有两块：一个是闲聊检索。这部分能力来自千问 C 端 APP 的积累，是阿里在消费者侧多年沉淀能力的车端化。
另一个是阿里集团生态 Agent。这才是真正的杀手锏。过去，一家车企如果想在座舱里集成淘宝闪购、高德、飞猪，需要分别与三个不同的业务团队谈判，接口标准不统一，维护成本极高。
千问座舱 Agent 做的事，是把这些能力原子化封装成统一的 Agent 接口。车企一次接入，就能调用整个阿里集团的生态能力。
举个例子，下班开车回家，不想做饭，在行驶途中对座舱说「帮我点个外卖，我到家的时候外卖也到」。这个指令背后，涉及位置判断、预计到达时间计算、餐厅筛选、下单支付、配送时间协调等多个环节。过去，这需要车企分别接入多个服务商的 API，工程复杂度极高；现在，通过千问座舱 Agent，一个 A2A 调用即可完成全链路。
但座舱 Agent 只是用户能看见的部分，真正的故事发生在幕后。
目前大多数车企，已经在基于开源的千问系列模型，自研自己的座舱产品体系。结合具体任务在云端与车端部署不同规模和模态的千问模型。
当开源模型进入越来越多车企的研发和量产体系，千问也在逐步成为汽车 AI 的重要模型基础。
智能驾驶：战场从算法推到了工程能力
座舱的战争，还在台前打。智能驾驶的战争，早就转移到了幕后。
从 2020 年到 2025 年，中国自动驾驶经历了几轮路线切换，规则驱动的模块，数据驱动的模块化，再到两段式端到端、一段式端到端、VLA。
进入 2026 年，留下的是一条越来越清晰的主线：端到端原生多模态大模型 + 视觉模型 + 强化学习。核心是把 LLM 领域验证过的 Scaling Law 带进自动驾驶。
技术迁移的方向，同样值得关注。大语言模型里验证有效的技术，正在被系统性地移植到智驾模型中。MoE 两年前智驾模型几乎不用，但今天已经成为云端大参数模型的标配选择。
MoE 架构的特点是参数量大但激活参数少，推理效率高，但对多机互联带宽要求极高。这意味着，随着模型规模扩大，MoE 成为部分云端大模型的重要架构；车企算力建设也从单纯追求卡量，转向关注高速互联、超节点和集群效率。
叠加当下宏观环境，能兼容主流 AI 生态、支持超节点架构的国产算力，成为车企的现实选择。
在刚刚举行的 2026 云栖大会上，平头哥发布新一代 AI 芯片真武 V900，官方数据显示其性能是上一代真武 M890 的三倍，可满足万亿级参数大模型的训练和推理需求。该芯片将于 2027 年第一季度量产售卖。而此前，30 多家车企及智驾方案商已在阿里云开展研发，平头哥自研真武 810E 行业实践规模已超过 15 万卡，50 余个主流自动驾驶模型完成兼容验证。
元戎启行 CEO 周光也从使用者角度谈到了算力适配。元戎启行是较早将阿里真武 AI 芯片用于训练的企业之一。周光在圆桌上表示，团队实际测试后发现「真的挺好用」，能够解决大模型训练中的现实需求。车企和智驾公司需要的已经不只是可用的卡，而是能够适配新模型架构、持续支撑训练规模扩大的基础设施。
但算力卡只是入场券。数据产线的效率，才是模型迭代速度的天花板。
一条完整的智驾数据闭环产线大致是这样运转的：车辆采集原始视频，拆帧成图片，标注识别车辆、行人、车道线、红绿灯等要素，质检验证标注准确性，生成训练用 Clips，送入训练集群，模型迭代，部署车端，再采集新数据。每一个节点，都可能是一个断点。
过去，车企的数据团队要先把车端回流的原始数据拷到本地服务器，再分批上传到云，然后进行格式转换、去重、清洗，最后交给标注团队，每一个环节都是断点。
阿里云的解法是重构整条产线。数据从车端回流后，不再需要人工搬运，而是顺着管道一路走下去，自动完成转换、清洗和标注，最后直接拿去训练。断点消失了，速度上来了。
数据产线解决原料问题，模型基座决定能力上限。这是阿里云区别于纯算力供应商的核心差异。
小鹏汽车自动驾驶产品高级总监、Robotaxi 事业部负责人袁婷婷在圆桌上给出了更直接的判断：过去，数据和算力常被视为模型的支撑项；现在，数据体系和 AI Infra 已经成为模型范式本身的一部分。模型能否快速迭代，不只取决于算法，也取决于数据闭环、训练基础设施和端侧硬件能否协同起来。
VLA 模型需要理解物理因果，前车为什么刹车、行人会不会横穿；还需要大量常识：识别临时路牌、判断潮汐车道、给救护车让行。这些能力不来自驾驶数据，而是语言大模型经海量训练才具备的。
对车企来说，从零自研基座成本极高。更可行的路径是，在云上对千问大参数基座做后训练，再蒸馏成小模型，适配不同车端算力平台。从千问 2.5 到千问 3.7、千问 3.8，持续迭代的基座意味着车企在很多场景下不再需要微调，直接用就能达到足够精度，场景开发周期直接缩短。
这种云端训练、端侧部署的路径已经进入量产验证。
在阿里云汽车峰会上，小鹏汽车自动驾驶产品高级总监、Robotaxi 事业部负责人袁婷婷介绍，小鹏第二代 VLA 的蒸馏版本已向单图灵芯片的车型推送。她强调，蒸馏是否有效，不能只看仿真结果，而要看用户实际使用后的数据。云端模型把能力上限拉高，端侧不同算力版本也能随之受益。
模型学会了开车，不等于经得起所有路况。训练必须覆盖那些现实中很少遇到、却决定安全上限的场景：极端天气、罕见路况、突发状况，靠路测等待这些场景出现，成本和周期都不可接受。万相承担的正是这个角色：作为世界模型的生成引擎，既出考题，也给答卷打分。
到 2026 年，智驾的竞争已经不在算法层了。芯片决定你能不能上桌，数据产线决定你跑多快，模型基座决定你能走多远。
千问办公开始重构车企的「人」
汽车智能化的竞争，表面看是产品竞争，深层看是组织效率竞争。
当智能座舱、智能驾驶、营销、售后、供应链、研发管理全部被 AI 重塑时，车企需要回答的不再是「我们的车够不够智能」，而是我们的组织够不够智能？
阿里云在这个方向上押注了两个产品：千问办公和 Qoder。前者面向全员，后者面向研发。它们共同指向同一个判断：车企的下一个效率革命，不在生产线上，而在白领的工位上。
长安和一汽，提供了两个不同却值得细看的答案。
长安汽车要求全员使用 AI Agent，千问办公已融入研发、生产制造、供应链、销售和服务等业务场景。但真正让人印象深刻的，不只是这句宏观表述，而是具体的人。
在长安工作了 13 年的质量体系管理工程师郭子雅，此前没写过一行代码，今年才开始接触 AI。针对产线扫码枪无法识别汉字的问题，她基于千问办公开发了扫码转中文工具，目前已在河北长安多个生产单位推广使用。
55 岁的物流处包装管理员张永泽，负责连接全国数百家供应商、单个项目数千条零件的包装评审流程。通过自学千问办公，他将流程拆解为七八个自动化脚本，实现数据自动抓取、进度汇总和滞留预警，工作量减轻九成以上。
如果说长安展示了 AI 工具如何进入一线，一汽 EOA（企业智能运营平台）把 AI 推进到了组织运行层面。ERP 记录和管理既有流程，EOA 试图让 Agent 成为执行主体，人负责定义目标、观测结果和优化能力。
这套尝试建立在一汽四年的数据和模型积累上。2026 年 7 月，一汽基于千问训练的汽车行业大模型上线阿里云千问 AI 平台，开始向全企业推广。中国第一汽车集团有限公司总经理助理、红旗品牌运营委员会副总裁、体系数字化部总经理门欣对此说得直接：「阿里的 L0 级的千问模型为我们的行业大模型快速应用提供了坚实支撑。」
目前，一汽已有相关案例进入生产环境。超级 BOM 中的 Agent 可以承担零部件全生命周期的 BOM 作业，工程师转向观测和优化 Skill；在人才评价场景中，智能体可以在一秒内查看 284 份能力评价报告，相关模型已用于高级经理评价。
阿里云在其中提供模型、训练和云平台底座，一汽则掌握企业数据、业务场景和 Agent 治理。据门欣介绍，一汽已经开始对外输出相关能力，并围绕培训平台、EOA 架构和治理体系等，与 32 家不同行业企业签署商务合同。
把座舱、智驾和组织 AI 放在一起看，它们面对的是同一道系统问题：算力与数据、训练与评测、云端与车端之间如何更高效地协同。谁能减少这些摩擦，谁就更有可能缩短整套系统的迭代周期。
在这个过程中，阿里云扮演的角色是把芯片、算力、数据、模型、Agent 与全球基础设施连接起来，降低这套复杂系统内部的摩擦。
基础设施公司不需要站在台前。它的价值，是让每一个站在台前的人，跑得更快一点。
