文章来源：钛媒体
场景描述
一、准确性与专业性 （高风险域例如健康/医疗相关功能）
问题要点：AI 输出可能出现偏差、幻觉 （hallucination）、算法偏见，或与行业/法规要求不符，导致误导性建议甚至安全/法律责任。尤其是把健康类信息放进车内场景 （驾驶员健康监测、急救建议等） 时，容错几乎为零。
二、响应速度与算力 （端侧硬约束）
问题要点：智能座舱需低延迟 （交互、ADAS 提示、语音响应）；但车载算力、功耗、散热、成本受限。把大模型直接云端调用又会遇到网络不稳定、带宽/成本与隐私问题。端侧做推理是趋势，但要在准确性与性能间做权衡。
三、快速开发与可维护性 （工程能力与合规）
问题要点：AI 特性 （模型+数据+版本） 导致测试、验证、上线、回滚复杂；汽车行业还需满足功能安全、合规与长期维护要求。把研究性模型搬进车规级产品，流程和工具链必须成熟化。
四、额外常见挑战 （端侧特有）
- 数据采集与标签：驾驶场景多样，难以收集覆盖性数据 （尤其罕见故障/健康事件）。
- 隐私与数据治理：车内生理/位置/语音等数据高度敏感，需要合规存储与最小化上报。
- 安全与鲁棒性：对抗攻击、传感器故障、感知退化等风险在车载场景后果严重。
- OTA/更新与版本管理：如何安全地推送模型/规则更新并回溯责任。
解决方案
一、准确性与专业性：端侧原生的精准服务能力 cpmGO 在智能座舱中展现出高准确性与专业服务能力，具体体现在以下场景：
- 指令执行精准性 ：cpmGO 支持端侧多模态交互 （语音、视觉、图形 UI），动作执行准确率达 91%，意图完成率 89%，参数识别准确率 97%，确保用户指令 「指哪儿打哪儿」。例如，用户说 「边开车边种树」，cpmGO 可精准操作屏幕完成浇水、喂鸡等任务，动作准确率超 90%
- 专业场景关怀 ：基于端侧感知能力，cpmGO 能主动识别专业场景需求。如识别儿童安全座椅卡扣状态并语音提醒，误操作率低至 1.3%；感知疲劳驾驶状态时自动提醒；前方遇障碍物时自动减速，保障驾驶安
二、响应速度与算力资源：本地处理的高效体验 cpmGO 通过端侧部署，解决了传统云端模型的响应延迟与算力依赖问题，核心场景包括：
- 毫秒级实时响应 ：所有语音、视觉、车控推理均在车规级 SoC 上本地完成，数据 100% 不离车，避免网络传输延迟，实现毫秒级响应。如用户说 「我想看星星」，cpmGO 可立即规划远离市区、有水电 WiFi 的露营地，无需等待云端反馈
- 弱网/断网稳定运行 ：突破网络限制，在隧道、山区等弱网环境下仍能稳定提供全功能服务。例如，行车记录仪拍照、播放预存世界杯视频等操作，均可在断网状态下完成
- 低功耗高性能适配 ：通过 MiniCPM 端侧模型与主流车机芯片的联合调校，优化算力占用与功耗，保障长期稳定运行
三、快速开发构建：灵活共创的落地效率 cpmGO 通过技术与产品设计缩短开发周期，支持快速商业化落地，典型场景如下：
- 短周期量产交付：从技术突破到长安马自达 MAZDA EZ-60 量产仅用 10 个月，较行业平均周期缩短 40%，2025 年 4 月已实现全球首秀，标志端侧大模型进入实际商业化阶段
- 货架级原子产品适配 ：提供全场景原子化产品 （如泛化语音车控、GUI Agent、智能哨兵等），支持车企个性化选配共创，降低开发门槛。例如，合作车企可根据需求选择舱内手势识别或儿童安全提醒功能模块
成效
面壁智能发布的 「小钢炮超级助手 cpmGO」，是全球首个落地车端的纯端侧智能助手，也是面壁智能 「模型即 Agent」 愿景的一次技术实践。基于 MiniCPM，在车规级 SoC 上本地完成语音、视觉、车控推理，带来与云端全面对齐的 「原生端侧体验」。
2025 年 4 月，首款搭载端侧模型的量产车型——长安马自达 MAZDA EZ-60 全球首秀，标志着端侧大模型在汽车座舱领域的商业化落地迈入新阶段。
面壁智能同时与长安汽车、上汽大众、长城汽车等顶级车企完成多款车型定点，并与高通、英特尔、联发科技、梧桐车联、德赛西威、中科创达、安波福等标杆企业深度合作，携手推动端侧原生智能座舱广泛落地。