智能座艙之王「轉身」物理AI，高通需要被重估了

賈浩楠 發自 副駕寺智能車參考 | 公眾號 AI4Auto

物理AI這個詞，今年忽然不抽象了。

AI算力一哥英偉達，開源了Cosmos3最新推理模型，車企自研AI最強的小鵬，也公布了世界模型全棧技術……

同樣在2026年6月舉行的高通汽車技術與合作峰會期間，智能座艙頭部陣營中的領跑者——高通，直接給出了行業中真正落地的艙駕融合案例：

車上的AI Agent，不但承擔全場景端到端AI司機的職責，還能記住你雨傘放在扶手箱，認出了路邊穿黑襯衫的朋友，順帶提醒你“昨天說要戒煙，再抽是小狗”。

這不是科幻，而是已經出現在量產的、跑在中國道路上的車。

車企、芯片廠商、自動駕駛玩家都在講同一個故事：物理AI——走出屏幕，進入真實世界。

但高通——這家智能座艙出貨量7500萬、每周有1.2款新車在中國下線背后的技術賦能者，幾乎沒怎么提“算力TOPS”，也沒喊“全棧自研”。

從2023年1月首款艙駕融合芯片驍龍8775發布，到2025、2026年零跑、北汽等品牌首批量產車陸續上路——高通用不到三年半的時間，實現了實實在在的量產落地，更完成了技術體系和認知躍遷：不再滿足于只當“智能座艙”領域的領跑者，而是成為“物理AI版圖”率先落地的開拓者。

不只是汽車，還有你的手機、耳機、眼鏡，甚至家里的機器人。

智能座艙「標桿玩家」，開始講物理AI了

過去，高通在外界的認知里是“智能座艙之王”，專注于提供計算方案、交互體驗以及連接能力。

優勢顯而易見。到2025年，高通座艙芯片累計出貨量已超過7500萬套，在中國市場從驍龍8155、驍龍8295到驍龍8397五代持續領先，全球超過3.5億輛車搭載了高通的驍龍數字底盤解決方案。

在2026高通汽車技術與合作峰會上，高通與誠邁科技、車聯天下、斑馬智能、德賽西威、鎂佳科技、中科創達等生態企業，還進一步宣布了“車端人工智能Claw生態計劃”，為“智能體時代”的智能座艙提前布局。

這一行業首個加速AI智能體助手在車端規模化部署的生態計劃，將驍龍數字底盤與高通智能體AI運行環境結合，并發揮各家生態企業在座艙、車載操作系統、智能體中間件、AI應用和量產交付方面的能力，應對長期以來阻礙下一代汽車智能開發的碎片化問題，為車企提供一條從概念驗證到量產落地更快速、更集成化的路徑。

在智能座艙領域之外，不易被外界察覺的轉折發生在2023年1月，高通推出了Snapdragon Ride Flex系統級芯片（驍龍8775）——行業首款同時支持數字座艙和先進駕駛輔助系統的可擴展系列SoC。

當時外界更多理解為，這是高通面對“艙駕融合”趨勢推出的成本優化方案。從2023年到現在，高通圍繞艙駕融合和智能駕駛的布局持續加深。

今年的高通，反復強調的兩個詞：“支持混合關鍵級工作負載的融合架構”和“計算連續體”。

前者回答“怎么在單設備上把安全和AI放一起”，后者回答“怎么讓AI在不同設備間跟著人走”。

兩個問題合起來，就是高通的完整答案：它要做的不僅僅是更大算力的智能座艙，而是物理AI時代的基礎計算層。

過去，座艙芯片的核心指標是“能跑幾個屏”、“動畫卡不卡”、“語音喚醒快不快”。這些事高通做得很扎實，從驍龍8155到驍龍8295再到驍龍8397，每一代都在拉高門檻。

但問題是，當AI開始上車，用戶對“智能”的期待變了。他們不再滿足于車機不卡頓，而是希望車能理解人、輔助人、主動服務。

這個變化直接沖擊了傳統座艙的生態位。如果“智能”真的變成由云端大模型和大算力基礎設施提供，座艙就只能退回到單純的顯示和交互中介——價值被壓縮，差異化被抹平。

核心問題變成了：在大模型、Agent技術浪潮下，傳統智能座艙的價值如何被重構和放大？

與其“固守”座艙，高通的選擇是：開啟對“無人深空”——物理AI的探索。

所以Flex平臺在當時不是一次產品更新，而是一次預判未來技術趨勢的落地。

驍龍8775要做的事，是把座艙和智駕“平起平坐”地嵌進同一塊芯片里——不是一個大的車載AI吃掉座艙，也不是座艙的大語言模型外掛一個AI司機，而是兩種任務在硬件層面被同等對待、安全隔離、高效協同。

對于高通來說，物理AI時代的理想狀態是跨設備的智能將無處不在地運行，而汽車只是其物理AI生態中最先爆發的節點。

憑的不是紙面算力最高，也不是生態“整合”最徹底，而是高通一直以來被低估的技術架構。

高通的技術體系，能遷移到物理AI嗎？

外界習慣用“座艙芯片”的標簽來定義高通，但這個標簽忽略了兩個事實：

第一，高通在通信和移動計算領域積累的跨設備能力，遠沒有被汽車行業充分認知；
第二，Flex平臺的混合關鍵級設計，在工程層面比堆算力難得多，也有效得多。

行業內解決“安全任務”和“AI任務”共存的常規思路有兩種。

一種是物理分離：智駕一顆芯片、座艙一顆芯片，各管各的，中間用以太網或PCIe溝通。

另一種是邏輯分離：用一顆超大算力芯片，通過軟件虛擬化切出安全域和AI域，算力夠強就能掩蓋問題。

高通的Flex平臺走了第三條路：從硬件層面，支持混合關鍵級工作負載的融合架構。

驍龍8775內部，ASIL-D級別的實時控制域和QM/ASIL-B級別的AI推理域，從寄存器到緩存到內存控制器，都有物理層面的隔離。但在計算資源（CPU核、NPU、GPU）的使用上，兩者又可以動態共享。

這種設計的工程復雜度遠高于前兩種方案。它要求芯片設計團隊同時精通功能安全和高性能計算，并且在一開始就定義好兩套任務的邊界和交互協議。

但好處是巨大的：安全任務不會被AI任務“餓死”，AI任務也不會被安全任務“卡死”；跨域通信延遲從毫秒級降到納秒級；不需要為安全單獨留一顆芯片，也不需要為AI堆到上千TOPS。

一個具體的對比：在城區NOA場景中，雙芯片方案需要智駕芯片把感知結果通過以太網傳給座艙芯片做可視化渲染，芯片間“握手”往返延遲10-20毫秒。

高通的Flex方案中，感知結果直接放在共享內存里，座艙域讀同一份數據，延遲不到1毫秒。

安全價值之外，智能體（Agent）需要同時調用感知傳感器（智駕）和人機交互接口（座艙）。例如：車輛檢測到用戶拿網球拍（視覺），主動詢問是否去球場，并規劃路線——這需要智駕感知與座艙交互在同一低延遲底座上完成。

Flex架構天然支持：所有ADAS傳感器數據可直接被座艙智能體調用，無需跨芯片轉發。

2025年Q4，卓馭科技基于驍龍8775的艙駕一體方案在極狐阿爾法T5上落地，一顆芯片包辦城區NOA和智能座艙：

到2026年6月，Flex平臺已獲9款車型定點，其中包括多款量產車型，例如極狐問道V9、別克至境L7等。從芯片發布到多車批量上路，不到三年半的時間——這個速度說明，艙駕融合架構是可以被大規模復制的工程方案。

而如果說Flex平臺解決的是“單設備內”的問題，計算連續體解決的是“設備之間”的問題。

高通的產品線覆蓋了一個極其罕見的功率范圍：2毫瓦的耳機芯片、幾瓦的手機芯片、幾十瓦的汽車芯片、千瓦級的數據中心加速器。

高通在這條“計算鏈”上做了一件事：統一的AI框架和智能體狀態管理。

這意味著開發者可以用同一套API，寫一個智能體，讓它同時運行在手機、汽車、眼鏡上，并且在不同設備間保持狀態同步。

用戶在手機上告訴智能體“今晚別走東三環”，上車后車載AI直接執行，下車后AI眼鏡繼續提醒。

某種程度上說，這也算是高通構筑的“生態”優勢。

只不過這個生態不同于CUDA，不在開發工具環節限制用戶，把用戶捆綁在固定硬件上，而是把高通的算力、工具、通信等等能力，開放給一切有能力使用的用戶。

這樣的物理AI落地，來自高通自己的“第一性原理”：

在對物理AI的終局想象里，競爭不可能停留在“誰的車上AI更聰明”，而是會轉移到“誰的智能體能跨越最多設備、記住最多場景、提供最連續的體驗”。

AI Agent無縫穿梭于用戶的全場景。

在手機上訓練一個智能體，上車后它自動接管，下車后它又回到你的眼鏡里——這種粘性，才是物理AI時代真正的護城河。

開放生態+跨層級芯片+端側優化。

而高通，是率先集齊全部拼圖的公司。

攀登物理AI「珠峰」，高通的方法論不一樣

對于車和物理AI的關系，高通給了一個絕妙定義：same recipe, different implementation。

所謂Same recipe，指向的是所有物理智能體共同遵循的第一性原理。

無論是汽車、機器人、智能眼鏡還是未來更多終端，本質上都需要完成同樣的閉環：感知世界、理解世界、影響世界。

但與互聯網時代不同的是，物理AI的決策會直接作用于現實世界。

聊天機器人回答錯誤，用戶最多重新提問；駕駛輔助系統判斷失誤，或者機器人執行動作出現偏差，代價則完全不同。

因此，物理AI的核心當然包括“把大模型塞進終端設備”，但從來不只是推理能力，更要兼顧實時性、安全性和可靠性。

這也是為什么高通反復強調Flex平臺是支持混合關鍵級工作負載的融合架構。相比單純追求更高算力或者更大的模型，它更關注AI能力與安全系統如何協同工作。

所以高通的Flex平臺的融合架構不只是“更好”，也是“更對”。

Different implementation，則對應不同場景下的具體落地方式。

汽車有汽車的約束，機器人有機器人的約束，智能穿戴設備也有自己的約束。不同終端面對的功耗、散熱、成本和安全要求各不相同。

因此物理AI有可能存在一個終極大腦，但不會存在一套萬能方案。

真正重要的，是如何讓智能體能力在不同設備之間遷移和復用。

這也是高通此次峰會反復強調“計算連續體”的原因。

因為用戶不一定會關注AI助手基礎模型到底是誰家的，但一定會在乎這些Agent之間能不能協作、日常使用能不能“無斷點”。

行業還在競爭“最強車腦”時，高通關注的已經不僅是汽車。它試圖構建的是一張覆蓋手機、耳機、眼鏡、汽車乃至更多終端的智能體網絡。

物理AI時代和之前出現過的任何AI技術浪潮，所需要的核心資源都基本相同：算力、數據和場景。

GPU大廠商押注最強的算力和最大的模型，車企押注最快最全面的數據飛輪，而高通的優勢則來自最廣泛的終端觸點。

高通的入口是“全球數十億臺智能終端”：大量Android手機、智能手表、耳機、XR設備都搭載高通芯片。

汽車只是其“智能體宇宙”中的一個節點。用戶先接觸高通生態（手機），然后自然延伸到汽車，形成跨設備用戶粘性。

這種能力過去更多被視為生態優勢，但在物理AI時代，它有機會轉化為智能體跨場景運行的基礎設施。

在向物理AI發起沖擊的浪潮中，高通不是用“最強算力”證明實力，也不用“最全棧自研”主導靈魂。

而是用最理解物理AI的第一性原理（安全+AI共生），最理解量產場景的真實約束（功耗、成本、散熱），以及最龐大的跨設備生態（從耳機到數據中心）。

不是最炫的，但卻是最符合技術演化內在邏輯、最能規模化落地、潛力邊界最模糊的那一條。

而潛力邊界的可能性，意味著“智能座艙之王”的高通，在“智能體AI時代”的價值應該被充分重估了。