前言
你有没有经历过这样的时刻：
开车时刚想调低空调，屏幕就弹出了温度建议；还没开口说“去公司”，导航已经自动规划好通勤路线；甚至在你感到疲劳之前，座椅就发出了轻柔的震动提醒……
这不是科幻电影，而是正在发生的交互弹性适配。
《2026智慧出行交互体验设计白皮书》以“人-车-环境”为核心，将智慧出行的交互体验设计拆解为九大趋势。
从最底层出发，用“AI辅助解释的透明化自动驾驶交互”解决人车之间的认知隔阂，让每一次感知、每一个决策、每一次交接都能被理解。向中层延伸，以"AI动态协调的自适应情感场域"与"移动座舱的场景再生成"，构建能感知情绪、主动适配的座舱体验；以"AI预判支持的交互弹性适配""跨屏信息的生成、迁移与重组""具身可变的构型空间与场景"，重塑信息与空间的流动关系。最终，经由"AI增强的环境感知与沉浸式交互"和"生成式AI参与的人智共创"，最终汇入"AI多智能体构建的群体协同决策"——让单车的智能融入群体的智慧。本系列将依次展开这九大趋势。今日聚焦趋势4：AI预判支持的交互弹性适配。
趋势概述
未来的座舱交互，正在从“等待指令后响应”转向 “理解趋势后预先协同” 。系统通过对用户生理、认知、行为与情境线索的持续感知与动态建模，提前识别潜在需求、状态变化与风险趋势，并在需求尚未被明确提出之前，以合适的时机、合适的强度、合适的模态主动提供支持。座舱不再是一个需要你不断下指令的工具，而是一个能预判你需要、并提前为你铺好路的同行者。
这一趋势沿着四个递进维度展开：先看见用户的状态变化，再判断差异化的真实需求，然后前瞻地协同行动，最后动态适配交互策略。
多元状态识别
先“看见”变化，才能“预见”需求
多元状态识别是预判式交互的基础感知层。系统通过面部、视线、姿态、生理信号、语音特征与行为模式等多模态线索，对驾驶员与乘员的注意水平、疲劳状态、认知负荷、情绪波动与身体状态进行持续、低打扰的监测，建立动态状态基线。与传统 DMS（驾驶员监测系统）仅关注疲劳、分心等单一风险不同，未来状态识别将逐渐从“异常检测”发展为“连续理解”。系统不仅需要发现问题，更需要理解用户状态如何变化、何时偏离稳定区间，以及这些变化是否意味着潜在风险或需求。当前研究正从单一行为检测，转向融合生理、认知与情绪的联合状态建模。例如，“驾驶员数字孪生（Driver Digital Twin）”研究提出将驾驶员构建为可持续更新的数字副本，通过时序行为、情绪状态与驾驶特征的长期建模，实现对分心行为的在线预测，而不仅仅是事后识别。其核心意义在于：系统开始从“识别一次状态”转向“理解一个人的长期变化模式”。
感知实验监测：对比了安全驾驶、视线偏离、接打电话等驾驶状态，并通过不同网络层的特征热力图展示系统关注的面部、手部与车内操作区域图片来源：《Driver Digital Twin for Online Recognition of Distracted Driving Behaviors》
另一方向则关注低侵入式生命体征感知。例如利用 AR/VR 头显中的微振动信号，实现对呼吸、心率等生命体征的被动监测。这意味着未来车内感知可能不再依赖明显的穿戴设备，而是在自然交互过程中持续获取用户状态。
呼吸监测实验及相关数据图表说明：左侧展示受试者的佩戴方式，右侧展示加速度信号与呼吸带读数的时间序列对应关系图片来源：《Passive Vital Sign Monitoring via Facial Vibrations Leveraging AR/VR Headsets》
整体来看，研究重点正在从“检测风险”转向“建立动态状态画像”，为未来预判式交互提供更稳定、更长期的人体理解基础。同时，产业侧已经开始将车内感知从驾驶监测扩展至全舱感知。MINIEYE ICS（In-Cabin Sensing）已融合Face ID、疲劳识别、行为分析、情绪识别与乘员状态理解，通过视觉、生理与行为线索建立持续性的舱内状态建模。其目标不再只是发现危险驾驶，而是形成对用户长期状态变化的综合理解，为后续个性化协同与主动支持提供感知基础。
MINIEYE I-CS：舱内驾驶员/乘员状态识别，系统将视觉、生理与行为线索进行综合建模，形成持续的舱内状态画像图片来源：Gasgoo：MINIEYE In-Cabin Sensing System
与此同时，与此同时，小鹏 AI 天玑也正在将状态识别从传统 DMS 扩展至“人—车—环境”联合感知。系统不仅识别驾驶员状态，还会同步理解道路结构、周边目标与环境变化，并结合实时驾驶情境形成动态状态输入。
小鹏 AI 天玑状态识别图片来源：小鹏官方社区
产业的发展表明，车内感知正在从“驾驶安全辅助”逐渐演化为“用户状态理解平台”，成为未来智能座舱的重要底层能力。
差异需求判读
同样是分心，新手和老司机要的不一样
在识别用户状态之后，系统还需要进一步判断：同样一种状态，在不同人身上意味着什么？差异需求判读强调系统不再以统一规则适配所有用户，而是结合用户经验水平、能力特征、偏好习惯、当前任务与环境语境，对用户真正需要的帮助进行动态理解。例如，新手驾驶员与经验驾驶员面对自动驾驶时，会表现出不同的信任水平与注意分配；同样的导航提醒，对高负荷用户可能是帮助，对低负荷用户则可能成为打扰。未来系统需要理解的，不只是“用户是谁”，而是“这个人在此时此地真正需要什么”。因此，预判式交互的核心将从“个性化功能”进一步走向“个体化理解”。当前研究开始关注不同用户之间的认知差异与交互偏好差异。在自动驾驶信任研究中，学者发现新手驾驶员与经验驾驶员在视觉监控行为、自动化依赖程度与风险判断上存在明显差异。这意味着未来辅助驾驶系统不能采用统一提示策略，而需要依据用户能力动态调整介入方式。
实验设备环境实景图片来源：《Trust and Visual Focus in Automated Vehicles: A Comparative Study of Beginner and Experienced Drivers》
产业实践已经开始尝试基于长期使用数据形成个体化理解。例如，小米超级小爱正在尝试基于用户当前任务阶段动态生成车载任务卡片，将导航、停车、空调、通信等相关服务提前组织在统一入口中。系统开始理解用户当前是在通勤、接人、长途出行还是短暂停靠，并依据不同任务阶段主动调整信息结构。
小米超级小爱：场景化车控服务卡片图片来源：小米汽车智能座舱官网
与此同时，小鹏小Pc的场景化车机服务卡也开始依据用户习惯、环境状态与高频场景动态生成服务入口，而不是依赖固定菜单层级。其重点不再是“让用户寻找功能”，而是“让系统理解用户下一步可能需要什么”。
小鹏小 P 智能语音：车机任务卡片图片来源：小鹏社区：小 P 智能语音使用技巧
主动时机协同
在你说出口之前，它已经行动了
传统车载系统通常需要用户主动发出命令后才开始响应，而前瞻协同支持强调系统需要在合适时机主动介入，与用户形成协同。系统会基于情境、任务阶段与打扰成本，主动决定是否介入、何时介入以及介入到何种程度，并通过建议、信息整理或辅助行动帮助用户完成任务。这一方向的重点并不只是“主动说话”，而是系统是否具备对时机与上下文的判断能力。真正有效的主动系统，不应频繁打断用户，而应像副驾一样，在恰当时刻提供低负担、可接受的支持。当前研究开始重点关注主动交互中的“时机判断”问题。基于大型语言模型（LLM）的车载语音研究表明，系统已经能够结合上下文生成情境化主动建议，例如提醒补能、推荐休息或提前调整路线。但相比“能否生成建议”，研究更关注“何时介入更合适”。相关实验发现，当用户处于轻松、可中断状态时，主动建议更容易被接受；而在高认知负荷、通话或紧张状态下，频繁介入则会显著提升打扰感。
该界面用于评估用户在不同认知负荷与可中断状态下对主动介入的接受度图片来源：《When to Approach the User: Investigating Suitable ContextFactors for Proactive Voice Assistance in Automated Cars》
产业侧已经开始探索真正意义上的“预判式协同”。如小鹏 AI 代驾开始基于用户历史路线、时间规律与上下文信息主动生成路线建议，并在特定场景下提前组织导航任务。系统不再只是等待用户输入目的地，而是尝试预测用户下一步的出行意图。
小鹏 AI 代驾记忆路线图片来源：小鹏官方社区
另一方面，问界 M9 的 AR-HUD 也正在从导航显示工具演化为前瞻式风险提示系统。其能够在复杂路口、潜在风险或路径变化发生之前，提前进行视觉引导与风险可视化，使用户能够在危险真正显化之前完成决策准备。这些案例表明，未来智能座舱中的 AI 正在从“响应工具”逐渐转变为“协同代理”。
交互动态调节
随状态而变，随过程而调
当用户状态、环境复杂度与风险水平持续变化时，系统还需要动态调整提示模态、反馈强度、信息颗粒度与交互频率，实现从轻量提醒、到强化提示、再到主动干预的分级适配。未来交互将不再是固定界面与固定规则，而会成为一个随状态实时变化的弹性系统。系统需要依据风险等级、用户负荷与环境变化，持续决定“该以什么方式、在什么程度上进行支持”。其最终目标并不是让交互变得更复杂，而是在不同阶段始终以“最合适、最低负担”的方式提供帮助。例如在低风险场景减少信息打扰，在复杂路况强化视觉与触觉反馈，在高负荷阶段自动降低信息密度。当前研究正在探索更加弹性的多模态适配机制。一篇文献提出以用户为中心的自适应多模态融合框架，通过持续学习用户反馈与行为习惯，动态协调视觉、语音、触觉等不同模态之间的权重关系。
文献通过驾驶模拟器让受试者在道路场景中完成目标指认与交互任务，图中受试者正在根据屏幕中的道路环境进行指向操作图片来源：《Adaptive User-Centered Multimodal Interaction towards Reliable and Trusted Automotive Interfaces》
相比传统“固定提示逻辑”，行业正在出现更具连续性与协同性的动态适配机制。小鹏 XOS 5.8.0 推出Human-Machine Co-Driving，开始弱化传统辅助驾驶中“人接管—系统退出”的二元逻辑。当驾驶员短暂介入转向时，LCC 不会立即退出，而是允许人与系统在一定阶段内形成协同控制。这意味着交互适配开始从“功能切换”转向“连续协作”，系统不再将人的介入视为失败，而是视为动态协同的一部分。
小鹏端到端共创页面图片来源：小鹏社区：Ai觉醒！XOS端到端共创版1.0超前体验
未来交互设计的重点，将不再只是界面与功能本身，而是系统如何在整个驾驶过程中动态维持人与 AI 之间的协作平衡。
总结
AI预判支持的交互弹性适配，本质上代表着智能座舱从“响应式系统”向“协同式智能体”的转变。传统车载交互强调“用户发出命令—系统完成执行”，其核心是功能调用效率；而未来系统则会逐渐具备持续感知、动态理解、主动协同与弹性调节能力，开始参与整个出行过程的实时协作。这一趋势的真正变化，并不是 AI 能否替代用户操作，而是系统是否能够理解：用户状态如何变化、风险趋势如何演进、何时应该介入以及如何以最低负担提供帮助。因此，未来智能座舱中的 AI 不再只是语音助手或功能入口，而会逐渐演化为贯穿整个出行过程的“协同代理”。人车关系将从“控制与执行”逐渐转向“持续协作”，交互设计也将从静态界面设计，转向围绕状态变化、关系变化与协同节奏展开的动态系统设计。
参考文献
[1] Y. Ma, R. Du, A. Abdelraouf, K. Han, R. Gupta and Z. Wang, "Driver Digital Twin for Online Recognition of Distracted Driving Behaviors," in IEEE Transactions on Intelligent Vehicles, vol. 9, no. 2, pp. 3168-3180, Feb. 2024, doi: 10.1109/TIV.2024.3353253.[2] Tianfang Zhang, Cong Shi, Payton Walker, Zhengkun Ye, Yan Wang, Nitesh Saxena, and Yingying Chen. 2023. Passive Vital Sign Monitoring via Facial Vibrations Leveraging AR/VR Headsets. In Proceedings of the 21st Annual International Conference on Mobile Systems, Applications and Services (MobiSys '23). Association for Computing Machinery, New York, NY, USA, 96–109. https://doi.org/10.1145/3581791.3596848[3] Singh, R., Ziat, M., Špakov, O., Mäkelä, J., Surakka, V., & Raisamo, R. (2025). Trust and Visual Focus in Automated Vehicles: A Comparative Study of Beginner and Experienced Drivers. teoksessa CHI 2025 - Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems Artikkeli 88 ACM. https://doi.org/10.1145/3706598.3713806[4] Lesley-Ann Mathis, Carla Bernadette Bubeck, and Matthias Peissner. 2024. When to Approach the User: Investigating Suitable Context Factors for Proactive Voice Assistance in Automated Cars. In Proceedings of Mensch und Computer 2024 (MuC '24). Association for Computing Machinery, New York, NY, USA, 299–309. https://doi.org/10.1145/3670653.3670672[5] GOMAA A. Adaptive User-Centered Multimodal Interaction towards Reliable and Trusted Automotive Interfaces[C]//Proceedings of the 2022 International Conference on Multimodal Interaction. New York: Association for Computing Machinery, 2022: 690-695. DOI: 10.1145/3536221.3557034.
