“我自己就是ET7车主，四年多了还能用上最好的软件”——
讲这话的人士是任少卿, 他是“21世纪被引次数最多的AI论文”之中（Nature统计得出的结果）ResNet核心作者, 并且还是当下蔚来汽车智能驾驶研发的领导者。
他的座驾是2022年交付的首代蔚来ET7。
同在几天之前, 超过70万的蔚来车主用户, 以及乐道车主用户, 都收到了最新版世界模型的推送更新, 情况与他相同。
凑巧的是, 大概在同一时候, 马斯克正进行着相同的行为: 为最早是7年前的HW3硬件的车主, 去更新FSD V14 Lite（蒸馏版）。
但不同的是，任少卿面临的挑战更加复杂：
有两个品牌, 存在四个平台, 具备2种芯片方案, 拥有4种传感器硬件配置, 还有十几款不同车型……
一套代码、一个模型、一次推送，覆盖了全部。
而且，没有“Lite”。
蔚来的“通吃”型OTA
现有超70万辆车辆属于蔚来和乐道这两个品牌, 分布于四个平台, 分别是Banyan、Cedar、Cedar S、Coconut+, 其中最早交付时间可追溯到2022年3月交付的首批ET7。
芯片有两套：英伟达Orin-X和蔚来自研神玑NX9031。
传感器并非相同, NT2配备的是3D毫米波雷达, NT3配备的是4D毫米波雷达, NT2配备的是SiPM激光雷达, Coconut+配备的是SPAD激光雷达, 摄像头ISP由于芯片存在不同, 亦是存在差异的。
行业平常的做法是, 全新的芯片须搭配全新的算法, 而老旧的硬件呢, 不是“降低等级”就是停止更新。好比特斯拉HW3的车主, 苦苦等待了一年多, 好不容易等到了V14, 只是后面还跟着个“Lite”, 那是通过知识蒸馏压缩出来的小型模型。
蔚来的版本号后面什么都没有。
不论你的车子是在四年前购置的, 还是于昨天提回来的, 不论其上搭载的是Orin , 又或是神玑, OTA所接收到的模型代码是相同的。
斌哥的诚意没得说，但真正让人在意的，是技术上可行吗？
特斯拉所能够做到的程度, 仅仅是蒸馏出来一个小模型，这个小模型的规模, 只有完整版FSD V14的15%左右, 如此一来, 使得Lite版本的FSD V14, 在某些场景当中, 特别是不规则路口、恶劣天气条件的情况下, 能力存在明显的短板体现。
任少卿所作出的解释为, “针对不同的摄像头, 运用同一个网络来进行处理, 依靠神经网络会把性能拉平。激光雷达以及毫米波雷达属于热插拔接口, 若存在便进行输入, 要是没有也能够运行。”。
然而, 在车企这个层面上, 由于模型会存在差异, 因而所需要的Corner case也是不一样的；而在车企内部, 鉴于不同的传感器方案, 以及不同的车型, 数据或许也是并不完全相同的。
一般来说，各自的数据只能在各自的技术方案里产生价值。
但任少卿给出了反常识的认知：
这不是那种零成本就可拷贝的文件, 它是数据。真正具备价值的数据, 是专门针对某一个模型的Corner case。然而要把它找到, 势必要让模型在场景当中跑起来。
蔚来“70万辆车”所具备的真正意义, 并非单纯只是销量数字, 而是在于, 蔚来能够对这70万辆车的闲置算力加以调度, 进而用其去做验证, 并且还能够用其去做筛选。
每周, 主动安全验证里程超过4000万公里, 整体里程超过1亿公里, 这相当于1000辆测试车跑一整年……
为了达成这一目标, 蔚来通过自身研发构建的一整套AI技术体系, 相较于传统认知里的“影子模式”, 要复杂得多。
怎么做到的？
ET7, 于2021年1月9日, 在NIO Day 2020上首次亮相, 它实际上已然完整地展现了蔚来的智能技术布局, 然而, 在当时, 却并未被行业以及用户所理解。
比如说, 具有800万像素的摄像头, 比如说, 高线束的激光雷达, 以及四颗Orin, 其算力超过1000TOPS。
在内部, 存在一些人持有这样的看法, 即“用不了那么多”, 又觉得“太贵了”, 而在外部, 有一些人对其进行批评, 称这是“过度配置”。
在时隔四年往后再看, 历经2022年的ET7居然可以跑2026年的模型, 而这恰好是由于当年存在着那种所谓的“过度情形”。
这兴许算是巧合, 又或者是任少卿跟他的团队, 于技术路线尚未收敛之际, 所进行的一回大胆至极的「投石问路」。
但蔚来在后续几年里, 逐年逐步落地交付的产品, 以及相应的方案, 好像并不支持那种“巧合”“押注”的猜测。
首款ET7交付之后紧接着, 2022年的时候, 蔚来所做的事情还有自主设计芯片, 芯片名为神玑NX9031。
那时候, 行业当中的主流是CNN, Transformer架构还没有迎来, 在2023年一战成名的GPT Moment。
只不过, 蔚来有着芯片团队, 还有AD团队, 他们在不断地反复进行讨论, 讨论的内容是, 下一代的神经网络究竟会不会演变成纯粹的Transformer?
要是属于这种情形, 那么较之堆计算单元而言, 内存带宽反倒会成为新范式最为突出的瓶颈所在。
因为CNN与Transformer计算存在本质差异。
CNN的核心操控动作是卷积, 同一组权重于输入特征图之上滑动且进行复用, 数据一经被加载至片上缓存便能够达成大量乘加运算, 复用比率高、算术强度大, 对于带宽的依赖相对而言较为温和。
自注意力机制是Transformer的灵魂所在, 序列里每个token都得算与其他所有token的相关性, 如此形成的是一种全局依赖, 此全局依赖致使大矩阵会乘法, 以及出现动态生成的KV Cache。
每做一步自回归推理时, 都得把持续 expanding 的 KV Cache 从内存里完整地搬运一回, 数据复用比率比较低, 搬运的次数还挺多。
拥有CNN芯片, 在算力方面可能呈现出很好看的表现, 然而, 其设计所依据的假设是数据能够被充分供应；可是, 当Transformer出现后, 即便有着再高的TOPS数值, 也会被内存墙给限制住——能够运行计算但是数据无法输入进来。
最终, 在GPT震惊世界之前, 蔚来做出了选择, 将Transformer选作芯片设计主要的驱动方向。在此引导下, 蔚来产出了内存带宽为546GB/s的成果, 这在行业里是最高的。即便在今年量产的几款最新芯片中, 其内存带宽相较于蔚来的也只有一半。还需要知道的是, 但尽管是这样, 一块神玑芯片却能够产生出与四块Orin类似的性能表现。
可以这么说, 并非单纯地认为是去制造“算力更大的芯片”, 更为确切而言, 是要制造那一种芯片, 是那种具备能让大模型得以运作起来的能力的芯片。
软件层面的布局，甚至能追溯到更早的2020年。
当时蔚来刚搭全栈自研团队，做的决定依然不被行业理解：
英伟达所拥有的软件, 单单只是运用到了CUDA这一层级, 在其之上的部署框架, 以及推理引擎, 还有AI编译器, 全部都是依靠自身进行研发的。
打个比方, 蔚来所自主研发的AI编译器, 达成了自动的算子优化以及图优化, 多数的算子是自动生成的情况, 多层之间是自动融合的状态。
表现极为直观, 模型部署的时长, 从原本的一至两周, 被压缩至一至两天, 且推理效率相较于通用工具链, 提高了百分之二十以上。
然而传统的做法是, 神经网络当中每一层的算子, 都需要工程师使用手写的方式进行优化。那么算法工程师要是改动了一个模型, 工程团队就必须跟着去改动部署的代码。
直接来讲, 类似于编译器、工具链这样的存在, 是算法与芯片之间起到“翻译”作用的事物, 要是这个“翻译”是由别人来提供的话, 那么很有可能难以将算力以及算法匹配到那种顶尖的程度。
任少卿道出坚持自行研发工具链的缘由极为简单, 在2020年之际, 那时已然确定要自己研制芯片, 因而自起始便得与Orin以及蔚来所自行研发的芯片相兼容。
到2026年, 蔚来会给老车主进行OTA, 是最新的世界模型, 关于这件事, 其逻辑清晰得很:
先判断智驾能力的上限会持续拉升，于是把硬件一步到位；
为了达成下一代硬件可与现存硬件共用同一套软件体系的目的, 预先进行自研工具链的工作。
只要拥有了属于自身的工具链然后才可以经由它让自研芯片依据依据自我对于一种算法范式的判断去负责设计, 而并非是致使被那供应商所拥有的既有方案牵引着前行从而失去自主性。
并非是那种三次相互独立的押注式赌博行为, 更不是所谓的“无心插柳”这般情况, 而是每向前迈出的一步，都在为紧接着的下一步铺设道路, 呈现出“前瞻十步之遥、落子三步之处”这样的态势。
在这个闭环里头, 所有属于工具类的“生产资料”, 到了当前这一步, 均已处于就绪状态, 然而还差最后的那个关键“原料”, 也就是数据。
AI有个经典曲线：性能提升3个点，往往数据翻10倍。
对于与真实世界交互的AI司机而言, 有效数据远比大语言模型稀缺, 测试会愈发难以进行, 中早期, 一些特殊情况会大量反馈并得以解决, 但是后期, 越是极端致命的案例就越罕见, 最后1%的问题, 常常要付出巨大成本。
蔚来所采用的解法称作“群体智能”, 新版本借助云端将其下发至量产车的闲置算力, 于用户毫无察觉的情形下达成验证, NT2的车与NT3的车一同进入同一个验证池。
蔚来的群体智能, 属于“影子模式”的落地方法里的其中一种, 然而有效数据要用车端真实模型来跑, 还要用车端真实模型去筛, 并且用车端真实模进行扰动, 如此才能产生。
蔚来所搭建的体系, 是从2020年起始的, 这个体系包含车端算力调度, 还有云端验证下发, 另外还有Corner case自动回收。
六年没改过底层逻辑。
这套体系的成效正在呈现出来, 当下, 蔚来用户保险出险赔付, 同2023年相比较, 降低了40%, 人驾平均安全里程达到了679万公里, 重大事故率, 随着车辆数量的增长, 不但没有上升, 反而出现了下降！
蔚来没有在技术上“追赶”过任何人
从今年起, 蔚来在经营业绩方面持续不断地给外界带来惊喜, 并且其技术实力也愈发频繁地得以展现, 然而却常常被解读为“终于追赶上来了”。
不过, 从这次OTA透露出的、背后所展现的蔚来技术体系去看, 实际上, 在这几年当中, 蔚来可是从来都没有、未曾追赶过、也没有模仿过任何玩家, 那依此而言, 自然而然地也就不存在什么转轨的情况, 不存在啥挣扎的状态, 更没有所谓的沉没成本。
多平台同步展开升级, 这般情况并非是要到2026年才会得到解决的, 它是早在6年前就已开启的 “AI基建马拉松”, 自然而然所达成的一种结果。
即使, 这个过程开始之初, 是在2019年, 蔚来处于那种极其危险、仿佛命悬一线的状况, 并且, 在这期间, 还历经了2021年, 从巅峰状态突然一下坠落的情况……
可李斌一点儿都没让这些处于经营层面的麻烦, 对技术团队的探索造成影响, 使得蔚来变为在广义AI领域当中, 第一个瞧清世界模型价值的, 而且还是最早在终端实现落地的参与者:
除了前瞻，现在蔚来作为“先驱”又有了新的认知：
对“表层算法”（像端到端、VLA 这样的）与“底层工程”做了明确的区分, 然而, 真正具备防护作用的并非今年所采用的模型, 要竭尽全力防止陷入模型范式那种像“一代版本一代神”这样的困境。
直白地说，蔚来走过的路，其他玩家都免不了要再走一遍。
换电体系历经八年投入, 自研芯片历经六年投入, AI工具链同样历经六年投入。这些决策, 前期投入繁重, 回报周期漫长, 过程中始终遭受质疑。
但是, 2026年的结果已然开始发声, 其表现为, 销量处于增长态势, 毛利状况正在向好转变, 并且，四年前推出的车辆仍在持续同步更新。
换电网络作为一种物理基础设施, 工具链以及芯片它们属于AI基础设施, 其底层逻辑是相同的。
“技术就是服务, 服务就是技术嘞”, 看上去好像是那种抽象的理念, 然而在智能车迭代速度犹如疾风骤雨般迅猛的当前环境下, 它可就显得格外有份量啦 , 当技术更新的速度快到能够使人的眼睛都变得应接不暇的时候, 要有本领可以依靠技术去坚守住对用户许下的承诺, 还要凭借稳定的体验去筑牢那份信任, 这才算是真正的本事。
以这种信任为起始, 它会如同飞轮一般自行转动起来, 先是拥有扎实技术从而赢得用户的认可, 紧接着用户的信任反过来对销量以及产品迭代起到助推作用。销量一旦提升上来, 会反过来向技术研发进行反哺。如此这般, 便形成了一种越滚动越强大的正向循环。
此刻, 技术并非仅仅是冰冷的参数, 它已然成为串联起用户与品牌的纽带, 正是这种由信任所驱动的规模化增长, 方可称作是最为稳当的飞轮动力。
此刻的蔚来, 存有在世界范畴内是规模极大的其中一个“物理世界数据采集网络”。
有“让模型在物理世界里持续进化”的工程能力。
有正在打通的“虚拟”和“物理”闭环。
不用太长时间, 智能汽车的竞争将会演变成这样, 即谁的模型能够在物理世界里, 以更快的速度进行学习, 以更聪明的方式去理解世界, 以更安全的状态去应对未知。
蔚来所行进的这条道路, 并非单纯致使2022年生产的车辆适配2026年的模型, 而是在于构筑一个可依靠物理世界学习的, 持续化的智能系统。
这个系统具有的终点, 并非 L3 那般, 也不是 L4 那样, 并且不会始终停留在名为“汽车”的这具躯体之上。
