今天小米先解密了小米智驾沟通会的内容，抢先和大家聊聊！ 昨天其实已经发了一篇前序（链接），今天和大家聊聊第二篇。 1、其实从现在看，小米组织上变化已经能看出很多新的战略！ 为什么小米突然在发布会宣布了新的阵容？ 小米过去的“保密”程度比较高，但是这次小米第一次全系公开自己的领导阵容，包括公开所有人和媒体面对面，可能不仅是小米汽车，在小米上也是第一次。 从过去几年看，小米的AI战略和小米汽车若分若离，小米从高速有图到城区无图，到端到端，除了云端算力共享，似乎也没有得到小米AI的赋能，但到现在的世界模型、XLA 基座大模型，基本走到了统一。 从这几年的企业组织看，一家车企的智能化大概经历几个阶段，第一个阶段可能是工程化代表的工程师，比如以吴新宙等为代表。第二阶段开始比如 Momenta、华为、地平线等公司的发力，开始围绕的是有先进算法经验的工程师。 第三阶段我们看到的人才是 AI 人才。这阶段有周光、贾鹏、任少卿等，它们可能不是“出生”在汽车行业，但把 AI 这一体系丈量的更远。 小米也正是在第二和第三这个阶段进入了汽车行业，而小米也选择了叶航军博士作为小米整个智驾业务的负责人，航军博士当时是整个小米人工智能的总经理，包括也是小米技术委员会的主席。所以从集团层面讲，最开始这个 AI 战略比我们想象中更大。 在小米准备发布SU7前，我们还到小米总部拜访了叶博士，为人非常谦和，也聊了很多关于小米在智能化的看法。 小米选择的是基于 AI 人才做多线拓展的战略，而不是单一只考虑智驾。整个小米集团的智驾负责人由叶航军带队，底下分布了三天独立支线。一条负责 L3 ，由王乃岩负责。一条为端到端+世界模型路线，也就是目前 HAD 增强版负责人，由陈光负责。另一条线就是 VLA 技术负责人，由陈龙负责。 这三位代表都是在各自行业非常顶尖的人才，每一个核心技术都有了一个新的负责人，每个负责人为他的业务负责，也会更聚焦。而且每个负责人都基本是这个业务非常牛的核心人才。 比如陈龙之前是Wayve 的主任科学家，部署了全球首个上车的视觉语言自动驾驶系统 Lingo，是雷军直接参与了面试，后面陈龙回国在今年 4 月加入小米。 所以很多同学把小米的 XLA 简单堪称辅助驾驶的 VLA ，其实不对。XLA 是小米整个大语言模型的集团战略。 陈龙不是仅负责智驾的落地，可能是机器人、可能是智能家居、也包括智驾，所以从他的视野和技术底座的建立看，是要比我们理解的智驾 VLA 大的多的多。 而目前负责 HAD 增强版的陈光，也在量产上有很多经验，之前在百度阿波罗，后面也在一汽南京研究院做 CTO。乃岩博士大家应该很熟悉了，之前是前图森未来 CTO 。 这样每个小米智能化的负责人都有每个人的精细化的分工，不是又做这个也做这个，每个人都在各自领域做核心的合作，和目前主流的组织关系有很大的不同。当然我觉得从一定角度讲，也是留存人才的一种方式。也不需要考虑内部组织的竞斗，每个人都有自己的一片天地。 2、小米要做世界模型，也要做VLA。 陈龙明确，VLA 中的 L，也就是语言大模型会是通向未来的终局模型。 陈龙在 MiMo - Embodied 模型的突破，关键是过去具身智能多聚焦室内物体操作，和自动驾驶侧重户外场景，是各自独立的。但 MiMo - Embodied 通过统一框架实现统一建模，这也意味着两者在空间理解、因果推理等能力是可以跨域迁移的。比如机器人在推理上也能帮车辆更好地识别路口复杂元素。车上的动态博弈和逻辑，也能反哺机器人的规划动作上。 所以和目前主流的 VLA 技术不同，小米目前做的 VLA 中的语言大模型的数据基本是从头训练，而不是按照以往的开源的互联网数据。 这里面的数据共用了智驾和机器人数据，来提前做预训练，这两个数据可以同时做车内和车外两个代表性场景做推理，这更像陈龙在 MiMo - Embodied 模型中的一次“落地”。而自研的好处是能确保数据来源的纯净性，而且出来的语言和行为逻辑可信，也和依赖开源模型的厂商进一步拉开差距。 所以目前小米此 VLA 非彼 VLA。 VLA 的性体验会非常依赖大规模高质量数据训练，同时这一差异也会觉得各家的 VLA 能走多远。当然因为小米自建了数据体系，要覆盖大范围的交通场景需要更大的真实道路和仿真数据，还要适配 VLA 的仿真环境、也要设计多模态融合算法，这意味着小米的 VLA 还需要更长期的技术投入和迭代，不是短期上车的一套针对智驾的系统。 其次影响 VLA 的原因除了依赖数据，陈龙这次还提到 VLA 需要完成从视觉到语言、语言到动作的转换，这个动作对目前的算力消耗非常大。 包括目前一些已经上车的 VLA 存在的时延性问题，很多原因也是因为目前算力所存在的瓶颈问题。 3、那小米目前端到端+世界模型能做什么？ 上次和大家聊到的小米这次的升级，主要是体系化的升级，主要是推理能力和决策优化这两点。但这两点的提升不代表着小米的 HAD 是完美的，它也会带来一些体验的争议。 比如激进或者保守，大家体验的喜欢度不一样。这一点大家可以看我后续的视频或者是升级后上车体验。 在世界模型中做对题才有糖吃，这就是强化学习的训练方式。 所以相比强化学习，世界模型会是各家车企存在差异化的核心，因为世界模型的质量直接决定学习的质量，从而影响模型的质量。 即使现在越来越多的车企都转入世界模型，但是差异化也是很大的，而且越走到后面会更大。这已经形成了各家的一种无形的资产。 这次小米陈光明确和我们聊到，小米的世界模型的质量会更符合物理规律和几何规律，也就是会更真实。当然小米的世界模型在“人车家全生态”中，会有一些其他家没有的诉求。比如世界模型的场景生成能力、环境预判能力延伸至车机交互或者是智能家居。这也是体现跨生态的一个重要闭环。 3、世界模型和 VLA 是协同，不是一种互斥。 所以我觉得还是和上次说的结论一致，无论是世界模型或者是 VLA，还是谈及强化学习的方式，未来会越来越走到一个终极的复合形态，也就是其实大家相互协同，互为促进。 而不是谁选择世界模型，谁选择了 VLA。 当然决定它的规模，还是取决于这家企业的生态有多大。 它的成本以及数据、算力等需求是史无前例的，每个车企它的定位可能不同，可能不是所有企业都有这么多场景和生态可以消化。但对于小米为代表的企业，也就是出行+场景全生态的 AI 企业，何不尝是一次新的拐点。