飞机先生

中秋限定勋章

中秋限定勋章，盲盒抽奖中获得

1周年勋章

使用新出行1周年啦！

端午节限定勋章

2022年端午限定勋章，端午期间签到即可获得。

萤火虫右舵版在新加坡车展完成全球首发，进军东南亚市场，2月1日会开启首批用户交付。 现在firefly萤火虫也已经进入了荷兰、挪威、比利时、丹麦、希腊、奥地利、葡萄牙等国家，后面计划陆续拓展到欧美、东南亚等17个市场。

小米昆仑家族来了！看来小米今年昆仑增程先上两台？

阿维塔06旅行版的新图，尾部造影似乎不太常规，但还是有开窗的[笑而不语]目前看电子后视镜、500线激光雷达都有配备。

好奇5566会怎么改，但最快也是2027年。 伪装车看5系的外观改动不大，相比之下6系SUV白车身改的可能性更大。 其次就是小蓝灯，蔚来做小蓝灯还是相对克制，只有后视镜有。

我认为刚需，但是应该做出更多差异化的功能，有更多精细化的显示

从第三方数据看，地平线在低阶 ADAS 市场有 47.66% 份额，这个核心应该还是以J3等芯片做一体机的为主，排名第二是 Mobileye。 另一个趋势是城区 NOA，支持城区 NOA 的计算平台越来越集中，已经有头部效应，基本都是大家熟悉的品牌。占比最高的是英伟达，排名第二的是华为，第三是地平线征程，地平线城区的出货都是围绕J6M/6P为主，但前三加起来已经超过 90% 的市场份额，非常集中。 今年有更多车企开始自研芯片做平替，2026 开年竞争会继续呈现白热化，软硬一体的玩家在长期竞争中会越来越有优势。

作为飞行学院成员，让我来给大家介绍下陆地航母的三款车色[害羞] 除了一直对外巡演的星环银外，还有这次公布了其他两款颜色，包括月岩灰和超星白，灰色其实在CES有展过。从节奏看，这次开放了配色意味今年年底应该可以完成交付，期待年底就试驾上。 六轮尺寸变大后也能带后轮转向，陆地航母的增程也是800V和大电池方案，如果开起来或者静止下，也可以给飞行汽车反充，最早的规划是小鹏汇天应该会和一些场地做合作，先在场地区域飞。 飞行体有两种驾驶模式包括手动和自动驾驶，单手可控制，会非常容易上手。 六轮陆地航班跑起来，真的科技感爆棚啊。 我们也和汇天同学们畅想，这个六轮陆行体能不能在小鹏汽车上开发成一个车型，可以在六轮的箱体改房车，或者带旋转座椅的六七座！利用这个白车身，也很好嘛。

关于理想改款内饰的畅想： 1、硬件升级了 8797 ，取消了双屏变成一体屏，虽然造型改动不大，但是软件变化不小，从目前看应该是卡片布局，但一整块大幕布，可以随意组合个性化大卡片。 最左侧的大卡应该还是SR，有类似屏幕换挡的上下两个蓝色button按钮，还不明确是什么用途。 2、为什么取消了方向盘的touch屏，一个是 HUD 的升级、第二个原因是屏幕变大了信息包容在屏上，第三种可能会引入新的交互。 这次比较惊喜的是驾驶者的正前方有一个立体的部件，从角度看这个部件的体积应该不是很大，所以取消touch屏后会不会把交互+音响的交互集中在这里，但考虑角度问题应该不会有很强的信息交互，从最早的 touch 屏和主驾智能音箱，现在可以把两个部件结合起来做完整的 VLA 交互，期待一下这个新物种。 3、座椅对比了下，纹路和缝线没有太大变化，判断内饰应该还是面向主流的材质、座椅发泡等的升级，不确定舒适按摩会不会升级，今明年还有很多台车会升级智己的机械按摩。 4、座椅另一个细节是副驾的安全带还是在门板，大概率前排应该没有标准零重力座椅了。 5、新增了后排 B 柱出风口，是带手动调节的，这个好评。 6、consle变化最大，扶手的位置开关变成一个带阶梯式的，前面应该有充电面板和储物暗格，可以参考乐道。 7、方向盘支持电调，两边改了面板，面板颜色改成了和内饰颜色同色。 8、看了下音响布局和i系列不太一样，高音还是保留在了门板上，之A柱上，天空音等没有变化。 9、出风口还是和i系列一样，变成了电调，但是出口面积和角度更大，软件调节起来范围更大。 这次车型应该是 L 系列增程版，整体风格也和 i 系列很接近，但也有差异的地方，第一台 L9 这么看尺寸真不小，L系列的改款我觉得前排重点还是看交互，舒适性和空间交互应该还要看第二排。

很多车企的变革，都带来了一些新的视野。 前几天理想切割汽车板块，转身进入具身智能体，特斯拉切割掉 Model S 和 Model X 的产能，转至制造Optimus机器人。 它们核心相同点在战略定位、技术同源、资源、场景和组织几个维度展开，把“造车”对外真正升级为“造具身智能体”，汽车技术变成一个硬件底座。

理想战略调整带来的人员调整，外界看向来残酷。 朗咸朋朗博不再接管自动驾驶业务，转而负责硬件体团队。理想从端到端，VLM到VLA，各个技术架构切换带来不一样的人员变革，来到今天可以说是画下句点。 这意味着理想自动驾驶不再归类为独立的部门，可以说消失了，并入一整个软件体部门，包括智驾和座舱，他们从整个空间智能的概念讲，是不分家，都在勾晓菲下，勾晓菲之前是理想智能空间副总裁，现在全面接管，统筹整个软件体。 当然硬件在整个市场上也有新的挑战，全新的供应链，全新的质量管理和工艺良率的把握，和造一台AI大脑的小车一样，难度同样苛刻，也是新的挑战。 从李想进入创始人模式开始，做了新的变化就是切换战略，全面转向 AI 具身智能，也做了新的人员调整，至此： 理想将研发重组为三大团队： 基座模型团队、软件本体团队、硬件本体团队。 他们负责人分别为： 詹锟、勾晓菲、朗咸朋。

对话任少卿｜新版本背后，其实是蔚来一个新技术体系的思考。 前几天有一个特别的机会，和少卿做了一次非常深度的分享，也从未有过。 少卿梳理整个蔚来技术的架构，讨论NWM 2.0为什么重要，当下蔚来认为最重要的思考是什么。相较于体验有哪些提升，我觉得这次更重要是蔚来进入一个新的技术架构上，这里面最重要的名字就是闭环的强化学习。和大家分享一些感受。 1、少卿把整个智驾划分三个时代。 第一个时代叫 code 1.0 ，就是规则时代。 不同时代之间有个简单的比喻，比如我们要进入左转车道，code 1.0 就是通过 300 米先变，200米再变，最后进入左转车道，这里面全部是手写的规则去实现，如果有障碍车车道，那就手写一些逻辑套上去。少卿还在现场把这个图画了出来。 规则时代其实非常好出效果，也能不断套逻辑，但是问题也是因为这里，逻辑走到最后就会产生冲突，你引入新的逻辑就会和旧逻辑冲突，代码量也会过重。 code 2.0 叫数据驱动时代。也就是写不动的场景就不靠写规则了，就看人怎么开，模型就学着怎么开。让模型学习，就叫数据驱动。 但这个阶段模型会有一个惰性。数据驱动本身要看数据的分布，就是不同人有不同开法，那模型就要在中间取一个中间值，但是这个平均值放到真实场景中不一定是最好的。 这里面最典型的体验就是识别行人、或者窄路博弈的时候，模型大多选择的平均值是非常保守的跟随，不绕行，不变道，非常保守，和人的开车习惯相违背。 这时候行业解决这个难题有几个方式： 第一个是加SD+导航。就是让导航约束模型怎么走，不会让你瞎变。 第二是就是加老司机的数据，这是一个比较偷懒的方式。相当于你把数据筛选不出来的场景，就找很多司机开一遍，把这个数据变成黄金数据，就是最像人的数据，模型自然就走好。 模型去跟随老司机的轨迹走，这个时候一来解决数据“脏”的问题，二来和数据筛选的问题，这两个问题大家记住比较重要，我们后面会讲。 当然他们的问题也比较显性，第一是高昂的成本，特别是老司机，第二是非常难的泛化性，学完这个学那个，如果没学过系统同样不会。少卿直说，这几个路径蔚来从没有走过，也花过这笔钱。 而第三个阶段，就是蔚来要做的强化学习，叫reward，本身就是一次奖励。 无论老司机数据还是加导航，很核心的问题就是没解决数据和真实世界应用之间的一种矛盾关系。 强化学习就改变了这种矛盾，把“好坏判断” 变成一个可量化的信号，变成一种奖励函数，以前我们 “教模型怎么做” ，强化学习就是 “教模型怎么判断好坏并自我优化，自己知道怎么做”，最终实现和人类意图的深度对齐。 这个方法论和演进方式其实和大语言模型的演进很类似。 2、那蔚来为什么选择强化学习，能解决什么问题。 上面我们提到大家要解决的问题是，数据量大，但是很脏的问题，第二是筛选，老司机的学习其实大家只筛选了符合人类驾驶期望的数据，其他的无论有没有价值的东西都被丢了。 脏比较好理解，就是不同人开车习惯不一样，有一些不好的习惯。筛选的难题在于容易出现要么丢多了，要么丢少了的问题。比如小路就是车要去挤，那如果距离比较近的，比如30cm以下这种数据你要不要丢？如果丢了，那小路一旦遇到太近的场景，系统就是解决不了。 强化学习，是解决这两个问题的第一步。 首先是把量产数据用起来，大家都知道数据脏， 但是你还是要吃进肚子里，还能把它消化好，这是蔚来整个技术变革的内核： （1）强化学习不需要增量数据，也不需要套很厚重的规则。 就是构建一个仿真环境，设定一条目标，车辆成功越过就奖励，用时越短奖励越高。那背后它是怎么变的，不管，都是模型自己在仿真中探索解决。 这个模型其实非常简单，不需要老司机数据，也不需要加规则，从训练成本看少卿说NWM第一个版本大约是同行的1/5到1/10，下一个版本数据规模拉上去后体验会有不同。 （2）通过奖励的方式，改变了脏数据的干扰。 奖励函数就是可以把脏东西，最早开始提前做了过滤。比如决策一个变道，就不会有模仿老司机中带来的平均分布的问题，而是直接给出一个最佳决策，好的行为倾向会优先被选中。 因为强化学习是在一个云端的闭环环境里学习的，比如之前说的30cm小路的问题，那模型就要自己学习一个任务下可能发生的 0 、20cm、30cm等的可能性，强化学习会把一个任务的各个阶段重组，直接生成一条当下最好的轨迹。 这个语言模型的发展比较像，早起的GPT用了互联网数据，就是因为脏数据导致很多上下文逻辑混乱的问题。而语言模型进入强化学习后，就不是遇问题加规则，或者加数据，而是给你打分。这样语言模型在逻辑性和答案适应性上是收敛的，可以自然问答。 （3）第三是进化，比如NWM 2.5、或者未来的3.0，都是可预期的。 强化学习的进化可以看很远，其实就是靠更多的量产数据，然后吃到数据scale的红利，反馈到体验本身。 比如用户介入接管的数据，就可以做一个强化学习的判断，为什么人这条好的轨迹没学到。可以把人驾这条轨迹加入到预训练模型的数据集里，让模型学习人类的行为。 所以接下来我们的看到的蔚来，无论是数据规模还是算力，都有一些新的进展，这些算力第一更能把“脏数据”用起来，能够接受更多“脏原始数据”。按照少卿的话说就是吃多了，不拉肚子，还长肉。 3、那VLA，蔚来会怎么看？ VLA 中大语言语料是最快获得，且成本很低的，因为都是现成的。但少卿认为无论是vision也好，language也好，其实它们训练数据量并不多，距离我们真实环境的数据还差的很远，对真实物理世界有天生的缺。如果用大量的视频去训练它，意味着额外的算力会更高，不是现在最高效的路径。 少卿说了第二个路径。就是直接利用海量视频数据来训练自动驾驶或机器人的技术模型，这个模型不一定以来语言模型，但是它会带来更好的收益。 大语言的发展也很类似，早期翻译依赖的数据集，本质上和专家数据很像。但当互联网海量数据替代了数据集后，虽然带来了一些问题，但模型整体能力得到了大幅提升。对于真实世界的应用，这个路径理论也是类似的，现在要做的就是找到比专家数据更大，大到几十倍到百倍的量产数据，拥有这个方法，就找到一个新的天花板。 4、不同技术路线其实并不冲突，本质上是一个坑里挖到更多的金子。 我问了一个问题，大概是为什么大家迭代的技术范式这么快，啥时候大家能看到头，就是把性能体验和稳定性做的更好，不是跷跷板。 少卿回答是当一个范式接近其S形曲线的后半段时，付出的代价与获得的提升就不成比例了，就开始把“重”的部分替换掉，换上一套新东西，让能力曲线再往上爬一层。 所以不同范式上都不冲突，只不过过去我们规则用了3，数据驱动是2，强化学习是1，现在把规则缩减成十分之一，2是减少专家数据的依赖，和高成本。而强化学习用的更重，在一个“坑”里挖了一年挖不动时，就换个思路，再去撬更多的“金子”。 而对于蔚来来说，无论什么方式谁能将数据规模进一步提升，谁就能吃到下一个数据 scale 的红利。