“2026年是‘智能体之年’，AI智能体跨越全品类终端，以一种‘计算连续体’的形式提供持续服务，这就需要AI后台持续运行，随时感知、调度资源、做出响应。汽车正演进为智能体AI最重要的移动载体之一。汽车的价值也将进一步演进为‘理解人、辅助人、服务人’的智能伙伴。”这是高通公司中国区董事长孟樸在2026高通汽车技术与合作峰会作开篇致辞时提到的一段话。

的确，2026年是车载AI智能体从概念走向规模化落地的关键转折点。基于上述趋势判断，高通坚守差异化竞争逻辑，在汽车业务层面，正加速在AI多模态交互、舱驾融合、中央计算、先进驾驶辅助（ADAS）能力进阶等领域全面布局。

相较于亮眼的量产成果与生态合作，高通高管在峰会期间在接受媒体采访时输出的相关观点，更勾勒出高通对当下汽车产业变革逻辑、对痛点和发展趋势的思考。

车载AI智能体开启规模化上车阶段

AI的快速迭代，让汽车可自主感知、决策并行动，从移动终端演进为“智能体AI的移动载体”：交互方式从单一语音迈向多模态感知；服务模式从被动响应升级为主动服务和执行闭环；车载AI也正经历从计算机视觉到响应式AI，再到智能体AI的升级。

“随着AI从被动响应式演进为主动服务型，汽车能够懂你所想、因你而动。智能体AI的构想在3-5年前还处于概念阶段，如今正逐步成为现实。高通率先推动的舱驾融合架构演进，正在推动行业快速迈入智能体AI落地阶段。依托统一的底层平台，可以实现车内外各类传感器等硬件资源打通调用，让智能体AI框架更加直接、高效地运行。”高通技术公司执行副总裁兼汽车、工业及嵌入式物联网与机器人事业群总经理Nakul Duggal表示，行业已讨论“软件定义汽车”的概念很多年。这些词汇已经成为从业者日常交流中的常用术语。但如今，更加值得关注的是“智能体框架与智能体操作系统”。当下的核心是让AI智能体在获得用户授权的前提下，能够访问用户的个人知识图谱、车辆所运行的硬件平台以及云端的信息，并主动帮助用户解决各种问题。这些系统具备完整的安全机制，并提供基于上下文语境的记忆能力。

“最令我感到兴奋的是，当我们开始将汽车视为一个全新的生活空间时，各类Claw及其相关能力能够为用户日常生活带来的价值、效率和实用性，其潜力极为巨大。”他说。

在技术落地层面，高通依托骁龙平台与舱驾融合架构，打通了车内外传感器、算力、交互硬件资源，为智能体AI高效运行提供底层支撑。峰会上，高通宣布携手诚迈科技、斑马智能、中科创达等生态伙伴发起“车端人工智能Claw生态计划”，通过标准化的智能体运行环境、AI规划体系与安全机制，加速端侧大模型、车载智能体的规模化上车。

越来越“智能”，算力和内存痛点如何解决？

Nakul Duggal认为，在车载算力领域，计算能力的提升主要体现在，随着模型变得越来越智能，更多大模型需要部署到端侧。与此同时，更复杂、更高级的ADAS和驾驶辅助模型也被部署到端侧。在端侧呈现的趋势是，算力与AI能力的需求正在不断增加，这将带动CPU、GPU以及整体系统能力的全面升级。这是件高度复杂的事情，产品要求极为精密，不仅需要具备卓越性能，还必须适应不同的车载运行环境。

高通技术公司副总裁兼ADAS和机器人业务总经理Anshuman Saxena补充说，高通是从整体角度来看待这一趋势的。高通将合作伙伴反馈融入到产品之中，帮助针对不同层级的解决方案优化计算资源配置。这与许多车企自行研发的策略形成了差异：他们解决的是纵向、单一的问题，而高通服务于多家不同车企，这使其产品具备差异化优势。此外，安全同样需要算力支持。高通在汽车安全领域多年的积累，成为又一项差异化优势。

谈及近期内存涨价，Nakul Duggal表示，高通极其注重芯片架构设计，力求实现最高效的性能。这也是其推出Snapdragon Ride Flex SoC舱驾融合架构的原因之一。这从底层规避了双芯片的硬件冗余，无需为座舱、ADAS两套系统单独配置内存与存储，从而降低整车BOM成本与带宽消耗。“我们正处于这样一个时期：内存供应处于溢价状态，且大量供应被数据中心需求所占用。当前，我们确实正在经历着一段复杂的时期。但在未来的12-18个月内，我们将看到内存供应整体状况得到改善，有望使内存定价回归到更加合理的水平。”他说。

“当市场面临价格压力时，车企反而会有更强意愿去部署新功能、提升车内体验。这恰恰为高通创造了契机——通过向车企提供高性能解决方案，帮助车企创造更大的价值，这也是我们赋能汽车行业的重要方式。”Anshuman Saxena说。

汽车与机器人的共性与差异

从今年起，高通已把汽车与机器人合并为物理AI业务线。Nakul Duggal对此也作出回应：如果观察当前大量创意和创新涌现的地方，那无疑是在模型创建领域。模型的实际应用与消耗主要集中在边缘侧。无论是驾驶辅助、智能座舱，还是机器人技术，几乎所有算力消耗都在边缘侧产生。高通相信，未来在边缘AI领域将产生大量需求，任何可以实现自动化的任务，最终都会以能够进行推理的AI模型的形式实现自动化。

在Nakul Duggal看来，汽车就是“面向人类的AI”与“面向机器的AI”的综合载体。汽车本身是一台机器，这台机器也能演进为机器人，这种物理层面的具身化可以广泛应用于众多领域。以无人机为例，它既能实现自主飞行，也能将视频流实时回传给用户，还能执行拍照等任务。他强调：“这种架构和框架正是具身智能未来的演进方向。随着越来越多物理AI投入实际应用，我们会发现，未来几乎任何设备或节点都将具备双重属性：一方面是面向人类的交互界面，另一方面则是面向机器的执行系统，负责完成具体任务并具备相应技能。”

“机器人与汽车之间既有共性，也存在着差异。打造一辆具备驾驶辅助功能汽车的技术路径，与机器人领域的构建逻辑高度相似。我们在长期积累中形成的一系列核心资产——包括如何部署VLA模型和大语言模型、如何训练模型、如何进行数据采集与标注，以及AI飞轮，这些在机器人领域同样具有价值。”Nakul Duggal表示，“当然，这并不意味着涉足驾驶辅助领域的企业就能自然而然地跨入机器人赛道，这两者的具体应用场景存在着显著差异：机器人的自由度远高于汽车，且其运行环境比汽车复杂得多。尽管两者之间确实存在着诸多共性，但从汽车领域的具身智能向完整的机器人应用跨越，仍需克服巨大的技术挑战并开展大量的实质性工作。”