当大模型接入车机逐渐变成标配，一个问题被忽略了：如果AI从产品定义阶段就开始参与需求洞察、场景还原和体验生成，一辆车会长成什么样？

最近汽车圈又来了一个新面孔。

2026年6月9日，赛豆科技在北京正式发布AI先锋生态出行品牌AIVA。AIVA隶属于赛豆科技，由国资、赛力斯、宁德时代及多方产业资本共同参与，按现代公司治理规则独立运营。

制造端有赛力斯的整车体系和供应链经验，能源端有宁德时代的电池技术，AI端有火山引擎的豆包大模型和智能座舱方案。这套产业组合，让AIVA从第一天起就不缺造车的底气。

发布会上，概念车AIVA Origin Concept亮相，首款量产车AIVA ME7的规划也同步公布。但整场发布会让人印象最深的，不是车，而是一句话——AI定义汽车，先有AI，再有车。

这句话点明了AIVA已经开始实践的一套造车新方法论：AI前置于产品定义的全链路，突出AI的主导属性而不是工具属性。

物理AI元年，他们想这样造车

汽车工业发展至今，产品定义权的归属经历了数次根本性的范式迁移，每一次迁移都伴随着产业链的系统性重构。

第一阶段是机械定义汽车的时代。彼时整车的核心竞争力来自动力总成的工程水准——发动机的热效率与升功率、变速箱的传动比设计与换挡逻辑、底盘的几何参数与悬挂调校。不同品牌之间的差异，本质上是机械工程哲学的差异，产品力的天花板由金属加工精度与制造工艺水准共同决定。

第二阶段是电子电气架构介入之后的时代。随着排放法规趋严与主动安全需求提升，ECU 开始接管此前纯机械控制的发动机管理，ABS、ESC、燃油直喷等电控系统相继普及。整车电子电气架构（EEA）的复杂度快速提升，分布式 ECU 数量在部分车型上突破百个，博世、大陆、电装等 Tier 1 供应商借此确立了在产业链中的核心地位。汽车的定义边界，从钢铁与橡胶延伸至芯片与代码。

第三阶段是软件定义汽车（SDV）重塑行业认知的时代。集中式电子电气架构取代分布式，域控制器与中央计算平台成为新的整车神经中枢，OTA 能力让功能边界不再由出厂硬件锁死，软件层的持续迭代成为产品竞争力的重要组成部分。

这三次开发范式的迭代都有一个共同点：改变的都是“术”而不是“道”，即“我们具备什么技术能力，能够造出什么样的车”。

现在，AI的出现让产品定义的过程，第一次有机会大规模引入真实用户数据和持续反馈。它让"造什么车"这件事的起点，真正有机会转向以探索用户需求为本。

AI是AIVA的出发点

AIVA从决定造这辆车的第一天起，AI就是整套产品逻辑的基础设施。不是产品成型后再接入的功能模块，而是从需求挖掘、产品定义到功能交互，每一个环节都建立在AI之上。

在他们看来，“AI定义汽车，先有AI，再有车”有两个缺一不可的条件：

上游规划阶段，产品设计要以AI为抓手从人出发；下游开发阶段，产品体验要通过大模型底层赋能体现AGI的价值。两个条件都满足，才算。

先说上游规划阶段。AIVA的产品规划起点，不是"我们有什么技术，能造什么车"，而是先大规模读懂用户的真实处境，再决定造什么。需求在前，技术在后。

再说下游开发阶段。车里的 AI 到底是真懂你，还是在执行一段预设好的脚本？这是判断的关键。真正用模型驱动的系统，理解的是语境和意图，给出的是没有被预设过的响应；规则驱动的系统，能力边界等于工程师的想象力边界，没被写进去的场景一律不懂，这可不是底层赋能。

从左到右依次为：陈婧文，火山引擎智能座舱负责人；杨立伟，火山引擎副总裁；

张正源，AIVA董事长；李博，AIVA总裁、产品经理

这两个条件，共同构成了“AI定义汽车，先有AI，再有车”的完整含义，不是一句发布会上的 slogan，而是一套从产品定义源头就已经不同的造车逻辑。所谓的 AI Native，AI 在组织和产品逻辑里是地基，不是工具。

那么，AI造车具体能带来什么？

造什么车，这件事变了

AIVA 的“AI定义汽车，先有AI，再有车”，具体体现在两个维度。先说上游：产品规划。

AIVA的产品规划，起点不只是少数人的经验判断和调研报告替几百万用户做决定。

虽然有的市场调研不厌其烦变着角度问的是用户“想要什么”，但人类对自己真实需求的表达能力其实相当有限——用户说“我想要一匹更快的马”，但真正需要的是更快到达目的地。

竞品分析更是在一个已知坐标系里打转，能发现的机会，只是竞品没做好的地方，而不是坐标系之外的全新方向。

AIVA的产品规划逻辑，从两个地方发生了变化。第一个，是需求挖掘。除了问卷和访谈，用户反馈、市场变化等信息，也开始成为产品规划的重要依据。

这些信息正在被实时汇聚起来，AI 通过海量数据分析、趋势洞察和需求推理，挖掘出远超人力想象边界的可能性，再由产品经理从中挑出真正值得做的方向。

AIVA总裁、产品经理李博

AI 可以高效获取并处理这些非结构化数据，找到视野盲区。AIVA总裁、产品经理李博有个比喻说得很准：过去是人在前面挖矿，现在是 AI 在前面挖矿，人在后面淘金。矿还是那片矿，但挖矿的效率和精度完全不是一个量级。

第二个，则是AIVA不依赖典型用户画像的平均推演——那种把真实用户特征拼接出来的"28岁都市白领、月薪两万、喜欢自驾游"式画像，现实中很难有人完全吻合，围绕它设计产品，必然会错过大量真实用户的真实处境。

AI 可以从真实数据里还原大量真实出行场景，找出那些反复出现但从未被好好服务过的场景簇——AIVA会选择围绕真实存在的碎片化处境设计产品，那些才是真的用户需求。

这辆车能做什么，这件事也变了

下游开发的变化更直观：用模型替代规则。

规则系统的能力边界，等于工程师的想象力边界。工程师能预想到多少场景，系统就能覆盖多少场景。没被写进去的，无法响应。你说"今天开会被老板怼了，心情有点差"——没有预设规则覆盖这种表达，系统无法响应。

模型的逻辑不一样。它不需要提前穷举所有场景，而是从你说话的内容、语气、上下文里推断你的状态，给出没有被预设过的响应。

规则是工程师预设的天花板，模型是理解能力的自然延伸。

AIVA 举过一个例子：同样是 22 度，AI 理解的不是一个数字，而是这个季节、你今天的穿着、你刚才的运动状态，然后给出一个只属于这一刻的建议。功能不再是一张固定的清单，而是随着理解的深入持续生长的东西。

更重要的是，这个系统会随着相处时间增长而持续进化。你跟它相处越久，它对你的理解越深——因为规则不会主动学习，而模型则会自我迭代。

结语

从品牌发布到概念车亮相，AIVA 正在回答一个属于这个时代的问题：如果造车这件事从人开始，从 AI 对人的理解开始，那么这辆车会长成什么样子？

围绕 AI 展开产品定义、利用数据发现需求、用模型提升产品体验——这套“AI定义汽车，先有AI，再有车”的逻辑能带来什么样的体验，最终仍然要靠量产产品说话，好在这个时间不会让我们等太久：首款量产车 AIVA ME7 年内亮相。

AIVA把方法论摆上了桌，接下来，ME7将给出第一次真实验证。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4866741.html?f=wyxwapp