對(duì)話任少卿：世界模型是自動(dòng)駕駛與機(jī)器人的新范式

在高速上，就看前面三輛車：

本車前面那輛車，然后左邊車道一輛車，右邊車道一輛車，三輛車一起建模，然后寫個(gè)規(guī)則結(jié)束。

雖然也得寫好幾萬行的代碼，但是它畢竟場景簡單。

現(xiàn)在到了城區(qū)，還要做主動(dòng)安全，想去處理各種各樣的復(fù)雜場景，比如說城區(qū)路口的場景，拐進(jìn)來的兩輪車你都不知道什么角度、什么速度，什么樣的都有可能。

如果讓人一個(gè)一個(gè)規(guī)則去寫，從根本上來說，第一個(gè)是效率的問題，第二個(gè)是效果的問題。

我覺得這是自動(dòng)駕駛要搞端到端的核心原因。

如果我們跳出自動(dòng)駕駛的領(lǐng)域，還有一個(gè)原因就是，大家要做更統(tǒng)一的東西。

其實(shí)只有自動(dòng)駕駛領(lǐng)域的人才會(huì)說端到端和非端到端，別的領(lǐng)域不說這事，基本看不到。

比如做語言模型的、做機(jī)器人的，就不會(huì)蹦出來說，我端到端了，我就厲害了。

那是因?yàn)樽詣?dòng)駕駛它本身有歷史的原因。

自動(dòng)駕駛的歷史比較長，在很多年前算法模型的能力沒有這么強(qiáng)，所以大家只能把這件事情變成一個(gè)流水線。

就跟造車一樣，比如說壓鑄件，之前工藝不行，就只能給它分成一小塊，先造出來，然后再焊。

其實(shí)自動(dòng)駕駛跟這很像。

因?yàn)樽詣?dòng)駕駛用自回歸模型用得比較早，早期不成熟，所以自動(dòng)駕駛就有一項(xiàng)非端到端的事，也是因?yàn)樗鼏栴}復(fù)雜。

到了今天大家覺得模型性能提升了，就把它合起來。

還是跟工廠一樣，工廠為什么用一體壓鑄，其實(shí)就是時(shí)間效率。

而且理論上自動(dòng)駕駛開發(fā)，肯定比工廠更麻煩，因?yàn)楣S可以堆很多工人，但如果也堆很多工程師，其實(shí)更復(fù)雜。

所以端到端本質(zhì)是用一個(gè)更統(tǒng)一的方式，去提升計(jì)劃效率，包括時(shí)間的效率，包括人的效率。

實(shí)際上再進(jìn)一步說的話， 從AI 的發(fā)展來看，其實(shí)深度學(xué)習(xí)就是這個(gè)邏輯。

最近10到15 年，所有AI 算法的發(fā)展，包括應(yīng)用，本質(zhì)上就是兩件事：

第一件事情是產(chǎn)生更好的效果，第二件事情是產(chǎn)生更好的泛化性。

產(chǎn)生更好的泛化性，就是用同一個(gè)方法解決更多領(lǐng)域的問題。

整個(gè)15 年的 AI就是不停地在做這兩件事情的循環(huán)。

第一件事情比較容易理解，原來一個(gè)任務(wù)，可能AI去做比人差很多，比如說大家現(xiàn)在用得最多的是人臉識(shí)別，至少對(duì)于一個(gè)陌生人的人臉識(shí)別，一開始AI沒有人做得好，后來跟人差不多，現(xiàn)在是絕對(duì)比人好。

其他任務(wù)其實(shí)也都這樣：

AI一步一步地從不如人，然后超過人，這是性能提升，是AI發(fā)展的第一個(gè)方向。

第二個(gè)發(fā)展方向，實(shí)際就是通用性。

比如說一個(gè)圖像識(shí)別的算法，和物體檢測的算法，分別用來判斷一張圖是什么類別和判斷這張圖里面有什么物體，開始都是不同的算法、不同的框架，后來這些東西就融合了。

再后來所有圖像類的任務(wù)基本上都融合了，現(xiàn)在說圖像類的任務(wù)跟語音類的任務(wù)也快融合了。

在自動(dòng)駕駛上也是一樣，實(shí)際上是希望它最后變成所有智能體的任務(wù)，自動(dòng)駕駛開車也好，機(jī)器人走路也好，機(jī)器狗爬山也好，所有任務(wù)都是用同樣一套框架去做，這也是端到端之后要做的事情。

智能車參考：所以Transformer是一個(gè)很重要的變量，帶來了效果上或者是算法能力上的提升，還帶來了什么？

任少卿：Transformer算是一個(gè)工具。

但是我想說AI 的發(fā)展，實(shí)際上大家都在追求這兩件事情，沒有transformer，可能也會(huì)有其他的（工具），但大家追求的這個(gè)方向?qū)嶋H上是沒有變的，就是想追求更好和更通用。

回到我們剛才說的這個(gè)事情上，自動(dòng)駕駛的端到端實(shí)際上是某種程度上追求更好。

另外的就是什么樣的框架，除了自動(dòng)駕駛外，相關(guān)的所有的智能體或者類機(jī)器人的方向，都能用同樣的方式去解決。

這個(gè)是我覺得一定會(huì)有人去做，大家想做的事。

智能車參考：在三年前我們講自動(dòng)駕駛還是要講四個(gè)堆棧。那時(shí)候可能也有人說一定要做一個(gè)模型，但那個(gè)時(shí)候?qū)崿F(xiàn)不了。

這兩年大家都覺得可以這樣做了，中間是什么關(guān)鍵的要素發(fā)生了變化？

任少卿：如果我們先不考慮算力的話，為了做一個(gè)任務(wù)，肯定是要有數(shù)據(jù)的。算法現(xiàn)在是要依賴數(shù)據(jù)，當(dāng)然也有人在說要做一些小數(shù)據(jù)量的算法。

反正現(xiàn)在這一代的人工智能的算法，肯定都是 data onwards。

現(xiàn)在要解決的問題，針對(duì)一個(gè)任務(wù)，可以標(biāo)注一些數(shù)據(jù)，但是沒有必要標(biāo)注很大的量。

針對(duì)另外一個(gè)任務(wù)，又要標(biāo)注很多數(shù)據(jù)，所以我覺得這里面第一個(gè)跨領(lǐng)域的核心點(diǎn)，實(shí)際上是怎么把這個(gè)數(shù)據(jù)的描述統(tǒng)一，以及把數(shù)據(jù)量拉上去。

但實(shí)際上為了統(tǒng)一，就要標(biāo)得更復(fù)雜，數(shù)據(jù)量要拉上去就更難。

同時(shí)為了統(tǒng)一需要數(shù)據(jù)量更大，如果標(biāo)注方法或者訓(xùn)練方法本身沒有辦法去承擔(dān)更大的量的話，就是標(biāo)不起更多的數(shù)據(jù)，量也拉不上去。

之前因?yàn)闆]有辦法統(tǒng)一兩個(gè)領(lǐng)域的數(shù)據(jù)，也沒有辦法把這兩個(gè)領(lǐng)域的數(shù)據(jù)都搞到足夠大的量。

比如一個(gè)領(lǐng)域搞1, 000 張圖，另外一個(gè)領(lǐng)域搞 1, 000 張圖，獨(dú)立的分置就變簡單了。

那現(xiàn)在的狀態(tài)是什么呢？有這個(gè)數(shù)據(jù)的基礎(chǔ)，可以讓它不分置。

那不分置的基礎(chǔ)，一個(gè)是數(shù)據(jù)量增大，一個(gè)更根本的基礎(chǔ)，實(shí)際上就是數(shù)據(jù)標(biāo)注，從人工標(biāo)注變到自動(dòng)化，以及從自動(dòng)化變到完全不需要標(biāo)注，這是非常大的進(jìn)展。

所以回答這個(gè)問題，我們再總結(jié)一下。

原來的問題是要分置，我沒辦法做到統(tǒng)一，因?yàn)橛袃蓚€(gè)限制，一個(gè)數(shù)據(jù)，一個(gè)算力，所以我要分置。

現(xiàn)在就是說數(shù)據(jù)和算力都能支持，不要分置，合在一起搞。

數(shù)據(jù)的角度能支持合在一起搞的話，從要標(biāo)注到自動(dòng)標(biāo)注再到不需要標(biāo)注，自動(dòng)標(biāo)注跟不需要標(biāo)注還不一樣，不需要標(biāo)注是一個(gè)更好的狀態(tài)。

如果這個(gè)東西徹底不需要標(biāo)注了，那你的算力又能頂住更大的數(shù)據(jù)量扔進(jìn)去，就相當(dāng)于把兩個(gè)東西合在一起做，這個(gè)是核心。

所以回到自動(dòng)駕駛這件事情上，很重要一點(diǎn)就是要把這個(gè)標(biāo)注給取消。

智能車參考：現(xiàn)在自動(dòng)駕駛的標(biāo)注成本，到什么程度了？

任少卿：自動(dòng)駕駛這幾年變化很大，五年前可能標(biāo)一個(gè)框幾毛錢。

前兩年，整個(gè)標(biāo)注還需要花錢，但是它通過自動(dòng)化標(biāo)注的方式，每兩年可能效率提升100倍，三年可能效率提升了萬倍到百萬倍。

現(xiàn)在我們其實(shí)追求的，就是想不標(biāo)注。

因?yàn)闊o論自動(dòng)標(biāo)注什么東西，雖然它效率提高了，原來可能 5 毛錢一個(gè)框，現(xiàn)在5 毛錢能標(biāo)1萬個(gè)框，或者說能標(biāo) 100 萬個(gè)框，但是畢竟還是要耗時(shí)間的。

現(xiàn)在就想不標(biāo)注了，就是原始視頻直接進(jìn)入（模型）。

智能車參考：現(xiàn)在用戶都會(huì)去關(guān)注，車企的智駕是不是端到端的系統(tǒng)。

多少有點(diǎn)詭異，因?yàn)槎说蕉诉@個(gè)的事情它更大的意義是在于研發(fā)，在于廠商本身，對(duì)于用戶其實(shí)沒有那么大的意義。我不在乎我的這個(gè)車是不是端到端的系統(tǒng)，我覺得他能處理很多或體驗(yàn)很好就行。

任少卿：我覺得挺有意思一件事，就是說這個(gè)事情本身也只存在于先鋒用戶，或者說這個(gè)早期體驗(yàn)用戶里面。

我覺得這里面其實(shí)有兩點(diǎn)，首先用戶愿意去關(guān)注這些工作還挺好的。

就比如說做語言模型的相關(guān)用戶，他甚至關(guān)心你模型怎么訓(xùn)練的一樣，大家關(guān)心關(guān)心這事也挺好。

第二個(gè)事情，也是因?yàn)槲矣X得最近半年功能上的熱點(diǎn)沒有那么多，因?yàn)槟阆肴ツ昴甑椎浇衲昴瓿?，大家也不是說沒在做端到端，沒在做模型化，只是說有一個(gè)可能，更貼近產(chǎn)品的所謂的城區(qū)開城的事，吸引到大家的注意力。

今年開始，頭部幾家開城開得差不多了、故事幾乎講完了。蔚來在4月開完全域全量智駕發(fā)布會(huì)后，這也不是個(gè)故事。尤其是對(duì)于早期領(lǐng)航用戶來說，討論的這些話題對(duì)他來說是有意思的，他才參與這個(gè)過程。

那現(xiàn)在討論啥呢？

現(xiàn)在不是只能討論端到端嘛？

那我覺得，再往后那是不是也許大家會(huì)討論點(diǎn)到點(diǎn)，討論 L3 ，只是說廠商還沒有去引導(dǎo)這個(gè)方向。

智能車參考：:端到端對(duì)于廠商研發(fā)的變革會(huì)有很大嗎？

有兩派的觀點(diǎn)，一派覺得車輛是一個(gè)系統(tǒng)性的工程，你不要迷信端到端。

有一派則認(rèn)為這是新范式，得All in一樣擁抱。

你是怎么看？

任少卿：我覺得說的都沒有錯(cuò)。

我們一直不是二極管邏輯，這本質(zhì)上是大家用開發(fā)工具一樣，都是寫的代碼，或者說我都是編輯個(gè)視頻，或者說大家都寫文章。

拿文章舉例，那我們都是寫文章，那chatgpt 用不用好像也沒事。

用了后你可能也帶來一些額外的問題，但是用了之后如果用順手了，可能效率能更高一點(diǎn)。

說你不用ChatGPT就落后了，或者說你用了這個(gè)就太激進(jìn)了——這沒什么必要爭，對(duì)吧？

只是說大家挑自己順手的效率工具。

第二個(gè)從長期的角度來說，那可能會(huì)是個(gè)趨勢，只是說大家進(jìn)入端到端的時(shí)間，用起來的時(shí)間和你自己的學(xué)習(xí)時(shí)間不一樣。

智能車參考：端到端會(huì)給你們研發(fā)的流程帶來什么樣改變？

任少卿：這其實(shí)就是個(gè)模型化的事，大家現(xiàn)在過多地關(guān)注這個(gè)事。

模型化對(duì)于自動(dòng)駕駛而言，絕對(duì)不是只是半年的事。

自動(dòng)駕駛最早可能2013年就開始用深度學(xué)習(xí)，逐漸地在增多比例，只是說最近可能大家其他的話題也不多，所以就多說一說。

智能車參考：端到端是一個(gè)模型化的事。

后進(jìn)入端到端的玩家能夠通過開源模型，再投入自己的數(shù)據(jù)，實(shí)現(xiàn)后發(fā)優(yōu)勢嗎？

任少卿：這就跟打魔獸或者打星際一樣，本質(zhì)上就是你先爆兵還是先點(diǎn)科技的問題，一個(gè)意思。

當(dāng)你點(diǎn)科技就意味著說你的生產(chǎn)力，你的錢，花在了科技上，那你爆出來的兵就少一點(diǎn)。

其實(shí)就是說你的功能少一點(diǎn)，或者說你的細(xì)節(jié)上，用戶體驗(yàn)調(diào)整少一點(diǎn)。

智能車參考：所以你覺得還是不同的選擇的問題？

任少卿：但是這件事對(duì)于頭部玩家實(shí)際上是個(gè)長期的事，當(dāng)然短期也要照顧。

所以說科技總得點(diǎn)，只是說你在什么時(shí)間點(diǎn)，有的早升級(jí)，有的晚升級(jí)。

那節(jié)奏的話就很難說了。

因?yàn)樗愕姆N族相關(guān)，跟你的資源相關(guān)，跟你選擇英雄相關(guān)，跟你想打什么，出什么兵也相關(guān)，所以大家自然按自己的節(jié)奏來了，最后就看結(jié)果唄。

智能車參考：端到端對(duì)研發(fā)的要素會(huì)有什么樣的改變嗎？比如數(shù)據(jù)的自動(dòng)化之類的。

任少卿：我覺得數(shù)據(jù)一直都是重點(diǎn)。

只是說大家這個(gè)重視度不一樣，但是我覺得這個(gè)方向是沒有變的，大家肯定是越來越重視。曲線有一點(diǎn)不一樣。

智能車參考：你有什么擁抱端到端的建議？

任少卿：我覺得不需要，就是強(qiáng)調(diào)端到端有點(diǎn)太多了，本質(zhì)上就是AI的一個(gè)應(yīng)用。

人工智能應(yīng)用實(shí)際上就是兩個(gè)核心，第一個(gè)是基礎(chǔ)的能力：模型數(shù)據(jù)。

第二個(gè)是對(duì)于專業(yè)的應(yīng)用領(lǐng)域的理解，就這么兩件事。一撥人可能更多的點(diǎn)的是通用技術(shù)棧，一撥人點(diǎn)的更多的是 domain knowledge。

智能車參考：所以其實(shí)算法、算力和數(shù)據(jù)，這三要素是沒有變化的。

任少卿：只是說現(xiàn)在模型的基礎(chǔ)，模型的變化使得它的通用性變得更強(qiáng)一些，那大家需要去升級(jí)自己的技術(shù)棧。

智能車參考:端到端會(huì)改變自動(dòng)駕駛好與不好的評(píng)價(jià)標(biāo)準(zhǔn)嗎？

任少卿：我覺得好與不好一定是由用戶體驗(yàn)定義的。

這跟技術(shù)是沒什么特別強(qiáng)關(guān)聯(lián)。只能說有的技術(shù)可能去做這件事情花的精力更少一些。

智能車參考：就現(xiàn)在來看，評(píng)價(jià)系統(tǒng)的好壞，更多的還是從數(shù)據(jù)層面，比如接管間隔時(shí)長。

任少卿：對(duì)，因?yàn)槿绻瑯右粋€(gè)用戶，接管的傾向是一樣的，那接管的比例或者接管的里程，是一個(gè)比較重要的參考。

但是不同的用戶其實(shí)也不一樣，因?yàn)橛械挠脩簦憧赡軐?duì)他造成了驚嚇，或者說不安全感的，這個(gè)優(yōu)先級(jí)會(huì)更高一些，或者換句話說，有不安心的監(jiān)管和正常的監(jiān)管，就只是用戶覺得說沒什么不安全，也沒什么不安心，只是我覺得你這個(gè)效率低，可能需要分一下。

智能車參考：自動(dòng)駕駛會(huì)不會(huì)犯類似“分不清9.11和9.9哪個(gè)大”的常識(shí)性錯(cuò)誤？

任少卿：有的，其實(shí)是一樣的，語言模型里面叫幻覺，自動(dòng)駕駛就叫?Corner case。

什么叫Corner Case，或者說誤檢，漏檢。

比如說，語言模型突然輸出了一句莫名其妙的話，自動(dòng)駕駛的感知模型突然間有一幀沒了，或突然間蹦出來一個(gè)實(shí)際上不存在的東西，其實(shí)都是類似的事。

所以自動(dòng)駕駛解決這個(gè)問題，相對(duì)來說比較早了。

那更多的是，通過時(shí)序的切割機(jī)制,通過校驗(yàn)機(jī)制等去解決。

實(shí)際上像語言模型里面管控承諾也是這樣， COT（思維鏈）?的一方面的邏輯實(shí)際上就是讓系統(tǒng)自我校驗(yàn)：

通過一個(gè)更復(fù)雜的輸出表達(dá)，然后自我去校驗(yàn)。

現(xiàn)在也有什么MOE ，還有其他的一些方法，比如說實(shí)際應(yīng)用端的后端的校驗(yàn)，都是同樣的邏輯，所以整體來說就是模型訓(xùn)練，性能對(duì)齊，主要是輸出一個(gè)跟人類偏好差不多東西。

第三個(gè)就是有錯(cuò)的問題，通過多次的校驗(yàn)，用神經(jīng)網(wǎng)絡(luò)，非神經(jīng)網(wǎng)絡(luò)的方法，再加上一些人力規(guī)則的方法去校驗(yàn)這個(gè)事情，把錯(cuò)的東西挑出來變成正確。比如你用的這些聊天軟件的，其實(shí)就是把錯(cuò)的東西挑出來，跟你說這個(gè)東西我不要了。

世界模型

智能車參考：進(jìn)入系統(tǒng)的視頻數(shù)據(jù)，一方面是標(biāo)注的真實(shí)數(shù)據(jù)，另外一方面就是世界模型的生成數(shù)據(jù)，有點(diǎn)像LLM中合成數(shù)據(jù)。

任少卿：如果要定義一個(gè)任務(wù)的話，最終要回答一個(gè)問題，這個(gè)問題就是你定義的任務(wù)有多通用。

從自回歸的角度來說，你定義的任務(wù)越通用越fundamental，從學(xué)術(shù)的角度意義越大，從應(yīng)用的角度也是一樣。

10 年前大家說計(jì)算機(jī)視覺領(lǐng)域的三大 fundamental 的任務(wù)，圖像分類，檢測和分割。

大家想一想，去理解一個(gè)圖像，能對(duì)它進(jìn)行分類，進(jìn)行提框，找出里面的物體進(jìn)行分割，確實(shí)是根本任務(wù)。

但是到了今天，這個(gè)fundamental的定義不夠了。我們需要一個(gè)更根本的問題。

語言問題定義的根本問題，是預(yù)測下一個(gè)token，下一個(gè)詞。

實(shí)際上對(duì)視覺也是一樣。

如果能定義一個(gè)更fundamental的任務(wù)解決問題，因?yàn)樗黤undamental，所以在上面找應(yīng)用，它覆蓋的范圍就更廣。

智能車參考：用視頻生成視頻，本質(zhì)上也是對(duì)問題的窮舉？

任少卿：是的，作為一個(gè)基礎(chǔ)任務(wù)，最根本、最本質(zhì)就是要定義這個(gè)東西。

所以現(xiàn)在的定義就是，視頻去生成視頻這件事情更本質(zhì)，因?yàn)樗馨械钠渌赡苄浴?/p>

輸出視頻是一個(gè)分類，把中間的物體摳出來，那它就是可以做物體檢測的任務(wù)。

輸出的是一個(gè)分割的結(jié)果，就是可以做分割的任務(wù)。

輸出的是一個(gè)三維重建，換個(gè)角度的結(jié)果，就可以做三維重建的任務(wù)。

所以視頻生成視頻這件事情，實(shí)際上從問題的定義上來說是一個(gè)更fundamental 的問題。

而且我們認(rèn)為，重建是對(duì)于時(shí)空理解和對(duì)原始數(shù)據(jù)理解最深刻的表現(xiàn)形式。

因?yàn)榛旧显瓉淼男畔⒘?，都需要重?gòu)出來，才能去做中間的事情。

智能車參考：現(xiàn)在的世界模型和更早前的虛擬仿真，本質(zhì)不同是什么？

任少卿：虛擬仿真實(shí)際上我覺得完全是一個(gè)另外的邏輯。

實(shí)際上是兩個(gè)方向。

一個(gè)方向，我們叫做計(jì)算機(jī)視覺，一個(gè)方向是計(jì)算機(jī)圖形學(xué)。

其實(shí)是分別干了兩件事，一個(gè)事情是理解世界，一個(gè)事情是再造世界，就是虛構(gòu)一個(gè)視覺。

但是最近兩年兩個(gè)方向也越來越近了。從總體上來說，完全地理解這個(gè)世界是世界模型要干的事。

那現(xiàn)在也有一些用原始視頻的方式來仿真，但它本質(zhì)上不是要完全理解這個(gè)事情，不是說給它一個(gè)輸入，就要把輸入完全理解，而是說要重構(gòu)一個(gè)東西出來。

但重構(gòu)的東西不見得是這個(gè)世界的全部。

所以仿真的問題是仿真不包含這個(gè)世界的全部信息。

比如說最早的仿真，拿游戲來舉例，游戲其實(shí)某種情況下就是仿真。

最早的仿真就是大家打紅白機(jī)游戲，有（像素化）粗的信息，但是很多精細(xì)的東西是沒有的。所以仿真一直的問題就是它不斷地逼近真實(shí)世界，但它離真實(shí)世界還有距離。

智能車參考：蔚來講世界模型的時(shí)候，用了類人腦的方式，將其劃分成兩個(gè)部分，這是為了方便聽眾理解，還是系統(tǒng)本身就是劃分成了兩塊？

任少卿：為了讓大家理解，我們會(huì)把它切得很開。

但實(shí)際上做的時(shí)候是耦合在一起做的，也不是完全分開。本質(zhì)上其實(shí)也要想辦法，就是說有一些概念去處理。但是實(shí)際做的時(shí)候不會(huì)像跟大家說的時(shí)候分得這么開，分這么開是為了方便大家理解。

實(shí)際上我們講的時(shí)候，第一部分關(guān)于重構(gòu)，其實(shí)也是重構(gòu)成視頻。

那重構(gòu)成視頻，某種程度上里面也包含時(shí)間的信息，只是說我們給大家講例子它不會(huì)那么長。

我們講第一部分的時(shí)候，重構(gòu)可能就是一個(gè)很小的范圍，那講第二部分的時(shí)候，我們就可以更強(qiáng)調(diào)它的時(shí)間長，它的變化多，但是實(shí)際上它是耦合在一起的。

智能車參考：對(duì)生成式AI關(guān)注多嗎？

任少卿：我覺得挺好，最近實(shí)際上變化很大呀。

就是我為什么要去說世界模型這件事，會(huì)往這個(gè)方向走？

因?yàn)榫褪腔氐絼偛拍莻€(gè)話題，端到端、非端到端只是智能駕駛領(lǐng)域的一個(gè)大家討論的事。

從技術(shù)角度來說，實(shí)際上從更大的范圍之內(nèi)，那自動(dòng)駕駛和機(jī)器人與大語言模型的融合是什么樣的方式？

智能車參考：世界模型，就是你們給出的一個(gè)方式。

任少卿：對(duì)，它是一個(gè)更貼近通用的一個(gè)方式，自動(dòng)駕駛能用，機(jī)器人能用。

那語言模型，后面的原生規(guī)模也會(huì)是類似的框架。

當(dāng)然我們其實(shí)還有更激進(jìn)的方式，就融合所有域，但是那個(gè)后面再說。

智能車參考：規(guī)模很宏大，會(huì)遇到工程問題嗎？

任少卿：很多工程問題，所以現(xiàn)在給大家講的世界模型，它會(huì)更貼近于下一個(gè)階段的機(jī)器人、自動(dòng)駕駛，以及語言模型的基本框架。

智能車參考：什么是世界模型的多元自回歸生成結(jié)構(gòu)？

任少卿：其實(shí)這里面的這三個(gè)東西，和大家實(shí)際上都在研發(fā)的語言模型，機(jī)器人框架，很類似。

里邊有三個(gè)關(guān)鍵詞，從右往左說，第一個(gè)是生成，這個(gè)生成的方式，它有很多的優(yōu)勢，你不用標(biāo)數(shù)據(jù)了，你的學(xué)習(xí)效率更高，所以語言模型早就是生成了。

機(jī)器人的數(shù)據(jù)更少，它也只能生成它，它標(biāo)也標(biāo)不動(dòng)，那自動(dòng)駕駛往這個(gè)方向走也沒問題。

那自回歸本質(zhì)上可以解決長時(shí)序的問題，所以語言模型long contacts也是類似的方式。自動(dòng)駕駛和機(jī)器人要解決長時(shí)序的問題，也得用這種方式。

多元是什么呢？

多元就是這個(gè)multivariable input 和output(多模態(tài)輸入與輸出)，本質(zhì)上是要解決多數(shù)據(jù)源的問題，那之后自動(dòng)駕駛想用互聯(lián)網(wǎng)的數(shù)據(jù)，或者互聯(lián)網(wǎng)想用更多領(lǐng)域的數(shù)據(jù)，其實(shí)都要用類似的這種方式。

我們是希望通過這些框架，去打通跨領(lǐng)域的事。

智能駕駛四大關(guān)鍵技術(shù)要素

智能車參考：現(xiàn)在NAD(蔚來智能駕駛)的迭代過程中，車主的反饋也是一個(gè)很重要的機(jī)制？

任少卿：比如說一個(gè)模型上車了之后，舉個(gè)簡單例子，模型這個(gè)時(shí)間點(diǎn)執(zhí)行不減速，那車主突然一腳踩下剎車，肯定就是有問題。

拿出來看看問題在哪，需不需要重新讓模型學(xué)一下。

智能車參考：現(xiàn)在都在做城區(qū)NOA，但每一家最后呈現(xiàn)的體驗(yàn)不同，你覺得是什么因素決定的？

任少卿：可以認(rèn)為有四大因素：

第一是模型，第二是數(shù)據(jù)，第三是優(yōu)化——模型總是會(huì)出問題，出了問題之后怎么用其他的方式、基于優(yōu)化的方式去做聯(lián)動(dòng)。

第四個(gè)是功能的多少，你 feature 有多少，實(shí)際上就是基于前面三塊，但并不是完全相關(guān)。

所以模型的角度實(shí)際上就是我們這次所說的核心。

每家其實(shí)會(huì)有不一樣，甚至說每家不一樣的點(diǎn)還不少，這是模型的角度。

第二個(gè)就是數(shù)據(jù)的角度，數(shù)據(jù)多還是少、頻率快還是慢。這方面其實(shí)車廠會(huì)有一些優(yōu)勢。

因?yàn)閿?shù)據(jù)變化跟這些供應(yīng)商比，車廠會(huì)更好一些。

對(duì)于我們來說，蔚來數(shù)據(jù)閉環(huán)做的，我覺得可能是全球最好。

第三個(gè)實(shí)際上就是說，模型輸出的結(jié)果也會(huì)有問題，那處理的方式，導(dǎo)致的效果更好還是效果更差？

效果好，其實(shí)有兩點(diǎn)，第一點(diǎn)是說不要誤殺它的結(jié)果。

第二個(gè)是，如果不是誤殺了模型的結(jié)果，模型做得不好的時(shí)候相對(duì)來說更絲滑：

不要出現(xiàn)這個(gè)模型前半段這么開的，后半段不是了，后半段輸出的軌跡不平緩。

比如說，系統(tǒng)突然打方向盤，雖然做對(duì)了沒撞墻，那對(duì)用戶來說肯定也不好，明顯有段落感，體驗(yàn)不好。

第四個(gè)就是說基于以上有什么新的功能。

從功能的角度，從用戶體驗(yàn)的角度來說，能不能做得更好。

這就包括用戶的監(jiān)控，跟用戶的交互，那往后的點(diǎn)到點(diǎn)、L3要做得怎么樣。

總結(jié)來看，技術(shù)能不能做到一個(gè)層級(jí)，這個(gè)事情很重要。

因?yàn)槟撤N程度上來說，模型數(shù)據(jù)根本上是為了提高效率，這是第一點(diǎn)。

第二個(gè)是提升上限，但是實(shí)際上它并不能保證它的下限一定在提高，它有可能下限在下降。

所以后面包括融合模型和優(yōu)化方法，實(shí)際上就要保證下限能提回去或者提得更高，同時(shí)又不降低效率。

第四個(gè)就是前面都有了，需要讓用戶用得爽，需要讓用戶有更多的功能，因?yàn)榍懊孢@些都不涉及功能。

智能車參考：你自己現(xiàn)在會(huì)坐其他的車嗎？

你主要關(guān)注一些什么？

任少卿：我覺得分短期、長期吧。

從蔚來自己的價(jià)值體系，我一直說解放精力、減少事故，說白了實(shí)際上第一個(gè)就是讓用戶用得更舒心，用得時(shí)間更長，第二個(gè)就是更安全。

如果我們從這兩個(gè)角度來說，回溯前面十年自動(dòng)駕駛的發(fā)展，從解放精力的角度來說，功能從ACC變成了LCC，變成了高速領(lǐng)航，再到現(xiàn)在做城區(qū)領(lǐng)航。

前面三個(gè)實(shí)際上都是相當(dāng)于走完了1到N的階段，基本上已經(jīng)很成熟。

城區(qū)NOA從去年到今年可能早一些時(shí)候，走完了 0 到 1 的，還要走 1 到 n 的。1 到 n 當(dāng)然需要一些時(shí)間，差不多要一年，就能比較成熟。但是這個(gè)是說已有的。

那下面從實(shí)際解放精力的角度，這個(gè)角度肯定還有新的0到1出現(xiàn)。

不是說前面的1 到n做完了，才做下面的 0 到 1 。比如說城區(qū)的，0到1，開始的時(shí)候高速還沒有完全成熟，其實(shí)還有再下一個(gè)節(jié)點(diǎn)。

現(xiàn)在大家會(huì)說，我在城區(qū)里面覆蓋更多的場景，比如做點(diǎn)到點(diǎn)；同時(shí)也會(huì)做L3，就是說讓人解放得更多，因?yàn)槲覀冏罱K都是要解放精力。做點(diǎn)到點(diǎn)的意思是說能覆蓋的范圍更大，覆蓋的用戶時(shí)間更多。

那做L3，或者說脫手脫眼的這個(gè)功能的話，實(shí)際上就在原來已有的范圍之內(nèi)，能讓解放的比例更高。

從減少事故的角度來說，主要是主動(dòng)安全，一直在進(jìn)步，覆蓋的場景在變多。

但是我們覺得這個(gè)還不是特別夠。

它相當(dāng)于從大的層面上，比如說真實(shí)世界是張餅，原來只是餅的左邊有兩粒芝麻，我現(xiàn)在希望拿這個(gè)芝麻撒餅，差不多都能覆蓋到。

我最終還是希望主動(dòng)安全能做到真正減少事故。

但從個(gè)體的角度來說，這件事情的不確定性很大。

因?yàn)榭赡芙裉靹幉涿魈鞗]剮蹭，這個(gè)是有一些偶然因素的，但從群體的角度來說，所有的車主的車，今年產(chǎn)生一共多少次事故？

我們希望說，從今年開始，每年能實(shí)質(zhì)性地往下走10%-20%。

對(duì)于個(gè)人用戶來說可能沒有這么明顯，但從一個(gè)群體的角度來說，進(jìn)展會(huì)非常明顯。

實(shí)際上我們發(fā)現(xiàn)高速上開輔助駕駛的安全性，已經(jīng)是不開輔助駕駛的六點(diǎn)幾倍了。

但是因?yàn)槲覀冏罱K的目標(biāo)是解決全量車主在所有時(shí)間，不管在什么狀態(tài)下，實(shí)際上的事故總量的減少。

如果要做這件事情，實(shí)際上輔助駕駛在這里面的比例還是比較低的。更大的比例是人駕的狀態(tài)。就是需要減少人駕狀態(tài)的事故。有提醒有剎車，能真正降低全量事故的比例。

所以我們?yōu)槭裁聪茸龆说蕉说腁EB。

是因?yàn)槲覀儼l(fā)現(xiàn)全量事故里面將近30%左右的場景，是因?yàn)橐惠v車正在開，尤其是國內(nèi)過路口的時(shí)候，一輛電瓶車從各種角度過來，行人從不同角度過來，更多的是這樣。

那原來的AEB功能，更多的是一輛車，如果是完全垂向接近的時(shí)候能剎車，當(dāng)它帶點(diǎn)角度的時(shí)候，成功率就會(huì)下降很多。

寫規(guī)則搞不定這事，所以為什么上端到端去搞這些事？實(shí)際上我們希望這種場景先往下降，后面我們也會(huì)去上針對(duì)于通用障礙物更強(qiáng)的主動(dòng)安全功能。

智能車參考：實(shí)際上還是整體系統(tǒng)基礎(chǔ)的技術(shù)能力不斷地在提升？

任少卿：瞄的目標(biāo)也不一樣。

其實(shí)大家之前做的主動(dòng)安全絕大多數(shù)的廠商包括供應(yīng)商都是，做主端安全的目標(biāo)是拿到5星，就是拿到比如說E-NCAP、 C-NCAP的 4 星或5 星成績，這是大家最主要的目標(biāo)。

最近也多了一些評(píng)測機(jī)構(gòu)又搞了一些新型的評(píng)測。大家可能也想拿個(gè)高分。

但是我們在這個(gè)基礎(chǔ)之上，更希望去做的是，能實(shí)質(zhì)性地減少事故數(shù)。

NIOIN也說了，我們統(tǒng)計(jì)下來的數(shù)字，如果只是做這些標(biāo)準(zhǔn)場景的AEB，實(shí)際上在真實(shí)場景里面可能只能搞定 10%?。

因?yàn)閷?shí)際上 AEB 即使觸發(fā)，也不是100%能完全停下來。

只做法規(guī)清單的這些要求，可能最高才能解決10%的場景。但如果要再考慮一下有沒有響應(yīng)、有沒有剎停，比例肯定會(huì)到一個(gè)比較低的個(gè)位數(shù)。那還剩 95% 以上的場景怎么解決呢？

L2+向L4升維

智能車參考：L2+能通過端到端，堆數(shù)據(jù)、算力、傳感器，向L3和L4躍遷嗎？

任少卿：我覺得實(shí)際上分開看， L4 是什么，如果說L4是Robotaxi，讓車自己，或者讓私家車自己出去拉貨或者拉人，我覺得反正不太現(xiàn)實(shí)。

技術(shù)上可能某年某月能實(shí)現(xiàn)，但這件事情從社會(huì)的意義上也沒那么大。

本身交通運(yùn)營中有人在這里面去提供服務(wù)去賺錢，這事挺好。

那私家車都去干這個(gè)事，然后呢？你怎么去平衡這些關(guān)系？所有的私家車如果都沒事就上街溜，那我覺得這路就沒法開了。

這根本是一件我覺得很莫名其妙的事。

智能車參考：你質(zhì)疑這個(gè)底層的邏輯，或者它的社會(huì)價(jià)值。

任少卿：我是有疑問的。

很簡單，現(xiàn)在不要說所有的私家車了，有一半的私家車上路，這路就不用動(dòng)了。

智能車參考：那未來Robotaxi隨叫隨到了，大家都不買車了，可能嗎？

任少卿：不可能。

這個(gè)事情其實(shí)我?guī)啄昵熬拖朊靼住?/p>

我買車之前也是這么覺得的。那時(shí)候我天天打車，但是實(shí)際上因?yàn)橛么蜍囓浖?，比較好算。到了年底，算一下你今年花了多少錢？肯定沒有養(yǎng)車貴，所以我覺得好像不需要養(yǎng)輛車。

但是當(dāng)我自己真的買車后，我覺得還是不一樣。因?yàn)槲矣X得網(wǎng)約車只能產(chǎn)生一個(gè)，比公交車，比地鐵可能更深化一些的出行手段。

但是有車是加大了你可到達(dá)的范圍。但是網(wǎng)約車是不解決這個(gè)問題的。自己有車之后，可能周末出去的空間范圍就會(huì)更大。

智能車參考：從技術(shù)上講，一輛車有一個(gè)虛擬的司機(jī)，任何時(shí)候、任何場景能自己去開，現(xiàn)在已經(jīng)能夠?qū)崿F(xiàn)了嗎？

任少卿：那個(gè)定義實(shí)際上叫L5。

你看現(xiàn)在沒有人提L5，因?yàn)楸举|(zhì)上說L3，是在某些限定場景，有一個(gè)虛擬司機(jī)——其實(shí)都不算司機(jī)，因?yàn)橄到y(tǒng)可能會(huì)叫你立刻回去接管。

那L4是說在一些固定的場景，一些點(diǎn)到點(diǎn)，系統(tǒng)能開車。

剛才說的實(shí)際上是需要一個(gè)完全私家司機(jī)，他能去應(yīng)對(duì)任何場景，這個(gè)叫L5，現(xiàn)在大家提都不提，因?yàn)樗容^遠(yuǎn)。

智能車參考：“比較遠(yuǎn)”的原因你覺得是什么？

任少卿：我覺得是各種各樣的場景，還比較復(fù)雜。

L5更接近一個(gè)通用人工智能，同時(shí)我覺得需要解決各種各樣的復(fù)雜場景的 corner case，隨著技術(shù)進(jìn)步慢慢弄。

對(duì)于價(jià)值點(diǎn)上來說，我覺得如果要實(shí)現(xiàn)L5并不只是一個(gè)技術(shù)上的問題。

因?yàn)槿绻幸粋€(gè) L5 的話，我認(rèn)為可能城市都會(huì)因此發(fā)生變化。

我舉個(gè)例子，如果真的有一個(gè) L5 的車，我為什么還要住在城市里呢？

我希望下了班之后就上車，我上車該干嘛干嘛，該洗澡洗澡，該開會(huì)開會(huì)，該睡覺睡覺，該吃飯吃飯，然后我想下車的時(shí)候他就在一個(gè)風(fēng)景很好的地方。比如說我晚上干完活，想出去溜達(dá)的時(shí)候，已經(jīng)在山里的湖邊了。

我為什么要住在城區(qū)里呢？

如果是L5出現(xiàn)，整個(gè)社會(huì)都會(huì)改變，它已經(jīng)不是單純的一個(gè)技術(shù)方式。

智能車參考：L5級(jí)自動(dòng)駕駛相對(duì)來講，是更終極的目標(biāo)，但為什么從業(yè)者又不把它當(dāng)做一個(gè)目標(biāo)？

任少卿：我覺得沒有說不能把它當(dāng)成一個(gè)目標(biāo)，只是大家覺得這個(gè)事還比較遠(yuǎn)。

如果從長期的角度，我覺得它總有一天會(huì)實(shí)現(xiàn)。
只是說現(xiàn)在從商業(yè)，從技術(shù)角度來說大家并不是說，我今天就是瞄了這個(gè)事，然后我就不干別的了。

因?yàn)閺牧慨a(chǎn)的角度，從賺錢的角度來說，單獨(dú)商業(yè)模式的角度L2、L3、 L4 都是成立的。那就相當(dāng)于心理路徑上，你有一個(gè)點(diǎn)在那，就先做這個(gè)。

智能車參考：有人說，自動(dòng)駕駛分有人和無人這兩條路，會(huì)越分越開。你認(rèn)同嗎？

任少卿：沒有，因?yàn)槲矣X得他們說這是兩條路，沒看到是兩條路，現(xiàn)在做L5又是什么路呢？

現(xiàn)在不還是用同樣的邏輯在做？

智能車參考：就比如說我們做有人的這個(gè)智能輔助駕駛，根本上還是為了輔助人，所以最后一定有個(gè)車主作為兜底，或者車主作為最后的一道把關(guān)。

而做無人的，他從系統(tǒng)設(shè)計(jì)開始，到整個(gè)過程和結(jié)束，他就一定是要把人的因素給剔除出去的。所以可能會(huì)導(dǎo)致這兩個(gè)，大家最后設(shè)計(jì)的時(shí)候，一個(gè)是面向了舒適，一個(gè)是面向了車主的體驗(yàn)，一個(gè)是面向了安全，就是我絕對(duì)不能任何情況下我都不保證說是這個(gè)人要去接管的。

任少卿：我覺得宏觀上可以這么說，但是這個(gè)事情如果我們這么說，其實(shí)就很難得到一個(gè)結(jié)論，還是要拆到微觀上到底有多少東西是不一樣。

那主要從現(xiàn)在這個(gè)技術(shù)，我覺得不一樣的東西沒有這么多?；蛘哂植皇钦f主要的部分是不一樣的，主要的部分反而是相對(duì)比較像，這個(gè)是問題。

智能車參考：所以你覺得這些要素的構(gòu)成，沒有長出兩個(gè)不同的東西。

任少卿：它當(dāng)然有不同，但是你要看它的比例，它的比例上這個(gè)絕大多數(shù)是比較類似的東西。

激光雷達(dá)裝不裝，看成本考量

智能車參考：有激光雷達(dá)的融合感知，和純視覺路線，你是怎么看的？

任少卿：本質(zhì)上智能駕駛是一個(gè)冗余的系統(tǒng)，這套系統(tǒng)設(shè)計(jì)上，你愿意為冗余花多少代價(jià)。

智能車參考：用不用激光雷達(dá)，你覺得是技術(shù)問題還是還是成本問題？

任少卿：我覺得就是從成本和落地，如果今天激光雷達(dá)一個(gè)50萬美金，那可能Robotaxi也不會(huì)上。如果今天激光雷達(dá)，還是一個(gè)1萬美金，那量產(chǎn)車也不會(huì)上，那就是因?yàn)樗裉毂阋肆?，那量產(chǎn)車也上了。

智能車參考：多一個(gè)傳感器的信息，會(huì)不會(huì)加大處理數(shù)據(jù)的難度？

任少卿：比如說我們拿醫(yī)療舉例子，那為啥不拿一個(gè)攝像頭去盯人看CT？為啥非得搞個(gè) CT 出來。

同樣的邏輯，本質(zhì)上就是說產(chǎn)出和你的投入能不能算得過來。

其實(shí)某種程度上，如果我們估計(jì)激光雷達(dá)的性能不變的話，投入就是越來越低。

特斯拉決定現(xiàn)在這套傳感器的時(shí)候，應(yīng)該已經(jīng)在 10 年到 15 年之前，那時(shí)候不可能(用激光雷達(dá))。如果我換到馬斯克的位置上，我都已經(jīng)產(chǎn)了 100 萬、 200 萬輛車，現(xiàn)在上個(gè)激光雷達(dá)，我前面的車怎么辦。

智能車參考：所以你覺得，從商業(yè)的那個(gè)維度上，馬斯克必須要一條路走到底？

任少卿：他沒有辦法，他怎么選擇呢？比如說即使他今天覺得激光雷達(dá)好，同時(shí)現(xiàn)在激光雷達(dá)便宜了，原來可能覺得原來激光雷達(dá)很貴，那我不上。

那現(xiàn)在便宜了，如果說激光雷達(dá)就是 200 塊錢，他依然會(huì)面臨問題，他上還是不上，就雖然他從 ROI的角度來說他已經(jīng)完全能算得過來了，但是問題是說他上了之后，他前面的車怎么辦，以及整體的用戶口碑怎么辦。

智能車參考：如果說一開始就確定了激光雷達(dá)的冗余方案，現(xiàn)在又要把激光雷達(dá)拿掉，用視覺的方案，它在技術(shù)上有什么不一樣？

任少卿：技術(shù)上完全是一樣的。

因?yàn)楝F(xiàn)在模型很多都是一體化的。

原來是訓(xùn)練數(shù)據(jù)是攝像頭、激光雷達(dá)都進(jìn)去，出來結(jié)果?，F(xiàn)在把激光雷達(dá)結(jié)束，代碼上改了，就這么簡單。

智能車參考：所以，現(xiàn)在用激光雷達(dá)還是用戶的一個(gè)心智問題？

任少卿：這其實(shí)是個(gè)成本的問題，就是斌哥說的那句我們其實(shí)越來越認(rèn)同。就是一個(gè)氣囊，你多裝幾個(gè)，有的車裝 10 個(gè)，有的車裝 18 個(gè)，那你裝幾個(gè)？

你當(dāng)然是便宜的車，你裝 18 個(gè)，這可能不太現(xiàn)實(shí)，那你貴的車多裝點(diǎn)。

這跟這個(gè)大家在車上的抗扭剛度，你用的這個(gè)材料，比如說防撞梁的厚度其實(shí)都類似，對(duì)吧？就是相當(dāng)于說大家都知道安全好，那我這個(gè)加得多好，但是問題是你怎么平衡你的成本和收益？

原來可能十年前，奔馳的S級(jí)上也有激光雷達(dá)的，只是說一個(gè)激光雷達(dá)可能要十幾萬，對(duì)吧？那它就不是一個(gè)民用車的配置。

只是說現(xiàn)在它越來越便宜了，所以你越來越多的車有，但是它畢竟還沒便宜到說一個(gè)3萬塊錢的車也能裝的成本，所以它自然就是有的車有的車沒有罷了。

智能車參考：拋開成本的角度，去講技術(shù)的體驗(yàn)，有激光雷達(dá)和純視覺的方式，不同方式間你覺得現(xiàn)在差別大嗎？

任少卿：我們很難去定義大與小這個(gè)事嘛。就是說怎么說大與??？

比如說一個(gè) 30 萬車的座椅和 20 萬車的座椅大還是??？差異大還是??？我真的沒辦法回答這個(gè)問題，那有些人覺得說那我就是想買更好的，那你就去買更好。

那有人覺得說，還是需要，相對(duì)來說性價(jià)比更高一點(diǎn)，或者相對(duì)來說這個(gè)價(jià)格更低一些。

智能車參考：就是個(gè)人選擇和廠商選擇的問題，因?yàn)檫x擇，所以相信？

任少卿：是，因?yàn)楸举|(zhì)上這個(gè)事情就客觀存在。

比如說十幾萬的車，你現(xiàn)在市場上沒有哪家有激光雷達(dá)的，對(duì)吧？

那50 萬以上的新車可能就全都有，就是這么一個(gè)現(xiàn)實(shí)的情況，對(duì)吧？

那這個(gè)我們說它是好是壞，這些東西我覺得沒有意義。

智能車參考：純視覺信號(hào)更純粹，產(chǎn)出的結(jié)果會(huì)不會(huì)更絲滑一些？

任少卿：只能說它的系統(tǒng)更簡單。那你當(dāng)然是說你的東西少，你就更簡單了。

那跟造車一樣，你說有的車，上面這個(gè)密密麻麻裝 20 個(gè)麥克風(fēng)，跟裝兩個(gè)麥克風(fēng)，哪個(gè)系統(tǒng)更簡單？一定是裝兩個(gè)麥克風(fēng)的系統(tǒng)更簡單，這不廢話嘛。

一定是裝20 個(gè)麥克風(fēng)，還想把它的性能發(fā)揮出來，要更麻煩，比如蔚來車上裝了7.1.4沉浸聲音響，那一開始上線的時(shí)候硬件是裝上去了，沒有音源，那還得去搞音源，那么又花一堆時(shí)間搞音源。

那當(dāng)然復(fù)雜了。

那你如果不裝這玩意，那你就隨便該用什么放用什么放唄。

其實(shí)是類似的邏輯，你說激光雷達(dá)和攝像頭進(jìn)去了，你必然這個(gè)系統(tǒng)并不是完全對(duì)齊的，那你需要有更復(fù)雜的軟件，去解決這個(gè)問題。

人也是一樣啊，我前兩天看那個(gè)關(guān)于人腦的書，就是我們的腦耳朵和眼睛的延時(shí)是不一樣，那你的大腦也需要去處理這個(gè)問題，就是耳朵是更快，眼睛是更慢，但是我們平時(shí)完全感覺不到這件事情是因?yàn)榇竽X去做了這個(gè)處理。

但是在某些場景上，某些場景下它是有區(qū)別的，比如說就是短跑發(fā)令的時(shí)候，都是用槍，不是用光，對(duì)吧？但是我們說你光的傳遞速度一定比槍快、比聲音快，你為啥不用光呢？是因?yàn)樗X子里面光傳得更慢，就視覺信號(hào)傳得更慢。

智能車參考：所以你不會(huì)面臨這樣的挑戰(zhàn)或者是質(zhì)疑：

你們不用純視覺，所以技術(shù)沒有用純視覺的好？

任少卿：樂道就是純視覺，更多的我們不認(rèn)為說它是一個(gè)技術(shù)的原因，而是因?yàn)樗褪钱a(chǎn)品定義的問題，那你需要讓用戶用一個(gè)合理的價(jià)格去買到一個(gè)對(duì)它來說性價(jià)比更高的事情，所以為什么說我們樂道用純視覺？因?yàn)槲覀兿Ｍ膬r(jià)格更便宜，對(duì)吧？所以我們就是說需要在這方面去降本。

智能車參考：有算力成本下降的原因嗎？?即芯片的算力成本，下降的速度比激光雷達(dá)要更快，所以可以用更大的算力去承載視覺方案。

任少卿：會(huì)有一個(gè)取舍。

比如你如果說在一個(gè)方案上你都想往下降 3, 000 塊錢，那你到底是砍激光雷達(dá)，還是別的傳感器，或者砍芯片？

你當(dāng)然都是會(huì)有這樣的一個(gè)平衡。比如說我們樂道的方案，其實(shí)我們就會(huì)面臨，如果我把激光雷達(dá)加上去，可能要把芯片做得更小，對(duì)吧？

那我們從系統(tǒng)上的評(píng)估來說，我可能還是維持這個(gè)單 orin的芯片，然后把激光雷達(dá)去了，然后再加一個(gè)我們自己定制的毫米波雷達(dá)，自己定制的比這個(gè)傳統(tǒng)的毫米波雷達(dá)稍微好一些，但是實(shí)際上就是原來可能前兩年的市面上的一般的毫米波雷達(dá)是要更便宜，性能我們通過前融合的方式去提高。那最終產(chǎn)生一個(gè)，這樣的一個(gè)bom成本下，那最好的體驗(yàn)。

智能車參考：假設(shè)你有朋友要買車，然后他最看重智駕能力，一個(gè)車有激光雷達(dá)比如蔚來，一個(gè)沒有激光雷達(dá)比如樂道，你的建議是什么？

任少卿：看你愿意出多少錢，就很簡單，就是有錢就上蔚來。

本質(zhì)上我覺得這個(gè)事情很難給消費(fèi)者建議，因?yàn)榇蠹业念A(yù)算都是根據(jù)自己的實(shí)際情況來，對(duì)吧？

對(duì)于消費(fèi)者來說，你多5萬塊錢，那對(duì)于這樣一個(gè) 20 萬的車還是一個(gè)不小的差別，所以我覺得大家還是按照自己的預(yù)算來就好。

我們其實(shí)要做的就相當(dāng)于說在同樣的價(jià)錢上，把體驗(yàn)的性價(jià)比做的更高，比如說樂道L60，這樣一個(gè)車，20萬塊錢左右。

然后空間大，還能換電，同時(shí)這個(gè)自動(dòng)駕駛也能去開城區(qū)NOA。那我們就說這樣的一個(gè)功能和這樣的一個(gè)價(jià)格，它是性價(jià)比更高了。

智能車參考：樂道和蔚來不會(huì)說因?yàn)閮r(jià)錢的不同，所以智駕體驗(yàn)就要低一些？

任少卿：智能駕駛這個(gè)能力，我們肯定是說每一個(gè)平臺(tái)，我肯定都希望說在它的硬件基礎(chǔ)上做到最好，但是我們本身應(yīng)該怎么做，它本身有硬件的差距，這個(gè)大家也得客觀承認(rèn)。有的多花錢，有的少花錢。

L3是自動(dòng)駕駛的iPhone 4時(shí)刻嗎？

智能車參考：:你覺得我們智能駕駛有ChatGPT或者說iPhone時(shí)刻嗎？有這種可以期待的節(jié)點(diǎn)嗎？

任少卿：我覺得其實(shí)之前也有挺多節(jié)點(diǎn)，比如說你可能回到兩三年前，大家覺得說中國的這個(gè)城區(qū)NOA能推得這么快嗎？好像也不太可能，也沒想到過，對(duì)吧？

高速NOA現(xiàn)在這么成熟，如果回到五年前也沒想到過。

所以我覺得它有一個(gè)里程碑級(jí)別的特別具體的點(diǎn)。

比如說我們剛才回憶說，第一次高速NOA或者說城區(qū)NOA第一次開通，那其實(shí)如果回想起來也是很重要的時(shí)間點(diǎn)，只是說，可能增量也會(huì)更多一些。

后面可能等到哪一天正式 L3 量產(chǎn)了，那也是一個(gè)（里程碑）。甚至說我覺得十年之后回憶，比如說百度robotaxi出圈，那可能現(xiàn)在這個(gè)時(shí)間點(diǎn)也是一個(gè)。

智能車參考：站在未來，現(xiàn)在我們很難去定義一個(gè)時(shí)刻？

任少卿：這么想嘛，就是說 iPhone 4 發(fā)布的時(shí)候，誰能想到iPhone從iPhone 4 之后就，越來越不行了，從變革的角度看的話，對(duì)吧？誰能想到說 iPhone 4 是最大的一代變革？我當(dāng)年買iPhone4的時(shí)候，沒覺得是這樣。

智能車參考：所以是不是意味著比如說L3，大概可能是自動(dòng)駕駛的iPhone 4時(shí)刻？

任少卿：不知道。

我覺得這只能說，本質(zhì)上如果之后自動(dòng)駕駛發(fā)展，確實(shí)越來越慢了，那就是這樣。

但如果之后越來越快了，可能又蹦出來一次（iPhone 4時(shí)刻）。

那你站在 iPhone 3 的時(shí)候，你怎么知道后面有沒有出現(xiàn)iPhone 4？

還是說另外一個(gè)平行時(shí)空iPhone 3是個(gè)頂峰，然后后面就越來越慢了。

因?yàn)檫@個(gè)東西確認(rèn)的不是你自己做的好與壞，而是后面的人，后面的是給你個(gè)評(píng)價(jià)，對(duì)吧？

后面做的這些哥們兒，他是不是比你厲害？

如果這些哥們兒實(shí)際上都沒你厲害，那你就最強(qiáng)了，對(duì)吧？那你沒法預(yù)測，因?yàn)檫@是后人的事情。

智能車參考：說我們?yōu)槭裁匆欢ㄒ鯨3？

任少卿：:沒啥，我覺得對(duì)于輔助駕駛你需要一個(gè)更強(qiáng)的使用，是對(duì)于用戶的解放。

對(duì)于用戶的價(jià)值也很清楚，就是說對(duì)女生來說，那我能不能上車化個(gè)妝？

對(duì)男人來說，那我想要說能不能上車打局游戲，就這么簡單的事，那就怎么滿足用戶吧。

智能車參考：所以L3相對(duì)來講，是你們內(nèi)部比較明確的一個(gè)實(shí)現(xiàn)目標(biāo)？

任少卿：肯定是需要，但它叫什么都行。我只是說 L3 其實(shí)不是我們內(nèi)部常規(guī)的叫法。

我們內(nèi)部是不拿這些東西說概念的，就是說你能不能讓用戶去打電話，讓用戶上車開播，讓用戶上周打游戲，對(duì)吧？類似這樣的。那再下一個(gè)是能不能讓用戶上車睡覺。

但我們從來我們不打算做讓用戶上車睡覺的事，覺得離我們比較遠(yuǎn)。

所以現(xiàn)在可能考慮，下一個(gè)階段讓用戶上車吃個(gè)飯，上車打個(gè)游戲。

智能車參考：每一個(gè)任務(wù)都有這種場景性的定義。

任少卿：對(duì)，因?yàn)槟阏f不定你到底給用戶產(chǎn)生了啥價(jià)值。對(duì) toc產(chǎn)品公司來說，你一定是要給用戶產(chǎn)生一個(gè)具體的價(jià)值。

否則說你就跟用戶說這個(gè)多好，但是到底能讓他干啥，說不清楚，沒意義。

回應(yīng)李斌“靈魂之問”時(shí)，在回應(yīng)什么？

智能車參考：你回答斌哥的靈魂之問，認(rèn)為蔚來絕對(duì)是智駕第一梯隊(duì)。你的依據(jù)是什么？

你怎么去判斷這個(gè)梯隊(duì)？

任少卿：我覺得每個(gè)人的定義不一樣，我也不知道啥叫第一梯隊(duì)，只在我的這個(gè)印象中，或者在我的這個(gè)邏輯里面，那現(xiàn)在你就要做幾件事：

第一個(gè)是說城區(qū)能開，因?yàn)檫@是 0-1 的階段，對(duì)吧？

其實(shí)大家能看到，0-1一個(gè)階段完成，然后剩下的城區(qū)實(shí)際上就是進(jìn)入優(yōu)化的階段，那優(yōu)化其實(shí)每家可能有些優(yōu)化多一點(diǎn)，那個(gè)點(diǎn)優(yōu)化少一點(diǎn)，我覺得這個(gè)也屬于比較焦灼，然后不是一個(gè)特別具體的階段。

大家說的現(xiàn)在關(guān)心的比較多的端到端模型化的事，但是我覺得這都是屬于更偏底層的事，那更偏上層的事，那這個(gè)說點(diǎn)到點(diǎn)，然后那其實(shí)我們現(xiàn)在說了應(yīng)該也可以很快適配。

然后這個(gè) L3、L4，其實(shí)都沒上車，但是我們?nèi)脒x了L3的第一批試點(diǎn)。

然后這個(gè)L4我們不算L4，我們不叫它L4，但是從用戶的角度來說是可以讓你下車的，這應(yīng)該后面也會(huì)上，就換電站，離車的換電，實(shí)際上從技術(shù)手段上來說它不是個(gè)L4，但是從用戶體驗(yàn)上是。從這個(gè)減少精力的角度來說，從減少事故的角度來說，我覺得那我們其實(shí)265算是一個(gè)比較大的版本

因?yàn)槲覀兊淖罱K目的就是要減少事故，我們265因?yàn)楝F(xiàn)在時(shí)間還比較短，大概發(fā)出去兩周，我們實(shí)際上從 265 的版本的報(bào)案數(shù)據(jù)已經(jīng)明顯比 260 要少，是一個(gè)能看到的比例，我覺得在這個(gè)點(diǎn)上實(shí)際上我們是走上了一個(gè)更正確的道路，就不要老是貼小視頻說我到底有多強(qiáng)。

因?yàn)槊考叶寄苜N出來小視頻。其實(shí)說真的就每家都能貼出來，但這個(gè)事更多的還是一個(gè)營銷手段。

我覺得還是希望從技術(shù)角度來說，希望說我們確實(shí)真正地減少事故，這個(gè)事情是確定的，同樣能證明的事。

你像斌哥說的，中國現(xiàn)在一年可能因?yàn)榻煌ㄊ鹿仕劳鰩兹f人，這個(gè)是我們主動(dòng)安全要做的。

其實(shí)我們也在跟一些部委在考慮一些其他的方式，那么進(jìn)一步減少事故。

我覺得這些東西本質(zhì)上回歸價(jià)值，回歸用戶體驗(yàn)，對(duì)吧？

那我覺得在這些點(diǎn)上其實(shí)我們都是某種程度從已有的東西上有，那從遠(yuǎn)期的東西上我們覺得思考得可能更全面一些，就逐漸給大家交付。

智能車參考：所以歸根結(jié)底，城區(qū)NOA，能不能開，是檢驗(yàn)?zāi)芰Ρ容^核心的一個(gè)標(biāo)準(zhǔn)？

任少卿:只是一個(gè)標(biāo)準(zhǔn)，我覺得反正也不能說是核心的標(biāo)準(zhǔn)，只是一個(gè)標(biāo)準(zhǔn)。

剩下就剛才說的這個(gè)模型能力，然后以及之后的這個(gè)新的價(jià)值體現(xiàn)，新的這些價(jià)值體現(xiàn)可能就更偏創(chuàng)造性一些，前面的這些就是開城的，這就更偏一個(gè)既有的東西。

模型這一塊更偏于底層的，然后新的這些功能就更偏向價(jià)值怎么創(chuàng)造。

所以反正三個(gè)方面放一起看，一個(gè)是過去，或者對(duì)于頭部就是過去，那對(duì)于模型這一塊可能就是最近。

那后面這些可能就是將來，當(dāng)然它也可能也不會(huì)特別長。逐步地，短到中期，再到長期。

智能車參考：把用戶駕駛的個(gè)性化習(xí)慣和體驗(yàn)，加進(jìn)去，是不是更符合智能駕駛的體驗(yàn)？
。
任少卿：對(duì)，那其實(shí)最終是剛才說的第四個(gè)部分，功能。

怎么做得更好？

我覺得也確實(shí)我們需要去進(jìn)一步提高效率，比如說之前在交互上好一些，但是上次說的這些可能還是有一些缺失，就比如說我們265版本上給旁邊車讓主駕位的，那這個(gè)可能就不同的用戶就很不一樣的反饋，所以他這個(gè)后面版本可能也需要進(jìn)一步地去能讓用戶更多的選擇吧。

有的就覺得說我給主駕讓出來，我自己可能下車位置小一些，可以接受，挺好。那有的用戶就覺得說這就挺偏了。

智能車參考：所以智駕做到真正的因人而異，對(duì)齊AI助手，更個(gè)性化還是有差距的。

任少卿：:對(duì)，反正就是可能大家都會(huì)面臨的問題，第一個(gè)說機(jī)器能搞定，然后要對(duì)齊人類的預(yù)期，后面可能還要千人千面。所以就是我覺得千人千面這個(gè)現(xiàn)在都還是一個(gè)比較高的要求了，都還做不到。

自動(dòng)駕駛與機(jī)器人

智能車參考：現(xiàn)在好多機(jī)器人創(chuàng)業(yè)公司，說要打通虛擬世界跟物理世界，和打通不同領(lǐng)域有什么不一樣？

任少卿：那個(gè)是另外一個(gè)工程模型。

我說打通不同領(lǐng)域，就是說打通不同應(yīng)用。就比如說自動(dòng)駕駛和機(jī)器人和大語言模型這些東西的融合，就他得徹底用同樣一套框架去作用。

因?yàn)檫@里面其實(shí)有個(gè)最根本的，就是機(jī)器人這玩意，為啥之前做不動(dòng)，以及現(xiàn)在還有啥問題？

最終其實(shí)大家很容易理解，實(shí)際上自動(dòng)駕駛是一個(gè)特殊的機(jī)器，這是第一層，第二層的話是自動(dòng)駕駛是所有機(jī)器人應(yīng)用里面最大的一個(gè)應(yīng)用之一。啥意思呢？就是說機(jī)器人的應(yīng)用非常的復(fù)雜。

那自動(dòng)駕駛是里面價(jià)值最大的，其實(shí)大家發(fā)現(xiàn)說之前的自動(dòng)駕駛，或者直到現(xiàn)在自動(dòng)駕駛，為了做它的這個(gè)研發(fā)成本是非常非常高，對(duì)吧？

那如果機(jī)器人用跟現(xiàn)在的自動(dòng)駕駛同樣一代技術(shù)棧去做，沒有任何一個(gè)機(jī)器人的應(yīng)用能撐得起來這個(gè)投入。

這是原來做不了的原因，是因?yàn)橥恫黄稹?/p>

如果說做自動(dòng)駕駛，因?yàn)樗捌诘纳虡I(yè)場景很大，所以比如說一個(gè)自動(dòng)駕駛公司一年燒10個(gè)億人民幣，那一個(gè)機(jī)器人公司能做到嗎？他做不了。

但是我們就認(rèn)為說你長期再往后走，那自動(dòng)駕駛也是個(gè)泛機(jī)器人領(lǐng)域，所以那能不能用同樣一套框架，用更高的這個(gè)可共享度，然后用更低的成本去用同樣一套框架做所有的機(jī)器人，就泛機(jī)器人能力這個(gè)事情。我們覺得一定是能做的。

那只是說要找到相應(yīng)的技術(shù)的這個(gè)方式，本質(zhì)上前面說的這些世界模型，我們覺得自己的框架他也能去做機(jī)器人。

智能車參考：暗示蔚來也能做機(jī)器人？

任少卿：主要是我覺得從技術(shù)的維度上來說，這件事情它一定是這么個(gè)搞法實(shí)現(xiàn)的。

否則的話那機(jī)器人怎么辦，對(duì)吧？

就是兩種方式，第一個(gè)機(jī)器人別做了，第二個(gè)機(jī)器人探索出來一套它統(tǒng)一的框架。那如果機(jī)器人探索出來它統(tǒng)一的框架，它一定能回來做自動(dòng)駕駛。因?yàn)樗旧砭秃芟?。但是從這個(gè)角度來說，因?yàn)檫@些方式肯定都是要用大量的數(shù)據(jù)的。

那在自動(dòng)駕駛上把這樣的一套充分認(rèn)知的框架，做出來的可能性更大，因?yàn)樗臄?shù)據(jù)量更大了。

當(dāng)機(jī)器人覺得還是要分三層，我們有很多事情沒講，我們認(rèn)為它實(shí)際上有三層的能力，第一層能力叫做概念認(rèn)知，第二層叫時(shí)空認(rèn)知，第三層叫做運(yùn)動(dòng)的，或者說叫交互。

第一層就是說概念認(rèn)知實(shí)際上就是大于模型解讀。第二層時(shí)空認(rèn)知的話就是剛才我們說的這些。

第三層說這個(gè)運(yùn)動(dòng)能力實(shí)際上某種程度上看，就是怎么去控制輪子，怎么去控制腿，怎么去用只手，或者怎么去拿一個(gè)工具出來，拿個(gè)小刀去把它用起來。三個(gè)東西簡化一下，把這個(gè)分開，但是也有融在一起做，但是通用來說這個(gè)第二層的這個(gè)能力，就是這個(gè)時(shí)空認(rèn)知的這個(gè)能力是一個(gè)很通用的能力。

智能車參考：如何看待這幾年整個(gè)產(chǎn)業(yè)的變化？

任少卿：其實(shí)我覺得在整個(gè)產(chǎn)業(yè)上，你從技術(shù)的角度來說，自動(dòng)駕駛前面幾年技術(shù)都沒什么特別大的變化，最近這半年一年倒是變化挺大。

很多的變化也不來自自動(dòng)駕駛領(lǐng)域，來自于我們前面說的這些其他領(lǐng)域的東西。

智能車參考：可能最后還是會(huì)追求變成一個(gè)通用的模型，打造一個(gè)像人一樣的這種智能體？

任少卿：是這樣的。剩下的問題是怎么把它打造出來。做機(jī)器人這些公司也挺好玩。

反正這些東西，現(xiàn)在都是相互交互越來越多，我覺得做智能駕駛也不能只關(guān)注智能駕駛。