更强不一定意味着更大——2025年11月，清华大学教授孙茂松、刘知远等提出大模型“密度定律”，揭示竞争力的核心在于单位参数所能封装和调用的有效智能，而非参数的绝对数量。李升波用棉花与黄金的密度比喻指出，密度定律指引行业从追求“棉花体积”转向追求“黄金密度”。对智能座舱而言，密度定律第一次给“端侧AI为什么有可能”提供了系统解释——在效果、成本、速度构成的“不可能三角”中，更高知识密度意味着用更小参数规模逼近更强模型能力。
密度定律——从参数规模竞争到能力密度竞争
2025年11月，清华大学教授孙茂松、刘知远等与OpenBMB合作，提出大模型“密度定律”概念，即模型有效知识容量与物理参数规模的压缩比。这一定律揭示，竞争力的核心在于单位参数所能封装和调用的有效智能，而非参数的绝对数量。
密度定律改变了行业对“更强AI”的默认想象：更强不一定意味着更大，关键在于单位参数能释放出多高的有效智能。李升波用棉花与黄金的密度比喻指出，密度定律指引行业从追求“棉花体积”转向追求“黄金密度”，通过模型结构、训练方法和算法的创新，在同等算力下激发更高智能。
如果说摩尔定律推动了集成电路在制程工艺和密度领域持续上升，那么密度定律强调的则是模型在参数、架构、数据治理和训练方法上的“知识压缩效率”不断提高。
密度定律如何回应端侧部署的“不可能三角”
对汽车产业而言，密度定律之所以重要，是因为它第一次给“端侧AI为什么有可能”提供了系统解释。在效果上，更高知识密度意味着用更小参数规模逼近更强模型能力；在成本上，模型变小对高端芯片依赖显著下降；在速度上，计算量减少能直接带来更快推理响应。
在智能座舱这样一个强交互、长生命周期、成本受限的场景里，模型能力密度不是锦上添花，而是决定端侧AI能否规模化普及的分水岭。在近日举行的智能电动汽车发展高层论坛上，李升波指出，更高性能的算法能够显著降低对传统数据规模与算力扩张路径的过度依赖。
从用户体验角度看，密度定律的重要性在于，它让自然语言交互第一次有机会在车端摆脱固定指令模板与云端往返等待的旧模式，进入“持续对话、上下文理解、即时执行”的可用阶段。
从云端优先到车云一体的协同智能
端侧AI并不是一个孤立的车内小模型，它对应的是一套新的分层体系。这套体系可分为三层：前台是自然语言与多模态感知，构成统一的人车交互入口；中台是主智能体对意图的理解、任务的拆解、上下文的管理与能力的编排；后台是车端、移动端和云端按时延、隐私、车控等级与推理复杂度进行分层执行。
任务分配需遵循多个核心维度。时延要求：越接近瞬时交互的任务，越应前置到车端。隐私敏感度：涉及舱内视频、声纹、人脸、位置轨迹的任务，应优先在本地完成。是否涉及车控：一旦触发车辆执行，就需要可验证、可审计的本地控制链。推理复杂度及系统算力冗余度。
调研中，一些车企认为，端侧应解决高时效与隐私问题，云端解决低时效、高复杂度和长记忆问题。
