智能驾驶的头部，会长成理想的样子

未将过多的精力和研发能力投入到拓展L6产品线上，致使理想汽车得以腾出时间从事其他活动。在这个时候，理想汽车需要做出一些改变。在上海车展上，我们目睹了理想展示了其800V高压纯电平台，并顺手打造了一款480kW/240kW的高倍率自营快速充电设备。这样一个看似简单，却非常实用的项目，对于理想汽车来讲，是件很重要且必须要做的事情。对于追求理想的人而言，这是一件至关重要的事情，而非一件紧急的事情。

如此紧急且至关重要的事情，我们必须予以高度重视？这意味着，它将在无人驾驶领域取得突破。当然，李想本人在年初的公开信中表达了对于汽车成为2030年领先的人工智能企业的美好愿景。这个目标已经达成了。在2023年，这个“领先”成功实现了城市场景的导航辅助驾驶，为城市交通带来了显著的效益。与高速场景不同，几位头部甚至非头部玩家在同一时间段内同时着陆，竞争势必更加激烈。

在今年的推荐中，理想的选择是将他们的城市NOA功能推送至年底，覆盖100个城市，以达到更广泛的覆盖面。理想汽车是怎样做到这一点的？这位家用车专家怀揣着成为人工智能领域的先锋的决心，他们与友商所推出的产品在某些方面有着惊人的相似之处，但在其他方面则存在着显著的差异？在智能互联时代，理想汽车如何突破自我？在技术路线的不断演进中，理想汽车所具备的优越性何在？

在我们与理想智能驾驶部门的两位负责人——副总裁郎咸朋博士以及产品负责人赵哲伦“班长”进行的对话中，我们探讨了这些问题。我觉得这两个人都有很强的想法，也有很多实际问题需要解决。这些问题虽然不算复杂，但从底层到实际应用的过程中，我们可以逐渐领悟到其深层次的本质。

BEV是一种网络模型，它采用无图迭代GPT来实现......

就像大多数同行一样，理想汽车通过一系列广为人知的工具来感知和评估这个世界的底层原理。

The term"BEV"and"Occupancy"were first encountered by our counterparts。 在这里我想把它们之间的关系做简单介绍，希望能给读者带来一些启发。前者所指即为“鸟瞰视角”，即通过各种车辆传感器对周围环境进行精准感知，并生成一个“上帝视角”的环境仿真；后者则是指“智能驾驶系统”,它可以根据环境信息做出反应，从而使驾驶者更快更好地到达目的地。Occupancy，也称为“网络占用”，是一种将环境模拟进一步精细化的方法，以帮助车辆识别障碍物和可通行路面之间的差异，从而为“感知-决策-执行”的第二步提供数据。对于无人驾驶来说，这两个词都有很强的指向性，因为它们都涉及到了车与路的关系，以及人如何驾驶汽车。在人工智能的三大要素中，算法、算力和数据构成了理想的组成部分。

BEV中的“静态BEV”元素，包括道路结构和标线，构成了传统意义上高精度地图的一部分；如停车场等设施及周边路网信息等，其功能主要为交通引导和辅助驾驶员行驶提供参考依据。相对应的是，“动态BEV”指的是在运动中的车辆、行人等等，它们共同构成了一个动态的交通网络。随着智能汽车时代的到来，传统的“静态”或“动态”概念将逐步被淘汰。考虑到高精度地图采集的成本、新鲜度以及车载算法的发展情况，我们建议像其他头部厂商一样，让车辆自主构建静态和动态BEV模型，从而将智能驾驶对导航的需求程度降至导航地图+一丁点智能驾驶元素的水平，即只需知道目的地和路径，而无需知道“在XX经纬度的地点试图向左并线”。

对于那些可能对驾驶造成影响的非标准物体，Occupancy网络提供了一种理想的方法，将整个世界还原成一个充满方块的Minecraft区域，车辆可以在其中识别哪些障碍物需要刹车，哪些可以通过的路面，以及哪些地方需要让“魔毯”悬架变得柔软。

这几个模型的运行离不开算力的支撑，它是不可或缺的先决条件。如果能找到合适的方法来解决这个问题，那么未来的无人驾驶汽车肯定会朝更快、更远和更具安全性方向发展。因此，我们接下来可能会面临一种情况，即在可视化界面上可以观察到物体的存在，但系统却无法对其做出响应。AD Max版配备了两个英伟达Orin芯片，这使得城市NOA的理想状态得以实现，因为它能够根据算力的不同进行区分。然而，接下来我们将尝试将Max的一些运算模型迁移到Pro版本，以实现它们在智能驾驶技术栈上的共享，例如今年，他们将采用BEV感知架构对高速NOA和LCC功能进行重写。

您是否还记得人工智能的三个基本要素？数据来自于哪里？据郎咸朋博士所言，尽管在算法和算力方面存在微小差异，但数据才是真正能够拉大差距的关键。数据被机器学习之后会发生怎样的变化？获取数据的方法是什么？这些都需要一个很好地支撑平台。对于所获得的训练迭代，其后续操作将会是怎样的呢？这是一个理想优势领域。

智能驾驶数据的收集历史可以追溯到 理想One ( 参数 | 询价 ) 时代，而第一条算法的训练视频则是在2019年拍摄完成的。那时理想还在开发自动驾驶车辆。随着AD1.0时代的到来，2021款理想One已经开始投产，他们搜集了高达1亿公里的代表性数据。根据“智能驾驶硬件x总销量标准”的数据公式，理想One上的智能驾驶硬件配置和累计销量超过20万辆，为AD2.0提供了理想的数据基础。理想通过不断迭代，最终形成了完整的道路模型库。迄今为止，我们的理想算法训练里程已经达到了4亿公里的惊人数字。

将所收集到的数据进行回馈，以支持算法的发展。这就是“经验积累”。除了进行实际上路测试外，我们还储备了大量高算力芯片，并建立了自己的大型超算中心，以便在仿真环境中快速打怪并积累经验。这就好比是我们过去用机械工具来做一些简单重复的事情，然后把结果反馈给系统进行修正和优化。类似于当今ChatGPT的经验积累方式，城市NOA的基础能力是通过大量弱关联、粗略标注的样本获取，然后通过个别精密标注的数据（包括个别智能驾驶中的长尾问题和突发问题）来完善。相较于我们先前所认为的机械化题海战术，现在的车辆能够以人的方式思考道路和轨迹，这一点是显而易见的。

我们身为使用者，将会发掘出哪些珍贵的信息？

应用层所涉及的问题相对于其他层面而言，其复杂性和直观性更为突出。我们将亲身体验到一套城市导航辅助驾驶系统的实用性，包括人类接管的频率、适用范围以及最重要的成本问题。我们得到了来自两位卓越的智能驾驶专家的最新消息，他们的专业知识和经验让我们受益匪浅。

将人工接管分为两类，一类是提供体验的，另一类则是保障安全。为了实现这一目标，理想在开发初期就制定了一个具体的计划——通过增加系统压力来降低接管次数。考虑到用户对系统能力边界的认知，对于“体验接管”并未提出特别的要求，然而对于“安全接管”，则要求尽可能地减少其使用。综合考虑，以理想汽车测试数据为依据，目前版本城市NOA可基本接管20~30km一次，下一步目标按时间划分为每天1次，每周1次。不过，在现实中，由于道路拥堵等因素的影响,“体验接管”也会出现频繁的切换现象。我们可以放心地使用城市NOA功能，因为这种频率已经达到了理想的效果。为了缓解“体验接管”所带来的不适，我们计划加强车辆可视化界面，以使驾驶者能够清晰地了解系统的能力和未来的计划。

就城市NOA的使用范围而言，最理想的汽车也是根据车辆保有量和培训数量来决定的。对于那些拥有大量汽车保有量和车主频繁行驶的路段和城市，更早地开放城市NOA的机会就已经到来。对于有一定驾驶经验的驾驶员而言,“高精地图”是一个不错的选择。每一辆配备AD Max的理想，就是一台“高精地图测绘车”、一辆“智驾算法训练车”。

在智能驾驶的快速兴起中，数据扮演着至关重要的角色，因此理想将智能驾驶视为一种产品而非服务，以便在用户出售车辆时，数据和算法成为车辆资产和残值的重要组成部分。理想认为，智能出行需要一个完整的闭环，包括车辆使用数据、车辆运行轨迹数据以及驾驶员个人偏好数据等，其中包含了对车辆性能的预测。出于这个原因，目前最理想的选择是向AD Max用户提供城市NOA的免费配送服务。这是由一个名为“智驾”的项目提供的，该项目旨在帮助汽车制造商和运营商通过使用数据来优化其运营策略以提高利润。他们渴望将AD Max应用于智驾数据的闭环中，以提高用户车辆的保值能力，并且更倾向于将其作为智驾数据的组成部分。

初看之下，在夺取城市导航辅助驾驶这个智能堡垒的过程中，理想的策略是通过感知硬件、计算芯片、底层模型、感知融合架构以及去高精地图的趋势，与友商达成“高度趋同”的状态。事实上，理想智能驾驶的目标是实现人与车之间更安全的交互，让用户能享受到更好的出行体验。然而，当我们深入探究理想智能驾驶的各个细节，如硬件预埋、数据收集、算法迭代，甚至最终的商业模式时，我们不难发现，理想正在以其数量和里程的优势，构筑其在智能驾驶数据方面的壁垒。

数量与时间成正比，但时间是无法逆转的。出于这个原因，有些人坚信未来的汽车世界将会被那些率先开发汽车的玩家所主宰，而后人将永远无法追赶他们。不过，在不久的将来，随着技术不断突破与创新，智能汽车将会成为汽车行业新常态下发展最快、最具发展潜力和竞争力的细分市场之一。这一观点或许有些激进，但其所蕴含的道理却不容忽视。或许未来，每一位在智能驾驶领域有所建树的主机厂玩家，都会在某种程度上带上一丝理想的痕迹。