责编 潇潇 排版 明月楼 第 8701 篇深度好文： 5129字 13 分钟 阅读

　　小鹏汽车宣布要向用户推送了基于端到端大模型的XNGP智能驾驶系统，实现了从高速到城市道路的全场景覆盖；

　　小米汽车也展示了其端到端智能驾驶测试实况，并宣布即将于12月推出“车位到车位”全场景智驾先锋版；

　　长城汽车则是基于端到端智驾大模型SEE，在广州车展期间宣布长城汽车全场景NOA的全国开放……

　　随着多家公司纷纷发布关于端到端智能驾驶的新闻，我们可以看出，端到端智能驾驶开始成为智能驾驶赛道公认的解决思路，并被各大汽车公司高度重视，且投入重金研发。

　　原因就在于，人们意识到人工智能迫切需要一个实际应用的途径。而汽车配备了众多传感器，拥有庞大的用户群体和丰富的运行数据。

　　经过多年的演进，汽车已被越来越多的人认为是人工智能落地的最佳平台，同时也是大型模型介入现实世界的理想媒介。

　　一般来说，人工智能的下一步发展将聚焦于具身智能，即机器人领域，而实际上，汽车本身就是一种具身智能的体现。

　　现在业内大家都公认的智能驾驶第一梯队，除了华为、特斯拉，FSD在美国惊艳的表现也让人看到了其中潜力。但让人意外的是，理想汽车现在也已经跻身到智能驾驶的第一梯队。

　　广州车展期间，理想展示了全新一代智能驾驶技术架构——端到端+VLM双系统，并宣布OTA 6.5版本车机系统将于11月底正式推送，新增“车位到车位”智能驾驶、全国高速收费站ETC通行功能、后向自动紧急制动等功能。

　　关键，理想发布最新端到端+VLM智驾技术的效果惊艳，成为行业首个全量推送车位到车位的智能驾驶，这引发整个智能驾驶行业的全面关注。

　　通过端到端的智能驾驶系统，车辆能够在复杂的交通环境中实现自主驾驶，从起点的车位出发，一直到终点的车位，全程无需人工干预。

　　而VLM技术的加入，使得理想汽车的智驾系统更加智能和高效。通过视觉和语言模型的结合，车辆能够更好地理解和处理复杂的交通场景，从而做出更加准确和及时的驾驶决策。

　　很多人认为理想这个智驾能力很像人，而且一发布就能实现车位到车位的智能驾驶，让人感到不可思议。

　　实际上，这个现象背后深层次原因，在于理想采用了一套端到端+VLM的智驾思路，而这套思路，可能是智能驾驶现在最合适的解决办法，也让理想快速实现了在技术和应用效果方面的超越。

　　有意思的是，理想这一次在智能驾驶领域后来居上，其实恰恰是第一性创新原理的实际应用。而认真分析理想的这个案例，可能对所有企业在创新领域的投入与发展有非常大的借鉴意义。

　　想要分析理想是如何实现在智能驾驶领域后来居上的，就要理解智能驾驶真正的第一性或者发展的第一因是什么，从而探寻事物的最初根源，洞察事物的本质属性。

　　第一性原理的思维方式要求我们从最基本的事实出发，摒弃所有先入为主的假设和偏见，通过逻辑推理和实证分析，逐步构建起对某一问题的全面理解。

　　找到第一因，看到第一性，意味着我们需要深入剖析事物的本质，追溯其最初的起因和动力，而不是仅仅停留在表面的现象和结果上。

　　尽管华为ADS3.0的推出标志着智能驾驶技术逐渐从概念走向实际应用，并开始在市场中普及，但许多用户在车辆启动后才能激活智能驾驶功能。

　　在实际驾驶过程中，尤其是在复杂的交通场景下，如路口变道、高速公路收费站的选择等，智能驾驶系统仍需要频繁的人工干预。

　　这种情况不仅影响了驾驶体验，还限制了智能驾驶模型的进一步训练和优化。因此，原本被广泛宣传的无图NOA（导航驾驶辅助）场景，实际上已经逐渐沦为一个“伪命题”。

　　为了实现真正的自动驾驶，让汽车完全交由智能驾驶系统来控制，这个系统必须具备与人类相似甚至超越人类的能力，能够应对各种未曾遇到的复杂场景。

　　即使在某个特定的场景下，系统之前从未经历过，它也必须能够准确识别出不应该撞击的对象，并能够灵活地绕过各种障碍物。

　　因此，端到端自动驾驶系统的终极目标是成为一个像人类一样的智能实体，能够对路况以及所有可能发生的状况做出及时且准确的反应。

　　它不仅需要具备高度的感知能力，还应具备强大的决策和执行能力，甚至在某些情况下能够超越人类的判断能力，以应对各种突发状况。只有这样，我们才能真正实现完全自动驾驶，让驾驶变得更加安全、高效和便捷。

　　这正是智能驾驶技术真正需要实现的理想状态，而这个状态也正是智能驾驶技术需要解决的核心问题。

　　在深入分析整个智能驾驶过程后，理想公司发现，智能驾驶系统需要满足两个基本条件：首先是确保安全，这是用户能够放心信任智能驾驶能力的前提条件；其次是提供便利性和减少人为干预。

　　基于这两个条件，理想公司进一步认识到，智能驾驶能力发展的首要任务是如何为智能驾驶系统配备一个能够确保安全并能够迅速根据用户意图做出决策的大脑，并利用这个大脑来指挥和协调智能驾驶系统中的各个子系统，以实现最佳的驾驶体验和效率。

　　在理想汽车的工程师们看来，要想让智能驾驶技术达到类似于人类思维的水平，从而做出决策并操控车辆，就必须让机器学习模型尽可能地模拟人类的思维过程。正是在这种追求下，他们偶然发现了双系统理论。

　　这一理论认为人类的思维可以分为两个不同的系统：一个是快速反应的系统，另一个则是缓慢思考的系统。

　　这种理论为人类的认知机制提供了一个非常清晰的解释。快速系统能够迅速做出反应，处理紧急情况，而慢速系统则负责处理更为复杂的思考和逻辑判断。这两个系统共同协作，构成了人类认知和思维的整体机制。

　　理想汽车的工程师们意识到，他们之前通过系统化的培训和训练，所逐渐实现的端到端驾驶能力，如果能够与大规模模型的分析和决策能力相结合，就能形成一种更为强大的智能驾驶解决方案。

　　这种结合不仅能够提升车辆的自主驾驶能力，还能在面对复杂路况时做出更为精准和合理的决策。因此，他们致力于将这两种技术融合，以期找到解决智能驾驶问题的最佳途径。

　　这套模型通过大量的数据训练和学习，逐步替代了传统的规则指定和人工标注方法。

　　通过这种方式，人工智能系统能够自主地理解和学习真实世界的各种情况，从而逐渐成为智能驾驶动作的执行者。这种用端到端模型进行类似人类思考的方式，可以称之为“快系统”。

　　有了这样的系统，理想开始摒弃以往分段实现端到端的无图导航辅助驾驶（NOA）方法。

　　取而代之的，是一种一体化的思维和执行模式。这种模式通过端到端的模拟，尽可能地模拟人类驾驶的过程，同时增加了对安全性的判定和制约机制。

　　其次，理想汽车在业内率先提出了一个创新的解决方案，即在端到端模型的基础上增加一个视觉语言模型（VLM）的匹配。这个VLM模型被用作整个智能驾驶系统的核心思维中枢，类似于人类大脑中的“慢系统”。

　　在智能驾驶过程中，任何需要做出决策的场景，端到端系统都会向VLM提出相关问题，然后根据VLM提供的答案来执行相应的操作。

　　例如，在高速路口是否选择走ETC通道，或者在前方发现事故车辆时是否需要进行变道操作，这些决策都会通过VLM模型来进行。理想汽车的核心目标是让这个VLM模型的思维尽可能地贴近用户的需求，使得驾驶体验变得越来越顺畅和自然。

　　这种创新实际上是理想的首创，它模拟了人类的思维过程，通过技术迭代，将VLM模型的参数提升至22亿，并部署在端侧设备上。这一举措大大增强了核心大模型的能力，赋予了整个智能驾驶系统更加强大和灵活的思维逻辑。

　　最后，理想还为了对端到端+VLM进行测试和训练，构建一个世界模型，这个模型能够尽可能真实地模拟现实世界的各种情况。

　　通过这种方式，端到端的智能驾驶模型以及结合视觉语言模型（VLM）的智驾系统，可以在一个虚拟环境中接受各种复杂场景的训练。

　　这样的模拟环境能够极大地加速整个系统的成熟过程，提高学习和迭代的频率。通过不断在虚拟世界中进行训练和优化，智能驾驶技术能够实现持续的进步，确保每天都有新的提升和发展。

　　实际上，找到第一性原理带给理想很多变化。这三件事，其实就是实现了端到端+类人大脑思考+虚拟世界考试的三个智能驾驶节点。

　　在整个智驾模式升级后，这套系统的优势，它是当前在物理世界实现人工智能的最优方案。

　　因为它非常好的模拟了人类认知和思考机制，真正的让系统拥有了像人类思考和理解世界的能力，这就是双系统的优势。

　　理想能找到智能驾驶第一性，进而实现在这个领域的后来居上，与他们重视创新，坚持不懈的研发投入有很大关系。

　　理想汽车董事长兼CEO李想，在接受媒体采访时表示，“未来三到五年，我认为最大的变量来自人工智能，包含基于真正的人工智能的智能驾驶和基于人工智能的智能助手，它将给消费者带来和今天完全不同的体验，这也是真正质变的开始。”

　　因为他们对于AI所能带来的变革有深刻的认知，并结合自身对于整个行业的理解，找到了智能驾驶的第一性。也才开始坚持不懈地进行大规模的投入和研发，进而带动理想汽车智能驾驶能力的快速攀升。

　　三季报显示，2024年前三季度，理想汽车的研发费用累计86.6亿元，同比增长22.1%，近一年，理想汽车累计研发投入超120亿元。在这样的情况下，理想智能驾驶能力提升非常快。

　　找到智能驾驶真正的第一性后，理想为了推动自身技术落地，还从数据、算力、算法上做了自己的设计和优化、投入。

　　一方面，自7月份以来，全栈自研的“端到端+VLM（视觉语言模型）”的新一代智驾方案以每周2至3个版本的速度快速迭代，从7月底开启千人测试，到11月14日，模型训练数据规模从100万clips（有效视频片段）提升至500万clips，平均接管里程（MPI）翻了约3.5倍。

　　截至目前，理想汽车智能驾驶训练里程已经达到26.7亿公里。理想汽车用户NOA总里程达到14.4亿公里，累计使用智能泊车功能超过6417万次。理想汽车主动安全累计为用户避免潜在事故360万次，其中包括超600次烈性潜在事故。

　　另一方面，理想部署的算力现在6.83EFLOPS的算力，到今年年底预计10EFLOPS，这已经不是10亿人民币，而是20亿人民币的花销，一年就要消耗20亿人民币。未来进入到L4阶段，每年数据的增长和算力的增长，都是呈指数级的增长。

　　另外，涉及算法，即理想地运用人工智能技术实现自动驾驶。传统自动驾驶的研发流程包括需求分析、产品设计、功能开发、功能验证和产品迭代，所有这些环节都融入了设计元素。

　　设计决定了车辆能够应对哪些特定场景，而未被设计覆盖的场景可能无法实现。然而，采用人工智能的方法，从端到端的模型视角来看，理想无需过度设计场景。

　　只需指示系统模仿“老司机”的驾驶体验，并输入理想车主中“老司机”的驾驶数据。这些数据的筛选极为严格，从80万车主中仅3%的数据被认为是真正的“老司机”数据。将这些精选数据提供给模型，模型将根据这些数据进行训练，其输出结果将与输入数据相匹配。

　　这正是人工智能的精髓所在：你提供什么样的数据，它就产生什么样的结果，而不是仅仅设计场景就能保证场景的实现。

　　这其实正好体现了，理想对于智能驾驶第一性原理的追求，对第一因的追求，从中去发展，去创造，去逐步渗透。

　　而有了这样的决策，理想在智能驾驶领域崛起就是一个大概率的事件。这种技术的投入带来客户的认知改变，进而推动理想汽车的销量和利润率双双上升，使得理想汽车获得了稳定发展的基础。

　　创新创造的第一性原理，看起来非常简单，但对于任何一个想突破关键领域技术障碍的企业来说都是，可以选择的必然突破口。

　　其实，第一性原理就是演绎法的体现，它提供了一种从最基本的前提出发，逐步推导出复杂现象的方法。

　　这种方法强调从物质和世界的最本源出发思考问题，不依赖经验或其它假设，直接从最基本的原则出发进行推理。

　　埃隆·马斯克将第一性原理应用于特斯拉和SpaceX等企业的创办和管理中，强调回归事物的本质，从最基本的物理和经济学规律出发进行创新和决策。同样理想在智能驾驶领域后发先至，依然是第一性原理的成功例子。