易车讯 5月7日，期望汽车推出“期望AI Talk第二季——期望VLA司机大模子，从动物进化到东谈主类”，期望汽车董事长兼CEO李想要点共享了对于东谈主工智能的最新想考，VLA司机大模子的作用、教师门径和挑战，以及对于创业和个东谈主成长的倡导。

李想将AI器具分为三个层级，辞别是信息器具、补助器具和分娩器具。目下，大多数东谈主将AI算作信息器具使用，但信息器具常随同浩瀚无效信息、无效收尾和无效论断，仅具参考价值。成为补助器具后，AI可以提高着力，例如目下的补助驾驶，但仍需东谈主类参与。畴昔，AI发展为分娩器具后，将能独处完成专科任务，显赫提高着力与质料。

李想默示：“判断Agent(智能体)是否信得过智能，要害在于它是否成为分娩器具。惟有当东谈主工智能变成分娩器具，才是其信得过爆发的时刻。就像东谈主类会雇佣司机，东谈主工智能时间最终也会承担类似职责，成为信得过的分娩器具。”

本年7月，期望汽车将迎来确立十周年。李想默示，创业路上苦多于甜，他聘请保留那些有价值的好意思好片断，用来引发我方保合手正能量。“创业确乎阻碍易，可是没必要苦哈哈的。苦和甜是一个硬币的正反面，取决于看哪一面。”他将企业碰到的打击视为必须面对的挑战，也正是这些挑战，赋予了期望汽车更多的才智。也正因这份积极乐不雅的创业心态，期望汽车才能快速成长为千亿营收范围、百万寄托量的新势力企业。

谈及如何成为更有能量的东谈主，李想认为，要害在于照顾自我，接受自身的优点和不及，并用成长替代改变——成长意味着增强才智。除此之外，李想强调亲密干系同样紧要，照顾他东谈主的成长也能带来能量，家东谈主和共事能够和他酿成互补，互相撑合手。“我需要家东谈主和共事以致卓著了他们需要我，开始是我需要他们，然后才是他们需要我，咱们在沿途能够酿成相配强的脑力和心力。”李想默示。

回归几次创业履历，李想默示，从高中创办个东谈主网站于今，我方的想维花式莫得什么变化：遇到问题处理问题，处理别东谈主不肯处理的费事，处理用户的痛点，不时向他东谈主学习。不同的是，如今靠近的问题更复杂、作事的用户群体更多、公司范围和组织也更庞大。“几次创业一齐走来，最难时有东谈主相助，遇坑也能飞快爬出，一帮东谈主王人心合力变得更好，这是种行运，也没什么可后悔的。”

以下为采访原文：

Q：距离前次的 AI talk 往日了 130 天，你最大的进步是什么？你有成为一个更智能的李想吗？

李想：我合计这 130 天我合计我更欢笑看到的是通盘中国的进步，对吧？我合计包括DeepSeek，包括千问在内的，可以让中国不管是基座模子，如故 reasoning推理模子，如故后边的多模态，依然跟好意思国的距离基本上拉近了，或者基本上在一个水平线上了。而且中国的企业作念出来这些模子着力也更高，不管是在预教师上，在教师的层面，如故在后边的通盘推理层面，咱们作念了好多的深层的工程的雠校。我合计也让通盘的中国的东谈主工智能范围更有信心。也包含后边我看到一些相比惊喜的，在 Agent(智能体)上头的一些冲突，不管是 Manus 如故这个如故 Genspark，我合计其实这些方面作念的都相配的好。

嗯，是以我说这个其实短长常惊喜的，那淌若从咱们我方个东谈主而言，这也确立了咱们把 AI 作念得更好的这个信心。今天公共在讲语言模子，但我如故认为语言模子仅仅宇宙的一个紧要的构成部分，但并不是全部，咱们要想去贯通物理宇宙，咱们要想让一个末端或者一个机器东谈主能够在物理宇宙和数字宇宙里运行，其实要作念的责任还有相配多。我合计这个其实是让咱们也愈加敬佩，这条路走下去是对的。

Q：那你有变成一个更智能的李想吗？

李想：我合计莫得那么大的变化。淌若从骨子的角度而言，东谈主工智能发展这样好，但我每天责任时候并莫得减少，如故在增加。

Q：是啊，这是为什么？

李想：大部分东谈主在使用，或者说我见到的简直总共东谈主，其实如故在把它当成一个信息器具来使用。那淌若是信息器具的话，其实AI算作一个信息器具不是齐全的，因为它临了一定要给你个next token(下个词元)，一定要给你一个收尾。而且公共今天神用的时候会先点上联网搜索，先去通过Rag(检索增强生成)联网搜索一些索引信息。但时时其实索引的信息源，就依然失真和不准确了，是以临了推理的历程，(天然)很看重地在作念推理，可是你涌现都看到这个历程和收尾依然启动有问题了。是以某种程度而言，淌若咱们分歧这套机制进行一个雠校的话，它某种程度仍然是在作念熵增，在增加浩瀚的无效信息、无效收尾、无效论断。

我合计这是一个很大的挑战，我就在想考一个问题，如故要站在信得过用户价值的角度，淌若公共在拚命地使用AI，公共在为AI作念投资，可是我的责任时长并莫得减少，我的责任收尾也莫得变好，那这个问题到底在那边？是以这亦然往日几个月我跟好多东谈主在聊，在想考，咱们里面在征询相配多的一个问题。我合计好多时候不要把东西缠绕到沿途，咱们可以先作念一个分类，因为东谈主类历史上也会有类似这些的分类。今天，通过一个对话的花式，不管文本何等长，其实它都是个信息器具，我合计信息器具对公共而言更紧要的其实是参考作用。

再往下，AI 变好了以后，它会变成一些补助器具。比如咱们今天作念的补助驾驶，公共在车上用东谈主工智能的语音花式来进行导航，来查找好意思团，来调取音乐，它会让咱们的着力更高，但它仍然离不开咱们。是以这时候，这种脚色相比像什么呢？它确乎比蓝本的使用体验会更好了，但它是个补助的一个器具。

我合计什么时候才能信得过改变咱们的责任的着力以及减少咱们的责任时长，我合计它必须变成分娩器具。我我方认为Agent(智能体)最紧要的评判条款是它是否是个分娩器具、它是否信得过能替代我去完成专科的责任、它是否确切在产生有用的分娩力、它是否确切在处理我责任中那最紧要的 8 小时的时候。对，我合计这个是我接下来对Agent(智能体)最紧要的算计，亦然我合计Agent(智能体)的真谛所在。

Q：这是你对于器具的三个分级，信息器具、补助器具和分娩器具。

李想：对，我合计东谈主工智能变成分娩器具，然后才是信得过东谈主工智能爆发的时刻。

Q：是以最往日130天其实最大的变化是外部的环境。

李想：对，国际环境在发生要紧的变化。然后时间也在发生变化，但时间最大的变化如故中国在东谈主工智能方面带来的变化。好意思国的变化反而没那么大。

Q：你从DeepSeek身上学到了什么？

李想：我合计DeepSeek我能学到最好的一个花式是DeepSeek期骗了东谈主类的最好实践，它极简的期骗了东谈主的最好实践。比如说其实他在作念DeepSeek V3的时候，其实 V3 是一个MoE(夹杂众人模子)的，671B的一个模子。我合计MoE(夹杂众人模子)是个相配好的架构。它绝顶于把一堆众人组合在沿途，然后每一个是一个众人才智。它作念这个众人才智是如何来构建的？其实挺涌现的，就当咱们想去构建才智的时候，DeepSeek给你展示了一个最好实践，第一步一定要先搞接洽。我合计这短长常紧要的。即是任何的时候，当咱们想去改变才智和提高才智的时候，第一步一定是搞接洽，搞完接洽以后其实才搞研发。然后搞完研发以后，我合计第三步是要把才智抒发出来。然后第四步是才智变成业务的价值。

这四个尺度是个极简的东谈主类最好实践，但咱们不时作念着就忘掉了，看到什么东西就径直去启动研发，而莫得去搞接洽。咱们我方也很受益，其实不管咱们是在端到端和VLM(视觉语言模子)上，如故今天作念VLA(视觉语言步履模子)的时候，咱们的接洽团队其实阐述得相配好。

包括你可以看海外的像李飞飞，其实她在援用补助驾驶的时候，也不时会援用咱们的对于补助驾驶方面的这些接洽的论文。那我合计这个其实挺紧要。那接洽跑通了以后，研发着力会变得相配的高。可是研发又相配贯注价值，他能够把价值抒发出来，然后变成业务，那我合计这是一个很紧要的历程。

Q：我很热爱在即是DeepSeek全球爆火的时候，你这个春节是如何过的？

李想：春节过得挺好的，还带着孩子去看哪吒2。那其实我印象应该是1月20号然后DeepSeek R1上线的，然后到后边开源，咱们也在对DeepSeek作念了好多的这个通盘的接洽，即是咱们也在接洽DeepSeek好多东西为什么作念得好。包括通盘的教师和推理的着力，也包括这些一个MoE(夹杂众人模子)模子部署上去对内存占用的这些挑战。

其实咱们我方依然启动在芯片上来写FP8(8 位浮点数样式)的通盘的工程的优化了。因为咱们我方有编译团队。那相比专诚想的极少是，我莫得上来敢跟模子团队径直聊，我先跟谢炎(期望汽车CTO)聊了一下，我说咱们自己要作念VLA(视觉语言步履模子)，然后VLA一个很紧要的磋商是到本年的这个9月份的时候能够作念一个相配好的语言模子出来，才能再往下去教师VLA(视觉语言步履模子)。

可是今天看的话说咱们我方瞻望的咱们到9月份作念的模子，才智是否比DeepSeek V3加R1更强？我说至少我听到你们说的东西，我说不如阿谁强，对吧？而且它开源开得如斯的绝对。然后咱们是否应该基于它的开源，去作念咱们的 VLA(视觉语言步履模子)的L(language 语言)的部分，何况咱们基于这个L(language 语言)的部分，比如说其实我在期望同学用的话可能即是个VL(视觉和语言)，它莫得A(action 步履)，对吧？就把(视觉)和language(语言)其实放在沿途，包括要作念成端到端的，然后语音的这样的一个花式。

我合计咱们蓝本本来应该是9月份以后才能作念这些责任，咱们是否应该站在巨东谈主的肩膀上就去作念了？然后谢炎(期望汽车CTO)说肯定应该这样作念。

那时候咱们相比惦记陈伟(期望汽车基座模子负责东谈主)会如何想，对吧？因为这个压力是挺大的。然后咱们发现陈伟比咱们还坚强。他说这个会加快咱们往下一步的这个责任，咱们应该以这个为基础，加快VLA(视觉语言步履模子)，加快端到端的多模态这样的一个进展，然后接洽团队也都在接洽咱们如安在芯片上也跑到同样的教师和推理的着力，公共都在同时事进行责任。

我跟谢炎(期望汽车CTO)打的最多的电话，咱们还有一个专门的东谈主工智能的计谋小组，咱们就在里边不休地聊，发现公共并不纠结，因为咱们知谈咱们家企业的基因，如故要为用户推出最好的居品和作事。

通盘拥抱DeepSeek的这个历程比咱们想象得要快，是以这是今天其实咱们VLA(视觉语言步履模子)推出的速率也会比蓝本的预期的要快。

Q：你如何看梁文锋(DeepSeek首创东谈主)啊？你合计他是如何找到你说的这个东谈主类最好实践呢？

李想：我只跟他聊过一次，是旧年的9月份，印象荒芜深，应该是ChatGPT的o1发布前的几天。我我方个东谈主嗅觉，两个性情，第一他是个荒芜自律的东谈主。涌现你跟他雷同的历程中其实能够看到，第二个是我个东谈主认为其实他是会在全宇宙范围之内去接洽和学习最好实践和最好的门径论的这样一个东谈主。

Q：如何贯通自律？

李想：我合计自律的最大性情即是能够苦守这些你信赖的东西，能够苦守这些最好实践，能跟东谈主性的一些懒惰、走捷径，这些方面作念抗击。

我合计让咱们愈加敬佩他，包括咱们的开源。我合计DeepSeek的出现对咱们加快作念VLA(视觉语言步履模子)是巨大的匡助。往日咱们盘算要到本年年底才能作念出一个像样的，能够得志咱们需求的语言模子，但DeepSeek一开源，咱们就加快了 9 个月的时候，是以给咱们带来了巨大的收益和匡助，咱们受到了那么大的匡助，是以咱们在想咱们能对社会作念点什么孝敬，是以咱们就把自研的整车操作系统期望星环OS给开源了。莫得公共想的那么复杂，我我方内心，包括谢炎(期望汽车CTO)的内心即是DeepSeek给咱们带来那么大的匡助，咱们应该给对社会孝敬点什么。不让行业那么卷。说白了隧谈是感谢DeepSeek。

Q：自研了四年吗？

李想：对，那确切是作念得好，涌现得好。淌若你作念的不好的东西出去开源不就丢东谈主吗？

Q：是以这是一种情感，而不是一个公司计谋，对吗？

李想：不是公司计谋。

Q：这很专诚想。 DeepSeek嗅觉带来了更多的暖热情切意。

李想：是的。

Q：你有莫得想过DeepSeek为什么不是你作念的？

李想：我合计我只可作念最好的我方。我的东谈主生履历，我进入了汽车行业，我作念汽车的网站，我其实一直在我方的长板的延迟线上不绝来作念。从最启动作念个东谈主网站，到作念居品的IT网站，到作念汽车网站，临了但愿能够改变汽车行业，推出更好的居品，汽车访佛下一代的信息时间。这个其实是我的一个延迟线。他(梁文锋 DeepSeek首创东谈主)的延迟线其实即是从东谈主工智能启动的，他在浙大学的即是东谈主工智能，那是他的延迟线，自己我也信赖，量化往来的公司，对于通盘模子的才智，对模子的贯通，对于自己工程的才智，不会比任何互联网公司差，以致可能还要更强。

Q：在春节之后好多东谈主都来问我这个问题，就说期望还作念基座模子。既然都有DeepSeek，为什么还要作念基座模子？

李想：因为咱们的业务，意味着其实咱们并不是说仅仅作念好语言模子就够了，咱们车上其实要有对话，然后又有多模态，那这个仍然其实需要咱们我方去教师一个证据咱们我方需要的一个基座模子，包括我要去作念VLA(视觉语言步履模子)，因为这个VLA里边，哪怕V(vision 视觉)和L(language 语言)都和平常的是不一样的，即是这个我需要3D的vision(视觉)，还有高清的2D的vision(视觉)的，然后token(词元)要用预教师，必须得波及到更专科的车范围的语义语料，交通范围的语义语料，咱们面向的家庭用户的语义语料，然自后作念教师，还有也包含其实还有好多的时候，一个紧要的是说公共在作念VLA(视觉语言步履模子)教师的时候，好多时候在作念基座的时候说我要把VL(视觉和语言)也要连在沿途，然后把VL(视觉和语言)的组合语料放进去，那这些不管是OpenAI如故DeepSeek，它都莫得这样的数据，它也莫得这样的场景和需求，也不去处理这样的问题，那只可我我方来作念了。仅仅平正是说VLA(视觉语言步履模子)里边的这个language(语言)，我可以站在巨东谈主的肩膀上，可是它仅仅我其中的一部分。

Q：是以一方面是拥抱了DeepSeek，另一方面你们把基座模子的团队还拆出去了，何况加大了参加，是吗？加大了参加？增加大？

李想：我合计开始教师卡比他们本年的预期咱们应该多买了 3 倍。

Q：你要训多大的模子？

李想：并不是一个固定的，即是咱们目下的话，作念出来的一个不同的版块，比如说咱们给期望同学用的，会是一个300B的模子，就能够是个3000亿(参数)的一个模子，咱们给补助驾驶期骗的VLA(视觉语言步履模子)的，其实VL(视觉和语言)的部分，是个32B的模子。那包含其实咱们信得过责任顶用的也会去用阿谁3000亿的这个模子，就能够目下是这样的两个版块。

Q：咱们来聊聊你们最近在作念的VLA(视觉语言步履模子)的架构。今天的补助驾驶其实走到了一个新的十字街头上，有的东谈主说以致合计补助驾驶应该被叫停。你如何想？

李想：我觉着咱们这样多年，从章程算法，作念到了端到端+VLM，然后今活泼正的迈入到了VLA(视觉语言步履模子)的阶段，我合计相比像什么？相比像清晨前的昏黑吧。我合计清晨立地就要来了。可是会先履历一个昏黑的历程，之是以有昏黑是因为要迎来清晨。我合计这是今天这样一个阶段。

正因为补助驾驶行业遇到了问题，我最可爱、最兴奋的花式，即是去处理行业处理不了的问题，我合计这是咱们我方坚强信赖的。就跟咱们推出增程，即是为了处理电板本钱高、充电难的问题。咱们推出5C亦然为了处理充电慢、恭候时候长这样的问题。咱们鼎沸去处理各式行业遇到的问题，包括咱们作念操作系统，亦然因为往日的时候，传统的那种车控和智控的操作系统性能差，开拓渐渐，芯片匹配周期长的这些问题。我合计这些问题(存在)恰正是咱们的价值所在。

Q：为什么东谈主类一定需要补助驾驶呢？为什么科技不行就此留步呢？

李想：只消东谈主类会雇佣专科司机。我合计东谈主工智能时间其实即是把类似这样的一些功能和脚色，去变成信得过的分娩力、分娩器具，然后去进行替代。

Q：什么是VLA(视觉语言步履模子)？你能从用户语言来讲，不要用时间语言。

李想：我合计VLA(视觉语言步履模子)咱们界说的一个花式是叫，因为VLA(视觉语言步履模子)机器东谈主范围也在讲，对于咱们期望汽车而言， VLA是一个司机大模子，像东谈主类的司机一样去责任的一个模子。那我合计到达 VLA (司机大模子)它不是一个突变的历程，其实它是一个进化的历程。

履历了三个阶段。我合计第一个阶段是咱们从2021年启动，通过机器学习的感知，劝诱后边的章程算法，包括缱绻、国法、实践这些章程算法分段式的。我合计第一个阶段相比像什么？相比像虫豸动物的智能。它有既定的章程，还要依赖于高精舆图，就相比像蚂蚁的步履和完成任务的一个花式。

Q：它能贯通的宇宙也很有限。

李想：相配之有限，我合计这是第一个阶段，而且着力相比低，亦然个很沉重的事情。它(章程算法)就这样一个范围的脑子，包括它的通盘模子范围能够就惟有几百万的一个参数，它就那么小的一个脑子，你让它去完成复杂的事情，简直不可能的。是以你就不休地为止、为止，简直把它作念成了一个有轨交通的花式。这跟蚂蚁相配相似。

第二个阶段即是咱们从2023年启动搞接洽，2024年推出的端到端。端到打量比像什么呢？端到打量比像哺动物的智能，比如像马戏团里的一些动物，向东谈主类学习如何骑自行车。它学了东谈主类的这些步履，东谈主类如何去作念出各式的步履的开车。可是它对物理宇宙并不睬解，它仅仅看到了一个什么样的三维的图像，知谈自身的速率，并给出了一个什么样的轨迹，是以它卤莽大部分的泛化是莫得问题的，去面对它从来莫得学到的、荒芜复杂的，其实就会遇到问题。是以这时候咱们也会劝诱，视觉语言模子 VLM，然后放进来。可是咱们能够用到的视觉语言模子这些开源的，用在交通上的才智都相配的有限，是以只可起到一些相配有限的补助的一个作用。我合计第二个阶段即是哺乳动物智能运作的一个花式。

我合计到了VLA(司机大模子)，即是统统东谈主类的运作花式了。它会像东谈主类一样的，用3D的vision(视觉)和2D的组合，去看通盘确切的物理宇宙，也包含它能够去看懂导航软件，这样的软件是如何在运行的，而不是像VLM(视觉语言模子)那样只可看到一张图片。另外一方面，它有我方的通盘脑系统，不但要看到物理宇宙，还能够贯通这个物理宇宙。它有它的language(语言)，然后它也有它的CoT(想维链)，有推理的一个才智。我合计第三个，它能够像东谈主类一样的，信得过地去实践这样的步履。我合计这个其实是VLA(视觉语言步履模子)产生的一个，放在咱们的汽车，补助驾驶范围，咱们把它称之为VLA的司机大模子。

Q：你也可以讲讲VLA(司机大模子)这三个它的干系是什么，以及如何训的。

李想：我如故讲一下如何训的，并把这个干系抒发明晰了。我合计第一个其实是教师的要道。教师要道第一个部分是什么呢？要训出来一个VL(视觉和语言)的基座，就vision(视觉)和language(语言)的基座。咱们目下在训的，刻下的这个版块，是一个32B的，即是320亿云霄的一个基座模子，是以先训这个。这里边的话，跟往日的时候这些语言模子的互异在于什么呢？第一在于我要放入更多vision(视觉)的语料，放入vision(视觉)的token(词元)。vision(视觉) 里面包含两个部分，一部分是 3D上的vision(视觉)，物理宇宙 3D 的 vision(视觉) 要放进去，第二个是高清的、2D的vision(视觉)。因为今天的话，公共看到各式多模态的开源 VLM(视觉语言模子) 里边，它通盘 2D vision(视觉)的澄澈度太低，是以看的距离不够。那咱们放进去的基本上图像分辨率提高了10倍。我合计这短长常之紧要的。这是一个部分，是vision(视觉)的token(词元)和语料。

第二个是要放入language(语言)，跟交通、驾驶有关的满盈多的这方面的语料。这是language(语言)的部分。

第三个还有一个很紧要的，是公共可能容易忽略的，就咱们必须放入好多VL(视觉和语言)蚁合的语料，即是三维图像和对宇宙的贯通语义要同期产生的。比如我举一个例子，我要把导航的舆图和车辆对导航舆图的贯通沿途放进去。

Q：这是你们我方的？

李想：比如我要放入一个，看到导航以后东谈主类作念了一个什么判断，然后这个判断咱们的车辆是如何纪录的。把这个语料放进去。其实通盘 VL (视觉和语言)基座模子教师的时候，包含了三个部分，数据是vision(视觉)的数据，language(语言)的数据和VL(视觉和语言)蚁合的数据。然后它酿成一个VL(视觉和语言)的一个基座。同期我要把这个基座干什么呢？我要蒸馏下来，然后变成一个 3.2B 端侧的蒸馏模子。因为我要保证它运行速率满盈得快，然后不管是两个Orin-X如故Thor-U上能够运动地运行。蒸馏下来是一个3.2B，8个众人构成的MoE(夹杂众人模子)模子。淌若径直跑3.2B一个完整模子的话，双Orin-X和Thor-U的帧率是够不上的，token(词元)的通盘输出率是够不上的这是第一个尺度，这是预教师的要道。

第二个尺度是什么？第二个尺度是作念后教师。后教师是什么呢？后教师其实是我把它变成VLA(司机大模子)。我要把action(步履)放进来。action(步履)的部分后教师什么呢？其实仍然是一种效法学习。荒芜像你去驾校学开车，就绝顶于我教师VLA(司机大模子)，把它组合成一个VLA(司机大模子)的端到端的一个花式，这是第二个部分。这个时候能够模子范围就会从3.2B能够扩大到接近4B，能够这样一个范围。

同期，它一方面是个VLA(司机大模子)，能够径直从视觉，到贯通，到临了的输出。可是咱们的CoT(想维链)就会很短，我不会作念超长的CoT(想维链)，我的CoT(想维链)链条一般两步到三步，我不会再作念更多的，不然延时太长，莫得办法得志交通或者机器东谈主的安全。另外当我 action(步履)作念完以后，我还会作念一个diffusion(扩散模子)的瞻望，即是下边会发生什么样的时长的一个场景。这个主要证据性能会作念出来4到8秒的一个diffusion(扩散模子)的轨迹和环境的瞻望。我合计这是第二个部分，相比像东谈主去驾校学开车这样的一个要道。

第三个部分是什么？是强化，是要作念强化的教师，相比像东谈主到社会上开车了。是以强化咱们分红两个部分，第一个部分先作念RLHF(基于东谈主类反应的强化学习学习)，带有东谈主类反应的，是以咱们有好多东谈主类数据。即是当它这样的话，东谈主类就会接受，当它那样的话，东谈主类不会接受。包括东谈主类的一些风气，是以拿这块来作念一个带有东谈主类反应的强化教师。包括咱们安全的对王人都是在这个强化的要道完成的，你除了要遵从交通章程除外，你要遵从比如中国的，公共的驾驶风气。你的开车风气能够融入社会，开始要开得跟通盘社会环境上的公共一样好，不行给别东谈主带来沉重，对吧？而不是个生手在路上的时候，你变成一个拦阻。第二个部分是隧谈的RL(强化学习)，是(拿RL模子放到)咱们的宇宙模子来作念教师。这块儿的宗旨什么呢？即是开得比东谈主类更好。这块儿的话，咱们中间不会给东谈主类的反应，只会给一个收尾，即是从a点到b点要开往日。可是会有三类的教师要求，第一个是咱们可以通过G 值(加快度数值)来判断它的悠闲性，给悠闲性的反应。第二个是作念碰撞的反应，它碰撞了这个强化就莫得完成。第三个是交通章程的反应，淌若它违犯交通章程就莫得完成。是以是悠闲、交通章程和碰撞事故，让它我方来作念通盘强化的教师。当这三个尺度完成了以后，VLA(司机大模子)能够跑在车端的模子其实就产生了。

能够是这样一个花式。跟东谈主相配像，先学习宇宙、交通和东谈主类的这些常识，这是预教师的要道。后教师的要道绝顶于去驾校，看重地去学开车。第三个要道绝顶于到社会上来开车，亦然咱们教师的一个历程，要通过东谈主类的RLHF(基于东谈主类反应的强化学习学习)跟东谈主类作念对王人，然后跟社会的环境来对王人。另外一方面，通过纯RL(强化学习)的强化，以及咱们我方谢宇宙模子里生成的数据拿它作念强化教师，从而开得比东谈主类更好，能够处理更复杂的问题，或者说，比东谈主类的平均值要好得多，能够是这样一个历程。

这还莫得完，这时有了VLA(司机大模子)。但东谈主类是如何跟VLA(司机大模子)责任的时候，其实我要搭建一个司机的Agent(智能体)。司机的Agent(智能体)是什么呢？是东谈主类以天然语言的花式，即是你跟一个司机如何言语，你跟一个平常的驾驶员，假定你有男一又友，你男一又友在开车，你如何跟他说，你就如何跟司机Agent来说。或者一个代驾，你如何跟他说就说了。这里边的话，淌若是一些短领导，通用的短领导VLA(司机大模子)径直就处理了，不需要再经过云霄。淌若是一些复杂的领导，其实先要到云霄的 32B那里，VL(视觉和语言)处理完以后，(因为它贯通交通的一切) ，通盘交给VLA(司机大模子)来进行处理，能够这样运行的一个历程。

说白了它临了的一个平正是说它能够像东谈主类司机一样去贯通物理宇宙，能够像东谈主类司机一样去开车，行止理复杂的问题，也能像东谈主类司机一样跟其他东谈主类进行雷同。这是临了咱们寄托到用户那里的居品。

Q：这其中这些尺度里面哪个是最难的呀？

李想：没法瞻望，我合计莫得办法瞻望。因为这些东西咱们前边莫得任何东谈主走过这条路。DeepSeek也没走过这条路，然后OpenAI也莫得走过这条路，谷歌、Waymo也莫得走过这条路。咱们其实走的是一个无东谈主区。

Q：那你们为什么就bet(下注)，为什么就押注了这条路呢？因为我最近作念了一个时间播客，即是讲 VLA(视觉语言步履模子)，我就嗅觉这个时间阶梯还莫得敛迹。为什么你们合计你们可以？

李想：我合计交通范围应该是VLA(视觉语言步履模子)最早已矣的。因为车……

Q：章程澄澈？

李想：因为一是章程明晰，包括你说作念强化短长常容易的。按照每个来讲，交通的宇宙，一个车会跑到那边？其实是有的，天然它很复杂，可是细宗旨，对吧？车又不行开到水里，车也不行开到空中，车只可开到有路的所在，是以它是复杂但具备细目性，对吧？我合计这是极少。

第二其实车的国法，其实车是个3 DoF(摆脱度)，车有三个摆脱度，对吧？傍边是一个摆脱度，前后是个摆脱度，某种程度上还有极少微弱的旋转，是个摆脱度，对吧？以致补助驾驶某种程度就国法两个多，撑死就三个摆脱度。淌若这个都不行已矣，机器东谈主的上来即是40多个摆脱度，阿谁挑战就更大了。

是以这时候，咱们进行效法学习是荒芜容易的。是以车看到的即是东谈主看到的，东谈主操作的其实即是车操作的，是以我合计第二个它能作念荒芜好的效法学习。

第三个它还能作念荒芜好的强化，对吧？即是公共在使用的历程中动怒足的时候就接受了，其实这个即是跟东谈主类莫得对王人，对吧？它就告诉你不应该这样作念，以及告诉你该如何作念，这短长常澄澈的方针，对吧？包含哪怕其实不作念，包括后边我不作念东谈主类监督，我靠生成数据来作念教师的时候也相配澄澈。因为什么是悠闲，G值(加快度数值)是可以抒发的。什么是适应交通章程是能够抒发出来的，交通章程是个澄澈的章程。第三个是否发生碰撞是可以抒发的。淌若它很悠闲，又不违犯交通章程，然后第三个，又莫得发生碰撞，a点到b点它就会开得越来越好。我合计它是一个最好的 VLA(视觉语言步履模子)的，第一个紧要的实验场。

Q： VLA(视觉语言步履模子)还有包括VL，它的哪个数据获取难度是最大的？

李想：vision(视觉)和action(步履)。

 vision(视觉)和action(步履)的数据是因为车，咱们装满传感器是可以网罗物理宇宙数据的，还有东谈主在车上开车是咱们可以网罗到action(步履)的数据的，这两个其实是最难的，而且也莫得任何公司可以替代。

Q：其他的车企不行吗？其他车企也可以啊。

李想：可是我合计其他车企你有莫得建设通盘基座模子的、预教师的才智，后教师的才智，以及后边强化的才智，因为强化还需要宇宙模子的才智，我合计这是不一样的，对吧？包括我刚才讲的说，其实自己咱们如何去处理好多的问题，比如说我讲一个问题，第一个如何提高才智刚才证实晰了，第二个是说我如何向东谈主类安全对王人，我淌若让它像一个事迹司机一样满盈的安全，满盈的悠闲，是以咱们自己能够要建设强化学习的体系，对吧？咱们的RLHF(基于东谈主类反应的强化学习学习)是很紧要的，咱们其实有一个成范围的团队了。

因为好多时候一家公司淌若模子才智不彊的时候，根柢不知谈如何去作念对王人，对吧？因为你模子才智强的时候，你才发现对王人的紧要性，你才知谈Ilya(伊尔亚·苏茨克维，OpenAI蚁合首创东谈主)蓝本想得那么远。Ilya把好多事情想得那么远。

Q：如何说？

李想：因为模子才智越强，也就意味着它胡来的可能性越高，就跟一个东谈主才智越强，其实我要需要他的事迹性越强。公司范围越大，越需要事迹性。公司小时候不需要事迹性，对吧？然后因为一个东谈主才智强的时候，他干功德也很强，他干赖事才智也很强，是以这时候就需要事迹性来管理。

比如举个例子，我不可能雇用一个事迹赛车手来每天给我开车，但我要雇一个事迹司机，是以他除了开车才智可以除外，他有相配强的事迹性，保证悠闲、保证安全，保证像东谈主类开车的，价值不雅能够对王人，是以这个其实是很紧要的责任，咱们就能作念得相配好。

我合计第三个还有最大的一个挑战，即是模子是一个黑盒子。如何处理？是以咱们作念了宇宙模子，对吧？然后咱们把VLA(司机大模子)放谢宇宙模子里，一个交通宇宙模子，它是一个淌若不跟你说的话，你看的跟一个确切宇宙是一样的。

Q：模子是一个黑盒，如何处理它？

李想：咱们很早的时候在作念端到端的时候就相识到，然后模子的黑盒子问题必须得沿途处理。是以咱们那时然后作念的宇宙模子，或者说是叫交通宇宙模子，即是咱们用重建加生成的一个花式，借助咱们的数据，然自后构建了一个确切、交通的一个物理宇宙，包含有总共的参与者、参与物，总共的固定的这些物体，我合计这短长常紧要的。

是以咱们就可以让不管是最启动的这个端到端如故今天的VLA(司机大模子)，在模子里边进行检会，它会模拟确切的交通的参与，包括确切的这些城市，来进行检会，而且检会有点像我刚才，跟我刚才讲的然后强化教师其实相配类似。它考什么呢？考a点到b点。然后考什么呢？考这个它的悠闲性、它的交通的合规性和它的安全性。

我合计这是咱们要一直在作念的这方面的一个责任。那这时候就能够相配好的归附了，而且基于这样的一个 咱们的模子或者确切的物理宇宙的仿确切才智。咱们还把通盘的考证的本钱大幅的下落，往日的时候咱们靠东谈主类司机来作念一万公里的考证，这个每一万公里的本钱能够在17万到18万东谈主民币，算上车的各式用度，今天的话咱们能够只需要花 4000 多块钱东谈主民币，就每一万公里。那这4000多块钱基本上都是算力为主的本钱，而且处理问题的着力还提高的多得多。

为什么呢？比如说其实今天的时候，咱们要处理一个问题的时候，这个问题产生的时候，是咱们自身的车辆跟多个交通参与物在不同的位置上，还有不同的谈路上，出现了一个问题，可是淌若你靠东谈主类去考证我有莫得处理这个问题？要把这几个交通参与物，雷同的位置、雷同的速率，其实凑在沿途，简直莫得可能，是以只可依稀的考证。但今天，然后咱们有了宇宙模子以后，咱们可以相配准确地考证。咱们修正以后的模子有莫得处理这方面的问题，可以100%归附一模一样的、确切的场景，谢宇宙模子里，进行考证。

Q： 咱们在说司机Agent(智能体)的时候，它其实是波及到action(步履)进入了外部宇宙，进入了物理宇宙。那如何处理安全问题呢？这个相配紧要。

李想：是以咱们其实从旧年年底确立了超等对王人的团队，比如说模子才智很强，但不遵从交通章程，然后模子才智很强，但模子不时去加塞，去在交通拥挤中去加塞，对吧？它作念出来一些让东谈主类坐在车上嗅觉到不安全的步履，对吧？那我合计这个其实，至于是否让它碰撞，是模子才智的问题，是否产生这些问题，其实是这个价值不雅，是这个模子要去作念的对王人的这方面的。

是以这亦然刚才我讲的，即是说咱们要在作念强化，教师的第一个要道，是咱们必须把东谈主类的这些章程、习俗、驾驶风气，对于好多东西的判断，其实变成它通盘的要教师的反应。我合计这个其实咱们必须要作念的，是以咱们有一个挺大范围的，咱们有一个 100 多东谈主的超等对王人团队。

因为你才智越强、背负越大，我合计这是背负，或者你还可以用另外一种花式，咱们把超等对王人淌若拿一个东谈主例如子的话，模子绝顶于是这个东谈主的专科才智，然后超等对王人，是这个东谈主的事迹性。

Q：谈德？

李想：对，是他的概括事迹性。然后司机Agent(智能体)，包括司机背后的这种牵记才智是如何和使用者建设信任的，是以咱们比如说我招一个职工，或者我是否定可一个职工，同样是看他三个，第一个，是看他的专科才智，然后第二是看他的事迹性，然后我合计第三个是看他其实对别东谈主贯通和构建信任的才智，比如这三个都很好，我合计即是最不凡的职工。

Q：超等对王人，是什么时候启动作念的呀？

李想：是咱们作念到了1000万Clips(视频片断)以后启动来作念的，因为我发现这时候如何去有用的期骗模子的才智就很要害了，比如就举个例子，它不时一拥挤就去加塞，然后这个包括它作念的好多步履，天然着力很高，可是东谈主坐在车上是很不惬意的，因为跟东谈主类的一些处理花式或者跟平常东谈主类处理花式不一样，它可能学到了一些不该学的司机的步履。

Q：我听你说我有一个感受，即是刚启动大模子火的时候，公共都说创业要作念AI是造东谈主，你们这个其实即是在造司机。

李想：对，是的。我一个很紧要的嗅觉即是，咱们惟有让它变成一个信得过的司机，它才是一个分娩力器具，不仅仅一个补助器具，对吧？今天L2，L2+其实是个补助器具，补助器具其实还需要东谈主浩瀚的参与。可是我合计淌若想变成一个分娩器具，我个东谈主认为并不会出现通用的 Agent(智能体)，而是每个专科范围作念专科的Agent(智能体)。就我刚才讲的一样，其实要想开好车，它总共的vision(视觉)的语料， language(语言)的语料，和action(步履)其实都是不一样的。你想作念好一个医师，你想作念好一个讼师，其实背后的通盘想维链，总共的数据其实都是统统不同的。是以我合计这是判断。

另外一方面，淌若你想变成一个分娩器具，这时候就会和专科的东谈主进行相比，比如说你是否比一个专科的司机开得更好？你是否比一个专科的医师阐述得更好？你是否比一个专科的讼师阐述得更好？你是否比一个专科的尺度员阐述得更好？因为你会影响到它的通盘分娩，它的通盘事迹，它的责任收尾，以致它的财产和生命安全。我合计这是咱们看到的这个止境，是以这亦然为什么咱们必须很耐性、很深入地去处理，哪怕一个司机的问题。它并不可能通过一个泛化的大基座模子，或者一个大语言模子，这些东西都能已矣了，我合计这是不践诺。

Q： 什么是一个好的司机大模子的北极星方针(终极方针)？

李想：我合计如故把司机大模子和Agent(智能体)放在沿途，这才是一个信得过用户能够使用的一个居品，那淌若是一个，我合计淌若是一个司机大模子，好的，我合计跟东谈主的判断是一样，就我判断一个司机，就咱们家雇用了一个司机，第一是他开车水平好不好？其实是他模子才智强不彊？第二个如故说他是否事迹？然后我合计那他是否事迹，很紧要的极少其实即是咱们的超等对王人这方面的责任，包括强化教师，是否作念得满盈的好？然后我合计第三个，是否安全，对吧？、我合计第三个是他跟我之间的信任的干系，我是跟他说什么他都听不解白？如故我说上半句他就知谈下半句，以致我好多东西不说，他依然对我的牵记里边都可以独自去完成了。

其实就咱们如何去通过Agent(智能体)和牵记来构建一个更好的信任的一个干系和贯通的一个干系。淌若我什么都不说，他都知谈我要干什么了，这个司机密同期又得志了他开车可以，又很事迹，他又对我荒芜了解，荒芜贯通，我就会一直雇佣他。对，我合计临了咱们对司机的Agent(智能体)，对通盘的这一个司机大模子，司机Agent(智能体)的判断亦然一样的。我合计以后总共的AI的或者Agent(智能体)的判断都应该是这样的，它的专科才智，它的事迹才智，然后以及它给你构建信任的这个才智。

Q：你合计这个Agent(智能体)应该如何订价呢？

李想：咱们雇用东谈主类用度的几分之一，至于几分之一临了如故看把本钱都算出来以后，我合计比如说我一个月，我雇一个司机，1万块钱，我是否鼎沸？2千到3千雇佣一个司机。然后我合计这个其实是一个，可能是一个相比紧要的一个判断，天然它也会带来其他买卖模式的不同。比如说你花2千到3千块钱雇佣一个司机，那可能你对车而言，你可能也不需要付保障费了，保障费也包在这里边了，保障的用度就财产的保障，这个财产险的用度也包含在里边了。也可能一定的这种，因为它可能会自动去充电，可能一定的充电的金额，对应一定里程的充电金额也放在里面了。是以可能到临了算下来，还可能是个更合算的一个事情。

Q：咱们刚刚在聊 VLA(视觉语言步履模子) 嘛，那是不是意味着端到端才出来一年，你们就要换架构了？这个是不是太快了？旧年端到端就被烧毁了吗？

李想：我合计也莫得烧毁，如故我刚才讲的，其实端到端是VLA(视觉语言步履模子)的一部分基础。淌若你把端到端想象成一个一个具身智能实践的要道，那它其实即是咱们VLA(视觉语言步履模子)的A(action 步履)的部分，就我 A(action 步履)的部分其实仍然是在拿这个数据在作念教师的。其实它就构成了我的A(action 步履)的部分了。仅仅我要多语言的部分，还要多更强的3D vision(视觉)和高清2D vision(视觉)的部分。

Q：有可能一步直达 VLA(视觉语言步履模子) 吗？就比如说旧年不推出端到端加VLM(视觉语言模子)阿谁版块，然后径直推 VLA，径直研发VLA。

李想：莫得可能，至少从咱们我方的体验上其实莫得可能。我说不太美妙的话，即是莫得办法径直吃第十个包子。天然可能公共合计第十个包子吃饱了,但前边每个包子其实都跳不外去。我合计时时好多时候，淌若公共不想作念前边任何包子的积攒，只想吃第十个包子，好多时候相配像练葵花宝典。我合计今天包括DeepSeek的出现并不是练葵花宝典练出来的，往日的时候它很早就构建这种集群的才智去作念这些链路、基建的优化，我合计都短长常之紧要的。是以才有了它的低本钱和着力啊。是以我说其实咱们荒芜可爱讲这种，有一个东谈主很机灵径直吃到了第 10 个包子，但践诺中其实，至少今天这个社默契盘的常识端淑发展得越来越好了，不是胆大大于一切，我看不到什么捷径。包括今天好多企业作念端到端都很吃力，因为在章程算法时候都没作念好。

Q：可是公共就合计李想才是摘第10个包子的东谈主，因为你们作念补助驾驶的时候比别东谈主晚。

李想：但咱们自研的时候并不短啊。咱们从2021年，上地平线征途Journey3芯片的时候就启动作念自研。然后咱们接洽作念得也很塌实。我合计中国的总共企业里边，对于补助驾驶的论文咱们应该是发表，以及被大的会议，大的社区中式和援用的其实应该亦然最多的。我合计这个阶段咱们如故作念的挺塌实。

因为咱们是个用户导向的公司，咱们认为时间是一种才智，是以咱们更多的时候讲的是用户的价值，今天公共讲咱们是雪柜、彩电、大沙发，对吧？可是背后的话，咱们的这个雪柜、彩电、大沙发的智能化背后的基础，今天公共看仍然短长常强的，体验起来是统统不一样。

Q：背后的基础是什么？

李想：即是大型软件的才智。咱们后边好多才智其实如故很塌实的。比如举一个例子，就为什么今天公共作念端到端和VLM(视觉语言模子)很难？是因为这个Orin芯片并不支合手径直跑语言模子。咱们是我方的编译团队，是以咱们荒芜贯通DeepSeek，一看就看判辨了，比如它作念FP8(8位浮点数样式)的优化，能够跑它的通盘教师的一个架构。咱们作念雷同的事情，咱们径直然后是写了 Orin-X底层，因为英伟达没时候，咱们我方写的底层(推理引擎)，让它用 INT4量化的花式来跑 VLM(视觉语言模子)。那这跟谁(DeepSeek)作念 FP8(8位浮点数样式) 的教师其实一个意思。包括今天的话，咱们为什么能作念到双Orin-X跟Thor-U 都能跑VLA(司机大模子)，可能对好多团队是个相配大的挑战，为什么呢？因为咱们我方有相配强的才智，咱们有编译团队，然后咱们有芯片的才智，然后咱们有板子联想才智，有操作系统才智，是以咱们是能够把两个 Orin-X带宽满盈的大，它同样可以跑同等范围的VLA的模子。我合计咱们这方面的时间都短长常之塌实的。因为我我方如故认为，其实即是你范围小的时候无所谓，你范围大的时候基本功和才智长期是无法逾越的。

Q：背后的基础是什么？

李想：即是大型软件的才智。咱们后边好多才智其实如故很塌实的。比如举一个例子，就为什么今天公共作念端到端和VLM(视觉语言模子)很难？是因为这个Orin芯片并不支合手径直跑语言模子。咱们是我方的编译团队，是以咱们荒芜贯通DeepSeek，一看就看判辨了，比如它作念FP8(8位浮点数样式)的优化，能够跑它的通盘教师的一个架构。咱们作念雷同的事情，咱们径直然后是写了 Orin-X底层，因为英伟达没时候，咱们我方写的底层(推理引擎)，让它用 INT4量化的花式来跑 VLM(视觉语言模子)。那这跟谁(DeepSeek)作念 FP8(8位浮点数样式) 的教师其实一个意思。包括今天的话，咱们为什么能作念到双Orin-X跟Thor-U 都能跑VLA(司机大模子)，可能对好多团队是个相配大的挑战，为什么呢？因为咱们我方有相配强的才智，咱们有编译团队，然后咱们有芯片的才智，然后咱们有板子联想才智，有操作系统才智，是以咱们是能够把两个 Orin-X带宽满盈的大，它同样可以跑同等范围的VLA的模子。我合计咱们这方面的时间都短长常之塌实的。因为我我方如故认为，其实即是你范围小的时候无所谓，你范围大的时候基本功和才智长期是无法逾越的。

Q：是以什么样的corner case(长尾案例)是可能端到端加VLM(视觉语言模子)架构无法处理，而VLA(视觉语言步履模子)是可以处理的。能不行给公共举个例子。

李想：我合计有两个。往日的时候端到端有两个沉重的问题。第一个问题是它对复杂东西的贯通，比如这有一个复杂的修路，淌若是章程算法可能就会撞上了，淌若是端到端可能停驻来，但它不知谈该如何干了。淌若是VLA(司机大模子)就能放肆处理了，而且这些我不需要有确切的场景，以致我可以径直生成，然自后数据来进行教师，对吧？因为它能够有贯通才智了，它并不是仅仅看到一个征象，就作念出一个收尾。章程算法其及时时可能就会出现，遇到一个复杂路况，复杂的、没见过的，或者章程之外的它就会出现事故。淌若是端到端的，它可能停驻来，但它不知谈该如何办了，咱们不时遇到修路景色，它在那不知谈犹游移豫，不知谈该如何办，对吧？可是淌若VLA(司机大模子)，它其实就能够有用地行止理了，而且不需要通过海量的数据教师。哪怕最启动这个场景莫得办法处理，但我保证三天之内有关的这种场景都能处理，因为我可以拿这东西来生成数据，生成让数据来进行教师。我合计这是一方面。

另外一方面其实还有很难的极少是跟东谈主雷同。今天端到端如何作念？就跟山公一样，你影响不了它，对吧？比如说咱们会不时遇到一个什么样的景色，即是在一条路上三条谈，最右侧的车谈是公交车谈，然后又是限行，可是公交车谈长期莫得贯注了，阿谁印刷依然不明晰了，是以它就会在那跑，天然你可以通过一个调养说，回到中间车谈，但它过一阵又跑到那条车谈上去了。淌若是东谈主类有了Agent(智能体)以后，因为有了VLA(司机大模子)才有Agent(智能体)能跟VLA雷同，对吧？是以我可以跟一个Agent(智能体)讲说，接下来这条谈路一直在中间行驶，直到它在导航的时候走了下一个。包含淌若跟导航错失了以后，端到端就不知该如何办了，可是VLA(司机大模子)在小区里可以漫游。在一个绽放空间里，它可以先处理完以后，临了再跟导航调养以后的进行汇合，它跟东谈主类统斡旋样的了。仅仅今天可能它算作一个东谈主类，才智还没那么强，算作一个东谈主类才智还有一个成长的历程，比如它今天像一个刚从驾校学完的生手司机，有可能是这样一个景色。

Q：本年都会是这个状态吗？

李想：我合计如故看通盘教师的一个程度了。但它泛化才智是统统不在一个量级上了。

Q：你合计VLA(视觉语言步履模子)是终极的架构吗，处理自动驾驶的？还会有下一代吗？会不会来岁这个时候又是新的架构了呢？

李想：我我方认为VLA(司机大模子)能够处理到全自动驾驶，可是VLA(司机大模子)是否是一个着力最高的花式？是否有用率更高的架构出现？我打个问号，我认为能够率如故会有的啊。因为VLA(司机大模子)如故基于Transformer这式样的，那Transformer是不是一个着力最高的一个架构，对吧？那我合计这个其实后边不知谈。

Q：它是现阶段着力最高的架构，在你看来？

李想：我合计它是才智最强的架构。对，因为目下才智差距太大了，就跟东谈主类及格开车。今天这个补助驾驶的这些章程算法、端到端跟东谈主类差距如故太大了。对，然后那我合计它是最接近东谈主类的，以致有契机卓著东谈主类才智的一种，就对于开车超越东谈主类的一种花式。那它是不是着力最高的花式？其实是打个问号，因为它今天对算力的要求如故很高的。

Q： VLA(司机大模子)跟临了可能酿成的最终大斡旋模子的干系是什么呀？它是阿谁大斡旋吗？

李想：我合计如故会有一个着力的问题，对吧？我讲的真谛是，其实咱们天然有模子，但咱们从来不烧毁器具，然后因为器具是增加细目性和提高着力的。我如故举一个挺澄澈的一个例子，因为团队好多时候太想用模子处理一切问题，对吧？然后那这时候就会出现类似一个表象，比如我举一个例子，那今天天然VLA(司机大模子)会处理很好了，其实咱们在使用 VLM在处理ETC时候并不好。

因为VLM(视觉语言模子)对于位置的判断是很厄运的，是以它淌若其实是两到三个ETC，然后我如何进入其实相配容易判断，其实即是这个左中右。但淌若像京承高速这样的机场高速那样的十几个ETC，它好多时候就不知谈如何处理了，就启动相配交加了，因为它莫得位置的判断的这个才智，咱们团队太但愿用模子去处理问题，即是说不休地去给VLM(视觉语言模子)喂更多的语料，更多的东西，其实都莫得处理这个问题，因为这是VLM(视觉语言模子)的阿谁架构问题。

然后我跟团队说，那处理ETC为什么不行用章程算法？因为最多的也有 15 个口，对吧？ 15 个口对于你们而言，写一个尺度基本上一周之内就能完成，以致三天就能完成。可是我说好多时候咱们心里有个心结，对吧？因为东谈主类好多运行的时候其实是大模子运行，可是我说咱们算作一个这个平常的东谈主，咱们其实也会背乘法口则，乘法口则即是个章程算法，对吧？可是乘法口则的收尾是咱们浮滥的脑力更少，对，咱们浮滥的token(词元)更少。

然后以及咱们的准确性更高，是以它即是个好东西，它即是个器具，对吧？然后淌若是一个细目性的，能够拿章程去处理的，其实它意味着更低的能量浮滥、更低的算力浮滥和更高的准确性，对吧？那我合计为什么毋庸？是以团队很快就把问题处理了，是以咱们在ETC就相配的稳了。其实一周都不到就处理了，往日的时候处理了三四个月都处理不了的，本钱很高的花式处理不了的。是以我说即是我合计信得过往下去落的时候，好多时候如故要接头着力，即是今天DeepSeek之是以受到全宇宙的注释，很紧要的一个原因如故因为它的着力变得更高了。

Q：特斯拉FSD确切的进入了中国，对你有莫得什么影响？

李想：咱们认为，咱们我方一个判断的话，从实测过来的话，他们能够在用12.5之前的模子。对，在用12.5之前的模子，然后并不是特斯拉确切才智，距离特斯拉确切才智还有巨大的差距。特斯拉13.0以后的才智还短长常强的。而且 12.5之前的话应该其实是这个半章程算法的才智。是以我说不是特斯拉确切才智的体现，可是咱们能看到特斯拉基本功短长常塌实的。它的通盘的感知的距离，它通盘运行的帧率，它通盘的车辆的通盘的国法的踏实性。

Q：为什么莫得开释确切的才智？

李想：我合计因为淌若径直上端到端的话，有中国的这些路况什么的，其实刚才我就像我讲的，它在好意思国莫得学习到这些东西，然后再遇到这些复杂的，是如故会遇到挑战的。

Q：你们目下还学特斯拉学的多吗？最近从他身上学到了什么呀？

李想：我合计好意思国的好多的顶级的公司，像苹果，像特斯拉这种企业，即是他们基本功荒芜塌实。然后我合计这个是咱们信得过要去学的，尤其是在今天这种内卷的环境下，然后包括外部的不细宗旨环境下，我合计这时候更是每个企业扎塌实实练基本功的最好的时候，而且到了东谈主工智能期间的话，基本功就更是不可能、不可最初的。是以我合计淌若好多企业作念了好多的立异，可是莫得基本功，不塌实，是以好多立异就会好景不长就往日了，是以这会是很大的问题。因为就它天然领有好多钱，能发明了好多东西，就创造、立异了一些好多的功能的组合。可是你会发现才智强的公司复制的东西基本上在东谈主工智能期间都是按周计较的就能复制过来，是以阿谁才智的基本功还短长常紧要的。

Q：为什么是学苹果呢？它也不是一家 AI 公司啊。

李想：我合计最紧要的是学才智。

咱们在小的时候莫得看判辨，莫得看懂苹果，那这个阶段的时候咱们可能又去看重接洽苹果，发现苹果还有好多才智其实值得咱们去学习的。

是以到今天为止，你去看一个苹果算作一个全宇宙市值第一的公司，当你作念到千亿收入，你再去看这种万亿收入公司的才智的时候，你启动模依稀糊能看懂一些了。可是咱们小的时候，咱们很小范围的时候，咱们看不懂苹果为什么这样作念。我合计临了其实是范围，因为范围是一个可以细目算计的变化，也会带来用户范围和用户需求的变化，时间和居品的变化，也会带来组织和才智的变化。

Q：你有试驾过上了VLA(司机大模子)的车吗？体验如何样？有履历过什么aha moment(惊喜时刻)吗？

李想：我合计挺难有什么aha moment(惊喜时刻)，因为你已司贯通它的旨趣了，其实即是它就变得跟东谈主很像了。

Q：就更像东谈主了。

李想：就确切像东谈主了。它变成更像东谈主其实没什么赞佩的。对吧？相悖一个动物忽然会的一些东西，你合计挺骇怪，但一个东谈主作念好东西，你认为其实是平常的。

Q：你之前对内说过一句话，说期望的智驾原创性卓著了增程，这句话是不是太自信了？

李想：我我方觉着就咱们在这方面的接洽责任确切作念得很深。是以你看到咱们的各式的论文，而且咱们为了，然后咱们为了作念好，咱们为了作念好这个补助驾驶，咱们还作念了操作系统。然后咱们为了作念补助驾驶，咱们构建了完整的教师体系，咱们为了作念补助驾驶，以致咱们我方去径直去改芯片的，然后这个底层的软件，对吧？然后我合计咱们作念了好多这方面的这些责任。然后那这方面责任肯定，然后肯定作念的比这个增程更多，比增程作念的责任量更多。然后我合计还有一个相比好的一个评价花式。即是咱们历史上从来莫得遇到过，然后任何一个周期，比如 2024年和2025本年年头，咱们每一个补助驾驶团队的中枢东谈主员可能基本上都会接到 20 个以上的猎头电话。

Q：7月份是期望的十周年，站在今天回归期望这十年走过的路，你脑海里长远的最深刻的场景画面是什么？

李想：我的第一个最紧要的画面，是2018年第一次发布，一直延续到2019年的4月份，上海车展第一次谨慎的展示，带有价钱的。我合计那是一个相配紧要的时刻，咱们确切能作念出来一辆车，而且这个车荒芜受用户可爱。在上海车展的展馆里面，咱们是东谈主流量最大的一个展台。因为咱们是从什么都莫得启动来作念的。另一个是2022年发布的时候，我合计那确切是一个全宇宙最不凡的居品。到了今天2025年，能看到至少有5个以上的企业是因为那时期望L9的见效，在打造跟期望L9雷同的居品。

Q： 你脑海里长远的都是幸福的时候，而不是不幸的时候。你会回忆到不幸的时候吗？

李想：太多了，刚履历了L9的幸福就出现了。全网的黑公关都说期望汽车倒闭，那一个季度咱们亏了十几亿，快要二十亿，蓝本从没亏过那么多。忽然从巅峰掉到谷底，平正如故我说的，咱们相识到好多才智不及，咱们就去补了好多才智。但正是因为这件事情，咱们的调养又带来了2023年得回接近三倍的增长，咱们径直作念到了1200亿的收入。归正我创业那么多年了，当问题来的好多时候，又是一个更大的契机的到来。是以我对这方面其实也没那么纠结。我对于不服常的事情耐受力很差，但我对于一些不好的东西处理完以后，通盘牵记才智也很差，会把它忘掉，但你让我回归如故能回归过来的。

Q： 刻意删掉的牵记片断会是什么呢？

李想：为了让我方有更好的正能量，我如故尽可能的只保留那些有价值、好意思好的片断。哪怕是一个不好的东西，比如刚才讲的咱们被黑、被打击，我会窜改成“看，正是因为这件事情咱们增长了三倍，咱们获取了其他新势力所莫得的才智，咱们靠近其他新势力所莫得的挑战。”这样的花式来抒发，这是一种心态。创业确乎阻碍易，可是没必要苦哈哈的。苦和甜。是一个硬币的正反面，取决于你聘请看哪一面。

Q：甜多如故苦多呢？

李想：淌若定期间轴而言，肯定是苦更多，可是受罪多了也就风气了。

Q：余凯博士(地平线首创东谈主兼CEO)回忆跟你第一次碰面是在杭州沿途去爬山，他牢记你那天穿了一个军大衣。我很热爱余凯博士见到的阿谁军大衣里包裹的是一个如何的灵魂？它跟今天发生了什么样的变化？

我合计没什么变化。我以致认为我今天90%的状态、想维花式跟我上高中的时候差未几。遇到问题去处理问题、处理别东谈主不肯意处理的问题、处理消费者遇到的最大的问题、去找更多的东谈主学习。那时候我是个东谈主网站站长，可是我又有合资东谈主，是少数的有小团队的站长。靠我方才智不行的时候还要靠别东谈主，然后不绝完善才智。我合计到今天为止我没变化，仅仅处理的问题在变大、作事的用户群体在变大、公司的范围在变大、组织在变大。

Q：往日十年中总共的牵记里淌若能改变一个牵记，改变一个尺度，你想改变什么？

李想：我合计没什么要改变的。能赶上这样一个期间，几次创业还能一齐走下来，在最难的时候都有东谈主来帮你，当遇到问题的时候，老是能从坑里快速爬出来，一帮东谈主王人心发愤变得更好，我合计挺行运的了。不管是从气运层面，如故从能够创造出来的价值层面，我合计没什么可后悔的。挺好的。

Q： 你刚才说一个词是能量，如何让我方成为一个更有能量的东谈主，更刚劲的东谈主，或者是能劝诱到更多能量的东谈主？

李想：我合计即是照顾东谈主，尤其是照顾那些离你最近的东谈主，照顾亲密干系的东谈主。照顾东谈主的时候开始你得先照顾我方，算作我我方，我会如何来看待我方？第一，我会接受我方总共的优点。我好多身上的特质，这样多年的积攒，从DNA里带来的，其实它即是我的上风，我应该如何去推崇我方的上风。第二个是要能接受我方的不及。时时不及即是上风的另外一面。比如这个东谈主很擅长有磋商，他可能就莫得办法其实去作念很紧密的运营，因为这两件事是冲突的。有的东谈主相配擅长运营，他可能就很难跳出来，或者跳好几个维度往返作念有磋商。一个东谈主很懒，但可能是个杰作的居品司理，但淌若他很冗忙，应该是个相配好的业务运营。我合计每个东谈主是不一样的，时时咱们淌若要改的话，会变成一个更差的别东谈主开云(中国)kaiyun网页版登录入口，以及一个更厄运的我方。是以我