前言
过去，汽车的设计与使用遵循一条清晰的逻辑：人提出需求、作出判断，机器负责执行。无论工具如何升级，创意与决策的主导权始终掌握在人手中。
如今，生成式人工智能正在打破这种单向关系。当AI开始参与创意生成、方案比较、决策分析与体验构建，机器不再只是等待指令的工具，而开始主动提出可能性，并在人与系统的持续互动中共同完善答案。人与智能的关系，也由“使用工具”逐渐走向“共同创造”。
基于此，我们忍不住发问，当AI真正成为创造过程中的参与者，人和智能将如何一起想象、一起决策，并共同塑造未来的汽车？
《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7：生成式AI参与的人智共创。
趋势概述
随着生成式人工智能、大模型与多模态技术的发展，汽车设计与智能座舱正进入由“人主导工具使用”向“人智共同创造”的新阶段。生成式AI的加入，使创意生成、方案比较、决策分析与体验构建形成了持续协作关系，让人的经验判断与机器的计算生成相互协同，使汽车转变为能够共同探索、持续进化的智能伙伴。该趋势分为三个维度展开：
创意生成协同：将AI作为设计伙伴，在设计初期共同生成概念与迭代原型，拓展创意的探索边界；设计决策协作：AI作为认知伙伴，通过数据分析、预测评估与逻辑推演辅助复杂决策，提升方案的科学性与质量；体验情境共建：在实时交互中，AI与用户共同创造情境化、动态化的出行感受，让每次出行成为独特的共创过程。
创意生成协同
从“一次生成”到“持续迭代”
设计团队通过文字、草图、模型与场景需求表达初始意图，AI快速生成多方向方案，并在持续响应和不断反馈中帮助团队收敛设计语言，将创意过程构建为“构想-生成-筛选-再生成”的循环模式。针对概念生成过程中设计意图模糊与方案收敛缓慢的难题，学术界展开了深入探讨。研究者针对实体建模与虚拟生成提出了智能具身设计空间（IEDS）与混合现实协同范式，能在不同创作阶段自动对齐多模态输入与物理原型，优化概念演化路径并提升设计探索效率。
IEDS 混合现实与生成式 AI 协同设计工作流与原型演进过程图片来源：《IEDS: Exploring an Intelli-Embodied Design Space CombiningDesigner, AR, and GAI to Support Industrial Conceptual Design》
Rightware Kanzi One × AMD Silo AI 将生成式AI引入汽车HMI设计流程，识别速度、导航、RPM等界面元素，并依据设计师设定的布局、边界与视觉风格快速生成多组数字仪表方案。设计师可持续调整和筛选结果，并将生成方案进一步转化为动态、可运行的车载界面原型，实现从视觉创意生成向交互界面共创延伸。
Kanzi One UI 演示：几秒钟内生成多种设计方案来源：AMD官网
设计师通过自然语言描述产品功能与视觉方向，即可由AI快速生成多屏、可编辑的UI方案，并持续增加页面、修改界面和扩展交互流程，使早期交互构思能够快速形成完整的界面原型，降低从创意探索到体验验证的制作成本。
Uizard Autodesigner｜AI多屏交互原型生成来源：Uizard官网
创意生成协同推动设计过程由单向输出转向循环探索。AI通过快速生成大量可能性，扩大设计师的探索范围；设计师则通过经验判断、审美标准和品牌理解持续调整生成方向。未来，生成式AI将进一步融入概念设计、原型构建和方案迭代环节，使设计创作从“人与工具协作”逐渐转向“人与智能伙伴共同演化”。
设计决策共演
从“单项指令”到“双向意图推演”
智慧出行的交互体验不仅关乎视觉呈现与功能操作，更关乎人与系统在复杂场景中的共同判断、共同权衡与共同选择。
生成式 AI 作为认知伙伴，正在将决策过程从“人下指令、系统执行”转变为“人设定目标与边界，AI参与理解、推演与建议”的双向协同。它既承接前一阶段的创意与方案生成，也为后续个性化、情境化的座舱体验提供更清晰的判断依据与执行逻辑。
针对复杂情境下目标冲突多、推演链路长、判断依据不透明的问题，学术界提出了 AI 辅助因果路径图机制。该方法借助大模型建立目标、约束与设计因素之间的因果关联，帮助设计者更高效地梳理交互逻辑、识别影响因素，并提升复杂场景中的推演效率与判断质量。
AI 辅助因果路径图（CPD）Miro 插件核心交互界面图片来源：《AI-Assisted Causal Pathway Diagram for Human-Centered Design》
在交互开发决策中，Qt Design Studio AI Assistant 帮助设计与工程团队在统一环境中评估布局合理性与性能开销，利用AI的预测分析能力实现视觉体验与系统底层逻辑的高效权衡，推动设计判断从经验摸索走向科学决策。
Qt Design Studio AI Assistant来源： Qt官网
MBUX 虚拟助理：人机前瞻意图协同交互
来源：Mercedes-Benz
体验情境共建
从“提供服务”到“共同塑造体验”
生成式AI正在进入用户体验层面，通过理解用户需求、环境信息和实时状态，与用户共同创造动态化出行体验。车辆逐渐成为能够理解情境、生成内容并持续调整服务方式的智能伙伴。针对传统服务被动且同质化带来的体验局限，学术界展开了深入探讨。研究者针对情境感知与动态共创提出了多智能体协同与上下文实时分析架构，能在不同环境状态与个体反馈下自动推荐主题并迭代交互内容，改善服务契合度并提升人车共创沉浸感。
Rank2Tell 数据集关键交通参与者重要性分级与决策推理示意图图片来源：《ContextCam: Bridging Context Awareness with CreativeHuman-AI Image Co-Creation》
吉利超级Eva基于世界行为模型协调座舱、智能驾驶和车辆控制能力，将用户提出的出行目标转化为导航、驾驶辅助与车内服务之间的连续行动。用户通过自然语言表达需求，车辆结合场景理解提供连续响应，使出行体验由单点功能交互转向全过程协同。
吉利超级 Eva / 舱驾融合超级智能体来源：吉利汽车
NOMI GPT将车内多模态感知、认知中心与情感引擎连接，根据车辆状态和当前场景提供主动建议。用户可以通过对话生成个性化音效、创建专属场景口令，并持续调整车辆功能，使座舱体验由系统情境理解与用户表达共同塑造。
NIO NOMI GPT｜车云多模态情境交互来源：Tech Talk | NOMI GPT 为什么能懂你？ - 智能科技_NIO蔚来官网
体验情境共建推动智能汽车从功能响应走向场景理解。生成式AI通过融合环境信息、用户意图与车辆能力，使交互过程具备持续调整和共同创造的特征。未来，智能座舱将围绕用户状态、空间环境和实时需求动态生成体验内容，车辆与用户之间的关系也将从指令执行逐步转向情境协同。
总结
从创意生成到设计决策，再到体验情境，出行设计与座舱交互正逐步构建出人智深度协同的新生态。AI生成能力与推理逻辑被深度融入全生命周期的设计推演与实时驾乘体验之中生成式模型与多模态感知使创意构想获得即时三维具象化；因果路径推演与性能预测辅助团队完成多目标平衡；上下文情境引擎则实现了服务内容与座舱氛围的动态共建。在这一过程中，人智共创的演进展现出清晰的维度拓展：早期以规则驱动的单点参数调整为起点；随后突破被动响应局限，进化至多模态创意展开与数据辅助决策；最终发展为融合情境语义、物理反馈与深度个性化的连续协同生态。此刻，座舱与设计系统不仅能够响应明确需求，更懂得如何与人类共同探寻最佳方案与体验。当人工智能的泛化生成能力与人类的审美品味、经验认知自然融为一体，我们将迎来更加高效、灵动且富有生命力的智慧出行新纪元。
参考文献
[1] ZHANG H, CHEN P, YANG Y, et al. IEDS: Exploring an Intelli-Embodied Design Space Combining Designer, AR, and GAI to Support Industrial Conceptual Design[C]//Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems (CHI '25). New York: ACM, 2025: 1-25. DOI: 10.1145/3706598.3713528.[2] LINDER C, MARTELARO N. Jigsaw: Supporting Designers to Prototype Multimodal Applications by Assembling AI Foundation Models[C]//Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24). New York: ACM, 2024: 1-15. DOI: 10.1145/3613904.3641920.[3] ZHONG R, SHIN D, MEZA R, et al. AI-Assisted Causal Pathway Diagram for Human-Centered Design[C]//Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24). New York: ACM, 2024: 1-19. DOI: 10.1145/3613904.3642179.[4] FAN X, WU Z, YU C, et al. ContextCam: Bridging Context Awareness with Creative Human-AI Image Co-Creation[C]//Proceedings of the CHI Conference on Human Factors in Computing Systems (CHI '24). New York: ACM, 2024: 1-17. DOI: 10.1145/3613904.3642129.[5] LIU X B. Thought as a Substrate in Human-AI Interaction[C]//Proceedings of the 38th Annual ACM Symposium on User Interface Software and Technology (UIST Adjunct '25). New York: ACM, 2025: 1-5. DOI: 10.1145/3746058.3758466.[6] ZHANG X, CHEN N. The Role of Shared Mental Models in Driving Knowledge Complementarity: Enhancing Human-AI Team Effectiveness[J/OL]. International Journal of Human-Computer Interaction, 2026. DOI: 10.1080/10447318.2025.2598670.
