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。

每次节假日进粤东的高速服务区，都忍不住夸{:大笑02:} 充电区不是规划一片，而且变成一个扇行，围绕整个服务区建起来的，其次桩够多。 这样一旦有一个车要进服务区就可以提前分流，新能源车就走充电车道，然后大家顺着这个车流自己找充电位，很有秩序。 不过现场也有工作人员，一旦油车要停充电位就拦下来了。

有意思，小鹏在世界模型的基础上，推出了一个专用的推理加速器，叫X-Cache。 说人话就是，世界模型每帧算力消耗比较大，每一帧画面，从头到尾全部重新算一遍，X-Cache 干的事是把路面画面切成很多小方块，哪些方块没变就存起来直接复用，只有车、行人、非机动车这些在动的方块，才会重新计算。 假设我们要让AI帮我生成一段一条街道上有个行人在走路。 没有 X-Cache：每一帧都完整渲染整张画面。 如果有 X-Cache：街道背景缓存不动，只单独渲染走动的人。 大家基本可以理解，两种不一样的计算，谁可以更快生成这条视频。 按照小鹏官方的数据，X-Cache 可以减少 70% 的重复计算，而且推理速度可以提高 2.7倍，在这个基础上还能确保画质是基本无损的，也就是跨帧、跨去噪步都能复用，缓存命中率极高。 现在目前有几种针对加速的方案。比如特斯拉最早可以用同路口、同位置的重复记忆复用，也是降低重复计算和延迟，Robotaxi 的L4方案更习惯在云端把静动态拆分，静态用一次性编码缓存下来，比较适合固定范围的L4运营。 所以不同纬度出发，大家对于计算加速缓存的理解不同。小鹏更注重的是生成端，也就是在模型内部的计算加速缓存，和过去很多在感知或者场景层的环境信息缓存不同，小鹏更注重算得快这一动作。 小鹏的目标也是既能在车上实时推理加速，也能在云端仿真训练、数据生成降本增效，基本上是全链路可用。 因为少算就等于省算力的同时、也降功耗、也减延迟，这在后面不仅是自动驾驶，在更多出行机器人、Robotaxi等端侧大模型上都有很意义。

未来华为 ADS 5 的侧向高位摄像头，有我们看到的 C 柱的方案，其实还会有 B 柱的方案。 现在智界V9 和M9 双旗舰都在 C 柱，这两台车都是大车身，位置越靠后越有优势，但后面 B 柱的车型会更多。 这个位置相比过去的翼子板优势是视野更高，很多盲区可以兼顾，而且是在不影响任何造型和风阻的前提下。 现在可以看到 ADS 5 除了舱内激光 Pro ，Max 和 Ultra 的差异是后者新增了一颗前向固态激光和舱内激光雷达，但都用了侧向高位摄像头，也都是为了 L3 商业准备。

乐道 L80 发布会，我最关心的是 80 的独立定位是否成功？现在市场反应看是非常肯定的。 用户纠结 “要不要六座”，本质是两种完全不同的用户。 一种是非六座不选的刚需家庭，比如 @MotorGogo-CC 。另一种是六座可有可无、五座更实用的家庭，或者是年轻用户。 @MotorGogo-CC 是必选 6 座的一派。虽然80价格低很多，但是我问他 L80 的预售价格后他毫无动摇，心理也不会不平衡。但如果是第二种用户，我觉得大部分会考虑大五座。 过去一款车同时提供五六座，车企一般会用一个发布会讲完，给用户自己选。这样用户就很容易陷入 “为低频需求买单” 的内耗，买六座和买五座决策成本很高，选完都怕后悔。 乐道用两场发布会，每场发布会的风格还不一样，也一样讲两三个小时，解释了这个事情，很多车型和品牌弱化了这点，可能觉得上架一个五座也一样，少了一步提前为用户做区分。 发布会后刚需用户都会直接锁定 L90，不会因 L80 低价而动摇。如果选择 L80，也不会为一年用几次的第三排妥协。用户也不会纠结 “要不要加钱上六座”，两个产品L80 和 L90 弱化了高低配，只有按需求和预算匹配，决策成本就低了很多。 乐道开创了一个很好的例子。

地平线余凯总谈到了行业的判断： 1、芯片不会有很多玩家，也会最快收敛。 历史上看无论是PC还是移动，包括现在数据中心的人工智能计算，其实底层的硬件芯片平台跟软件平台的玩家都是最早收敛的，不会有很多的玩家。 因为这一方面是极高的研发投入，第二是非常长的研发周期。比如地平线的每一代芯片，研发周期从项目启动到车型量产，基本上都要三年以上的时间，这已经是世界上最快的了。 就像现在比如移动手机还是有这么多玩家，但是底层的芯片标准跟软件平台都已经收敛到ARM+安卓，另外就是苹果独立的，我觉得汽车也是类似。 2、大模型的本地计算会是新趋势。 计算的大势在过去半个世纪就是典型的天下大势，分久必合，合久必分。 七八十年代计算基本上在主机，比如在IBM的Mainframe上面运行，终端基本上就是一个输入、输出的功能，但是不完成计算。 到了80年代末开始产生新的需求，白领的工作可能需要更多在本地处理，所以Personal computer从80年代末到90年代迅猛发展起来，所以从中央又到了边缘。 到了互联网（时代），那个时候雅虎、谷歌，特别是1995年以后有了浏览器，Web的发展让计算又到云上去了。一直干到了移动互联网的时候，这个时候大家有个讨论——移动计算应该是在Web还是APP上面？那个时候像行业的大佬，尤其是Facebook他们还是押宝Web OS，但是后来谁赢了？ APP赢了，因为本地计算还是有更流畅的用户体验，还是（能保障）更多的用户隐私安全，所以计算又从云端到了本地了。 到了人工智能计算的时候，数据中心是整个英伟达的生态，包括现在大模型都是在云端的，又到了云端了。现在有了本地（计算），大家都在养“龙虾”也好（还是什么也好），反正就是Agent，导致Token调用量急速暴涨，同时有大量的应用需要实时处理。我们又看到一波需求，就是把Token、大模型本地计算，（要做到）第一便宜，第二保障实时性、更好的用户体验，另外是用户隐私。 所以我觉得会有一波大的机会，就是大模型的本地计算。 3、三到五年之后有可能会出现C端收费的模式。 因为我觉得、自动驾驶会走向L4，已经有一个机器人司机给你开车了，你为什么不给它付钱呢？ 而且可能按照公里里程收钱，比如说这个里程是自动驾驶的，你付钱，这个里程是你自己开的，就不付钱。我觉得用户是会为这件事情付钱的，为什么呢？因为人的天性就是自由跟自在。 如果每次开车付钱，顶多就是买一瓶农夫山泉的钱，也没有多少钱，换来的是自由，可以看微信，可以打游戏，可以刷抖音。为什么不付这个钱呢？买一份自在和自由。每公里收钱就跟卖矿泉水一样，每一瓶钱都不多，但是你会发现中国首富都是卖矿泉水的，这是基础需求。 4、J5规划的背景。 当时规划的时候，我记得是2018年、2019年，我们当时预判自动驾驶会走向端到端，所以对于CPU的算力可能没有那么的激进。 那个时候恰好我们账上也没钱，我们也买不了什么大盒，需要几千万美金买IP，实际上就相当于是游击队，又想打大仗，所以就攒。 后来端到端没有我们想象中来得那么快，技术没有那么成熟，所以J5有点超前了。但是幸好我们还是比较感谢理想汽车给了我们信任，J5在理想汽车上面有巨大的出货量。 5、L3的判断。 昨天我隐含地提到了这件事情，黄金标准是智驾里程占比，因为你讲这么多其实都是贴个标签而已，最本质是说用户到底多么想用这个产品？多么爱用这个产品？没这个产品不行，能不能做到这样？ 所以我觉得这个是超越一切的力量，也就是智驾里程占比。 即便我就是L2，但是智驾里程占比百分之百，你把标签打L0都行，这重要吗？如果用户从上车第一秒钟到下车那一秒钟就是全程百分之百用自动驾驶，每一程，每一天，你给我打个标签是什么都无所谓，但是不是我不尊重这些，我觉得他们的讨论都挺好的，该讨论。 但是我们更觉得要去不断追求优化的目标是智驾里程占比。

为什么大家都要通向物理AI ？北京车展和元戎周光、阮翀做了交流。 到底什么是物理AI？ 今年北京车展最大的热词之一，虽然没人解释的很清楚，但我的理解是过去大语言模型其实构建的是在概念认知上，一直没有在一个物理空间建立，而物理AI要解决的是大模型如何在一个物理空间里做感知预测到决策，最后形成一个闭环的系统。 机器人、和自动驾驶都是我们目前能见到的最重要的两种载体，短期我们能看到的就是我们的汽车。 所以这也势必是近几年车企也好 供应商也好，一个非常重要的转型。 1、智驾也迎来了“基座大模型”时代 阮翀之前是 DeepSeek 研发负责人，也是多模态技术核心研究员，来到元戎后会建立一整套新的大模型架构，周光更倾向于战略的思考。 来到今天，智能驾驶已经从“一堆小模型拼凑”的时代变成了“一个大模型挑大梁”的时代了。 我们聊了那么多的GPT，终于迎来了物理 GPT的时刻，只不过这个愿景比我们想象中更大，它不单只是服务于一个智驾大模型。 今年理想、小米等公司也迎来战略调整，因为转变背后是贯穿整个公司的研发、落地到升级全流程的角色。在后大语言模型时代，原生AI这个词应该会越来越频繁。 在过去的小模型时代，智能驾驶的多个任务一般会拆分成几个模型，所以在大部分公司的组织管理中，就需要有不同人来设计、调试还有管理。 但是小模型的问题是一来小模型的能力很有限，二来小模型容易出现打架的情况，比如今天优化某个场景隔天另一个好的场景又挂了。 所以最好的方式是一开始就建立一整套基座大模型，用一个大模型来替代原有的小模型。 2、大模型对数据的理解发生了质的改变。 模型变大以后，它吃进去的数据也会更大，过去小模型对数据的理解比较难，也需要很多人工做分类或者筛选，而智驾的原生大模型就可以把各个传感器的数据融合在一块，直接灌给它，让它自己筛选，自己理解。这点意味着数据输入的量变大，同时也能消化，解决了过去很多数据浪费的问题。 数据管理还有一个大的变化，是过去数据和研发的关系是事后补救，比如先发版本，上车路测再发现问题，再调优。 从研发角度大模型可以改变这一问题， 大模型的可以通过专门的数据表征模型，提前对数据做分析，能够知道模型在哪个场景的能力不够，需要补哪些数据，再往里喂。 这次虽然没有说世界模型，但是阮翀提到元戎还会建立一套模型评估系统，在虚拟环境下来评估， 这样整体的数据训练、利用率再到对有效数据的抓取，还有对大模型的评估体系都有了更好的循环。 3、大模型不再是专科医生。 从研发角度来说，一旦大模型的能力足够强时，研发团队就不用再为每个任务单独开发小模型，只要在这个大模型的基础上，稍微调整，就能衍生出适合不同场景、不同需求的模型版本。 这也是我们理解的专家混合模型，过去传统大模型遇到的问题是，我们看病要么挂专科，但是专科医生只能看一种病，一种是全科，它什么都能解决，但是整体成本很高。 混合专家模型，就是在一个中台上安排了多个专科医生来回调用，他可以针对不同问题，来激活各个专科医生，在原先的基础上新增了一个问诊的中间环节。 这样大模型的背景下，大量的人力就可以集中聚焦在优化大模型这件事上。可以降低开发和管理成本，也缩短了研发时间。 4、大模型的部署，和大算力不一定有关。 阮翀提到大模型的部署第一可以通过中轴（蒸馏）去解决，用大模型教一个小模型，这样小模型的能力也会很强，比你从头训练一个小模型强很多。 第二，要相信时间的力量。时间意味着硬件的进步，以前车载芯片算力有限，过几年翻几倍。只要你相信这个过程是持续的，模型的大小就不会是问题。 其次模型的密度其实也在发生变化。 这一代模型跟上一代相比，能力可以跨量级比较。模型设计密度本身也会提升。随着模型发展，可能需要一个直接模型才能达到预期的能力；但可能过两年，可能只需要一个更小的模型就可以了。 这种转变背后，研发流程和公司组织方式也在跟着升级。在后大语言模型时代，AI不再是智驾系统的“辅助工具”，而是建立以大模型为核心的AI 原生体系。 而未来能存活下来的智驾公司，也终将变成具备通用能力的智能移动AI公司。

感觉理想很多时候内饰被大家“吐槽”的原因，是因为市场被抄的实在太多了{:笑哭02:} 从上到下，甚至 20 万级大六座也有很多类理想内饰的产品，供应商的模具可能都是一套的。

感觉零跑每次出牌，都不会赌一个未知风口，只会进入已被验证的主流市场，用确定性来换增长，相信零跑的第二品牌也是。 30万级的市场最近两年基本格局定型，无论是用户需求，或者是产品供给端，很多竞争规则都已经很成熟，但长远看还有很大缺口。 而零跑深耕10-20万的市场，主品牌在市场认知相对比较固化，现在如果只凭借D19和D99等车型向上，很难形成一套规模化的打法，主品牌也很难找到下一个阶段的增长曲线。 销量，也包括毛利的拓展比较困难。 而第二品牌我估计用一样的打法，基本等这两年市场验证和需求爆发后，再用 “技术普惠 + 极致性价比” 收割，用 “确定性” 来换取增长，延续传统。 试想等理想L9 Livis M9 GX等 9 系旗舰出完牌后，市场开始认同的时候，零跑再以平价的方式出一台 9 系。 用“旗舰”配置，做主流定价，这正是零跑最擅长的。

今年北京车展看到了智驾有很多新的革新，包括大家比较关注的 Momenta R7 大模型和全新的芯片。这次围绕Momenta，和大家聊聊目前最新强化学习和世界模型有哪些变化...