印奇,这次讲了一个「大模型上车」的完整故事

AITNT-国内领先的一站式人工智能新闻资讯网站
# 热门搜索 #
印奇,这次讲了一个「大模型上车」的完整故事
5116点击    2026-04-23 10:04

千里科技的AI商业闭环,今天正式加速了


印奇,这次讲了一个「大模型上车」的完整故事


印奇的千里科技,又开了一场发布会。


去年 9 月,重庆。


我们跟着印奇在「8D 魔幻之都」实测了一位「AI 老司机」。那是千里科技的首次品牌亮相,我们也第一次听到「含模量」这个关键技术指标。


今年 1 月,北京。


阶跃星辰拿下超 50 亿元 B+ 轮,印奇正式出任董事长。我们在《阶跃的一次重要"阶跃"》里写过一句话:从那一刻起,阶跃的模型能力和千里的终端场景,“大脑”和“躯干”有了同一个决策者。


4 月 22 日晚,北京五棵松 M 空间。


「行千里 AI 相伴」千里科技 AI 战略暨产品发布会,刚刚结束。我们也坐在台下,看完了整场。


🚥


从去年秋天到今年春天,AI 行业的关注点,从"模型还能多聪明",切到了"模型能干什么活"。


放在 2026 年“AI + 物理世界"这条线上看,千里科技这场 422 发布会,是我们看到的第一张比较完整的答卷


完整意味着四件事同时成立:要有基座大模型,要有系统化的智驾 + 智舱方案,要有跑得通的量产车样本,还要有一个能把这些连起来的「产业操盘手」。


422 这晚,印奇把这四件事,都搬到了同一张台子上。甚至,还叫来了端侧芯片和云端算力公司的老板们,晒出了千里科技AI+车的“朋友圈”


印奇,这次讲了一个「大模型上车」的完整故事


接下来,我们想和你分享一下,这次发布会上我们的所见、所闻与所想。


含模量:千里智驾技术的底层指标


想看懂千里科技这次all in AI的技术蓝图,绕不开一个它的核心指标:含模量


很多人第一眼会以为含模量就是"AI 在系统里占多少比例"。但按千里的定义,它其实有两层:一是大模型本身的质量,二是这个模型在驾舱系统里驱动的广度和深度


换句话说,不是把一个能力一般的模型塞得到处都是,就算含模量高;模型本身要足够强,才有资格"驱动"整个系统。


印奇此前在接受专访时,给过一组很清楚的数字:


"市面上的智能辅助驾驶方案,整个含模量可能不到 50%,行业标杆的含模量应该在 80%~90%,未来,千里智能辅助驾驶方案的含模量有机会达到 80%~90%。"


含模量越高,意味着系统能覆盖的长尾场景越多、从真实数据里学习的速度越快,不再靠规则和人工调优来兜底,而是由模型能力自然延展。


一辆车是不是足够 AI-Native,不是看堆了多少颗激光雷达,而是看模型参与了多深的决策链。


L4 架构做 L2++:一次"向下"的降维


千里在智驾路径上,抛出了一个反直觉的判断:


用 L4 级的技术架构,做当前的 L2++ 辅助驾驶


行业常见做法是反过来:先做 L2+,一点点往上堆。算力、传感器、调度系统都按"当下够用"来配。


这条路的问题在于,一旦碰到规则写不完、又必须由车自己拿主意的长尾场景,往上走就越来越吃力。


印奇把千里的思路总结成两个词:向下兼容,向上突破


今天你在极氪 9X、8X 上用到的千里智驾,底层是一套未来 3-5 年能直接升到 L4 的架构


不打补丁,重写底座。


印奇,这次讲了一个「大模型上车」的完整故事


用超级 Agent 做「舱」,实现整车智能体


讲完「驾」,来看「舱」。


千里智舱的打法很直接:用一个完整的超级 Agent,去做整辆车的「舱」。


导航、动力、底盘、娱乐,全部变成 Agent 可以调用的能力。用户不再学"怎么操作一辆车",而是告诉车"你想做什么"。


印奇,这次讲了一个「大模型上车」的完整故事


千里智舱的首个量产形态,已经在4 月 17 日上市的极氪 8X 落地,基于阶跃 Step 3.5 Flash 多模态大模型,延续千里的高含模量路线。


印奇,这次讲了一个「大模型上车」的完整故事


在极氪8X此前上市之时,有个体验视频令人印象深刻,只需对车机说一句:


现在夕阳正好,帮我找个空旷一点的地方,能拍到城市全景这种,今天一定要出片! 


车辆立刻查好日落时间、筛出一处能拍城市全景的空旷机位、规划最快路线、启动智驾,到点把车停在机位旁。一句话,一个 Agent,一整条行动链路。


特斯拉今年上半年把 Grok 装进 FSD,走的就是这条路。千里科技的“超级智能体”首发搭载极氪8X的超级Eva,正 是中国市场第一个Grok上车的方案。


把"驾"和"舱"放到一起看,千里科技真正瞄准的,是 Robotaxi。


千里 × 阶跃,得大模型者得天下


此次此次发布会同时还提到一个词:“原生智驾基座模型”。基于千里与阶跃联合打造,该模型也将成为物理AI和具身智能的基础。


:阶跃星辰的多模态基座大模型;:千里的系统方案 + 吉利的整车量产。


印奇,这次讲了一个「大模型上车」的完整故事


过去一年,AI 行业一直在讨论 Model as a Product,其实有两种解读:


•解读 A:把模型直接做成 Agent / 产品(智谱、MiniMax、月之暗面这一派);


•解读 B:把模型嵌进一个物理产品里,模型成为产品的一部分(特斯拉 + xAI 这一派)。


千里 × 阶跃选的是 B,这在中国 AI 大模型赛道里还不多见。


它意味着:模型公司有一个持续回流数据的大规模应用场景,整车公司有一个深度定制、跟得上 SOTA 的基座模型,两者从第一天就围绕同一套技术路线来设计。


当然,这种绑定是双刃的。一旦基座模型深度适配了车载场景,它就不再是一个能随便替换的"插件",它变成了产品的一部分


好在印奇同时是两家公司的董事长,从大模型到智驾,从大脑到小脑,协同成本从一开始就被压到了最低。


印奇 × 赵明:AI 技术派迎来商业闭环重要拼图


印奇,AI 创业 15 年。妥妥的AI Native,如今同时担任千里科技和阶跃星辰董事长,完整经历了 AI 1.0 到 AI 2.0。


印奇,这次讲了一个「大模型上车」的完整故事


15 年 AI 创业攒下的反思很简单:技术很强 ≠ 商业能赢。而"商业能赢"这一半,他身边多了一个人:赵明。


25 年消费电子经验,执掌荣耀 10 年,带荣耀实现V型反转、排名行业前列、全球化、AI 系统三件大事。


印奇,这次讲了一个「大模型上车」的完整故事


至此,千里科技正式补齐了迈向AI商业闭环的一块重要拼图。


千里速度,和一份充满雄心的答卷


千里给出了一组数字。目前,千里智驾装车量已经突破 46 万辆,覆盖极氪、领克的 17 款车型。


并且在现场给到了一张三年路线图:2026 年跨进"百万俱乐部",2028 年装车量要冲到 800 万辆


印奇,这次讲了一个「大模型上车」的完整故事


从 46 万到 800 万,是三年里十几倍的跨度。千里给自己定的目标很直接:做中国最大的智驾公司之一。


再往远一点看,2030 年的野心也很振奋:为全球超过 30 万辆 Robotaxi,提供综合解决方案。


印奇,这次讲了一个「大模型上车」的完整故事


今晚还多了一个新面孔:千里参与共建的新品牌「游心 PALLADE」,现场首发了两款车型。千里的角色,也从"智驾供应"延伸到了"品牌共建"。


印奇,这次讲了一个「大模型上车」的完整故事


放在汽车工业的时间尺度里,这是一种"互联网速度"。


千里不卷万亿参数的基座,也不卷整车销量。它要占的是模型层和整车层之间那家顶流"操作系统公司"的位置。


在 Mobileye、Nvidia Drive、华为乾崑之外,这个位置显然只能是千里。


422 这晚,千里正式把它挑明了。


🚥


今晚,我们在五棵松看到的,是印奇一步步攒出来的「AI + 终端」答卷,这一次,他身边多了一位在消费电子里扎了 25 年的赵明。


印奇曾在一次访谈里说:「所有不能闭环的辉煌,都是暂时的」


这是他这15年里一路走来,攒下来的那句话。


我们祝福印奇的这次「千里」之行通往真正的星辰大海,也祝福千里科技这一次,能真正创造「闭环的辉煌」。


文章来自于"十字路口Crossing",作者 "Zeooo"。

AITNT-国内领先的一站式人工智能新闻资讯网站
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
AI代理

【开源免费】Browser-use 是一个用户AI代理直接可以控制浏览器的工具。它能够让AI 自动执行浏览器中的各种任务,如比较价格、添加购物车、回复各种社交媒体等。

项目地址:https://github.com/browser-use/browser-use


2
智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。

项目地址:https://github.com/Significant-Gravitas/AutoGPT


【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。

项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md