圖片來(lái)源于《張小珺商業(yè)訪談錄》
大模型吞噬一切，絕不是狼來(lái)了的吆喝。當(dāng)更高維的技術(shù)下放的時(shí)候，車、機(jī)器人、智駕，都會(huì)變得“面目全非”，核心技術(shù)研發(fā)的優(yōu)先級(jí)會(huì)重排次序，行業(yè)會(huì)洗牌，甚至?xí)觥?/p>
智駕技術(shù)近年發(fā)展軌跡有一條非常清晰的主線：感知、規(guī)劃、控制層都在快速大模型化，不同傳感器數(shù)據(jù)類型，原來(lái)前置的CV算法trick都被納入統(tǒng)一的端到端神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)開始主導(dǎo)3D重建和運(yùn)動(dòng)預(yù)測(cè)，Transformer架構(gòu)、強(qiáng)化學(xué)習(xí)方法、擴(kuò)散模型、乃至世界模型仿真成為進(jìn)步的核心驅(qū)動(dòng)力。
蔚理小小心里其實(shí)非常清楚，三電系統(tǒng)、激光雷達(dá)、算力芯片已經(jīng)收斂成基本透明的標(biāo)準(zhǔn)件，競(jìng)爭(zhēng)的標(biāo)尺逐漸讓渡于天量的車端駕駛數(shù)據(jù)如何快速學(xué)習(xí)和泛化，梯度流動(dòng)、下降、模型整體的參數(shù)收斂，才是重中之重。
“我們?nèi)祟悶槭裁从泻軓?qiáng)的適應(yīng)性，是因?yàn)槲覀內(nèi)祟惖幕A(chǔ)智能非常高。智駕系統(tǒng)，它本質(zhì)上全鏈路的模型比例越高，通用智能越強(qiáng)，它未來(lái)的適配性就越好。”
“含模量是智駕的第一性原理。”
走馬上任階躍董事長(zhǎng)的印奇在2026CES的這句話，讓我印象尤其深。
這句話我的延伸理解是：智駕不是智駕，機(jī)器人不是機(jī)器人，車不是車，手機(jī)也不是手機(jī)，它都是萬(wàn)千變化的“軀體”，離不開“宗”——智能，是當(dāng)下站在舞臺(tái)中心的大模型。
車企研發(fā)智駕大模型，是從肌肉到大腦的演化，是從下到上。大模型切入智駕和座艙，是大腦某些能力的場(chǎng)景收斂，從上到下。從下到上，和從上到下，過(guò)程阻力是不一樣的。
資本的視角，從終局看，智駕系統(tǒng)將不是單純車企可以玩轉(zhuǎn)的。蔚小理等車企的“全棧自研”可能正在成為一種高昂的、不可持續(xù)的“戰(zhàn)術(shù)勤奮”，大模型原生企業(yè)將接管智駕的終局。
長(zhǎng)期以來(lái)，汽車行業(yè)對(duì)自動(dòng)駕駛的理解：認(rèn)為駕駛是一項(xiàng)特定任務(wù)。在這個(gè)邏輯下，只要給機(jī)器足夠多的感知數(shù)據(jù)（視覺、雷達(dá)）、足夠精細(xì)的高精地圖、足夠復(fù)雜的控制邏輯，就能解決駕駛問題。
然而，2026 年的共識(shí)是：智駕系統(tǒng)不是機(jī)器視覺的延伸，而是通用智能（AGI）在物理世界的一次具身投射。 駕駛不僅是路況識(shí)別，它是對(duì)物理規(guī)律的理解、對(duì)人類博弈心理的捕捉，以及對(duì)萬(wàn)物常識(shí)的調(diào)取。這種“全腦參與”的智能，決定了只有頂尖的基礎(chǔ)大模型（Foundation Model）才能收斂出頂尖的智駕系統(tǒng)。而這正是自研車企很難跨越的鴻溝。
智駕從“模塊化編程”到“端到端大模型”，這種范式轉(zhuǎn)移不僅僅是代碼量的增加，而是底座的某種徹底重構(gòu)。車企正面臨從“制造邏輯”向“計(jì)算邏輯”轉(zhuǎn)型，這個(gè)過(guò)程注定非常艱難。李想談“理想”要轉(zhuǎn)型AI 公司，目標(biāo)國(guó)內(nèi)大模型Top3，背后是有巨大的危機(jī)意識(shí)。
駕駛中包含了大量的“非駕駛知識(shí)”。人類在駕駛時(shí)，并非只在觀察車道線和障礙物。
它有物理常識(shí)的推演。比如當(dāng)你看到路邊有一個(gè)滾動(dòng)的皮球，你的大腦會(huì)瞬間跳過(guò)“檢測(cè)到圓形物體”的步驟，直接給出“后方可能有小孩沖出”的預(yù)測(cè)。這種推理依賴于對(duì)社會(huì)學(xué)、人類行為學(xué)和物理慣性的深刻理解。
更有語(yǔ)義理解的博弈。在狹窄小巷遇到對(duì)向來(lái)車，司機(jī)之間的眼神交流、微小的車頭挪動(dòng)、甚至對(duì)對(duì)方車型（如對(duì)方是急救車還是私家車）的認(rèn)知，決定了博弈的勝負(fù)。
當(dāng)車企智駕系統(tǒng)過(guò)擬合（Overfitting），它們?cè)诤Ａ康鸟{駛數(shù)據(jù)中尋找相關(guān)性，而非因果律。這種基于模式識(shí)別的“小聰明”，在面對(duì)極長(zhǎng)尾的 Edge Cases（邊緣場(chǎng)景）時(shí)會(huì)瞬間崩塌。
智駕系統(tǒng)泛化到極端場(chǎng)景，而且不僅僅是在最后一刻做出反應(yīng)，而是具有“前瞻性的安全性”（proactively safe）。特斯拉AI和自動(dòng)駕駛負(fù)責(zé)人Ashok在Tesla ICCV 2025 Foundational Model for FSD展示了一個(gè)讓人印象極其深刻的例子。
這是一個(gè)自動(dòng)駕駛系統(tǒng)在高速公路上運(yùn)行的演示。
“我們前面的車失控了，撞上了護(hù)欄，自動(dòng)駕駛系統(tǒng)安全地靠邊停車了。但真正有意思的是，如果你再看一遍視頻，在剎車的那個(gè)點(diǎn)暫停。如果你注意到這輛車，它正在失控打轉(zhuǎn)，即將撞上護(hù)欄，然后會(huì)反彈回我們的車道。這需要極高的智能才能預(yù)判到。”
圖片來(lái)源于公開演講
“這不是一個(gè)“一階碰撞”（first order collision）。在這一幀，特斯拉就已經(jīng)判斷出這輛車有問題了，并開始剎車。它沒有等到那輛車撞上護(hù)欄反彈回來(lái)，或者速度發(fā)生變化時(shí)才反應(yīng)。這是一個(gè)它需要建模的“二階效應(yīng)”（second order effect）。”
圖片來(lái)源于公開演講
“它本可以把這誤判為那輛車在變道，但它沒有。它請(qǐng)求了大約 4 米每平方秒的剎車加速度，這不是一個(gè)輕微的剎車。這只有在你擁有海量數(shù)據(jù)、覆蓋了所有這些極端案例的情況下才可能做到。這就是你如何通過(guò)一個(gè)擁有海量數(shù)據(jù)的端到端系統(tǒng)，來(lái)同時(shí)提供安全且平穩(wěn)的駕乘體驗(yàn)。因?yàn)橐粋€(gè)不夠智能的系統(tǒng)會(huì)等到方向改變或壞事實(shí)際發(fā)生后才行動(dòng)，而（特斯拉的FSD）遠(yuǎn)在此之前就已經(jīng)（預(yù)判）了。”
FSD 可以識(shí)別隨機(jī)路人的手勢(shì)，招手停車，揮手通行。FSDV14版本一段自動(dòng)停車、用戶取餐、刷卡、車輛等待用戶拿到信用卡、適時(shí)啟動(dòng)更是引發(fā)了恐怖谷效應(yīng)，“它似乎成精了”。
FSD已經(jīng)聰明地不像一個(gè)智駕系統(tǒng)，因?yàn)樘厮估赡芤呀?jīng)先人一步明白，智能上不完備的領(lǐng)域模型其實(shí)有根本局限。
智能涌現(xiàn)需要冗余，AI Infra是隱形的護(hù)城河
智駕大模型 vs. 大模型智駕，這里存在一個(gè)深刻的悖論：服務(wù)于智駕的大模型（Domain-Specific）： 它被訓(xùn)練去識(shí)別紅綠燈、預(yù)測(cè)軌跡。它的知識(shí)邊界被限制在路面上，它是一個(gè)“優(yōu)秀的司機(jī)”，但它沒有“靈魂”（缺乏常識(shí)背景）。
頂尖的基礎(chǔ)大模型： 它理解牛頓力學(xué)、理解法律道德、理解人類的情緒變化。當(dāng)它被灌輸駕駛數(shù)據(jù)后，它對(duì)路況的理解是更高維、更完備的。從系統(tǒng)完備性角度看，System 1 與 System 2 的融合，全腦參與的駕駛邏輯，才能導(dǎo)向真正的自動(dòng)駕駛。
《思考：快與慢》作者丹尼爾·卡尼曼將人類思維分為：
事實(shí)上，人類開車是全腦參與。當(dāng)你看到前方有積水，System 2 會(huì)根據(jù)天氣、氣溫推測(cè)是否結(jié)冰，從而指令 System 1 降低車速。
車企的自研模型目前大多停留在 System 1 的加強(qiáng)版。由于缺乏基礎(chǔ)大模型的支撐，它們沒有真正的 System 2。它們能做出“動(dòng)作”，但不懂“為什么要這么做”。只有原生大模型企業(yè)，通過(guò)大規(guī)模文本與視頻的預(yù)訓(xùn)練，才具備了生成 System 2 邏輯鏈的能力。
自研車企目前的尷尬在于：為了過(guò)測(cè)試，模型被訓(xùn)練得極其擅長(zhǎng)處理特定的路口、特定的光照。這就是所謂的“過(guò)擬合”。
而一個(gè)頂尖的大模型，它在訓(xùn)練中見識(shí)過(guò)量子力學(xué)、讀過(guò)世界歷史，它掌握的是世界的通用方程。駕駛對(duì)它而言，只是這套方程的一個(gè)特例。這種“降維打擊”帶來(lái)的魯棒性，是任何通過(guò)路測(cè)數(shù)據(jù)堆砌出來(lái)的系統(tǒng)都無(wú)法企及的。
智駕性能的上限，取決于其背后通用智能的深度。一個(gè)缺乏 System 2（慢思考、邏輯推理）能力的智駕系統(tǒng)，幾乎無(wú)法實(shí)現(xiàn) L4/L5 級(jí)的可靠性。
人類學(xué)習(xí)開車只需要 20 小時(shí)，是因?yàn)槿祟悗狭舜饲?nbsp;20 年積累的全部人生常識(shí)和物理直覺。如果一個(gè)智駕模型只學(xué)過(guò)開車，那它永遠(yuǎn)也學(xué)不會(huì)真正的開車。
根據(jù) Scaling Law（規(guī)模法則），模型的智能水平與計(jì)算量、參數(shù)量正相關(guān)。車企往往認(rèn)為，只要我有幾千張 H100，就能跑通智駕模型。但這里忽略了一個(gè)事實(shí)：為了在“駕駛”這一特定任務(wù)上獲得 1% 的安全性提升，可能需要在“非駕駛”的通用知識(shí)上投入 90% 的算力。
原生 AI 企業(yè)（如 OpenAI, Google, 或頂尖第三方）的萬(wàn)卡、十萬(wàn)卡集群，訓(xùn)練的是能夠理解萬(wàn)物的通用底座。在這個(gè)底座上通過(guò)Alignment（對(duì)齊）和 Distillation（蒸餾）出來(lái)的智駕能力，具有天然的邏輯自洽性。
車企擅長(zhǎng)制造硬件，但不擅長(zhǎng)管理“算力流”。計(jì)算效率上， 原生 AI 企業(yè)對(duì)算子加速、分布式并行架構(gòu)（TP/PP/DP）的理解是芯片級(jí)的。數(shù)據(jù)質(zhì)量極其關(guān)鍵，智駕數(shù)據(jù)中有 99% 是無(wú)效的平庸數(shù)據(jù)，如何從海量視頻中提取具備“認(rèn)知價(jià)值”的樣本，需要一套極其復(fù)雜的自動(dòng)標(biāo)注與合成數(shù)據(jù)系統(tǒng)。
更進(jìn)一步，端到端的神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成，還需要在一個(gè)虛擬的物理仿真和測(cè)試的世界模型中充分測(cè)試，實(shí)現(xiàn)有效的評(píng)估，評(píng)估的準(zhǔn)確性難度很高但異常關(guān)鍵，它對(duì)模型的進(jìn)化必不可少。
數(shù)據(jù)收集、仿真測(cè)試，這一整套系統(tǒng)的復(fù)雜度，甚至超過(guò)了智駕系統(tǒng)本身。
蔚小理目前的毛利空間，根本無(wú)法長(zhǎng)期支撐每年數(shù)十億甚至上百億美金的 AGI 級(jí)投入。而投入到基座模型訓(xùn)練競(jìng)賽，強(qiáng)行偏離主業(yè)，效果大概率還不如第三方。從這個(gè)角度來(lái)講，車企如果不轉(zhuǎn)向第三方（具備基礎(chǔ)大模型能力的企業(yè)），其自研系統(tǒng)將迅速淪為“技術(shù)負(fù)債”。
還有AI Infra也是很難越過(guò)的門檻。獨(dú)立基模迭代，“千卡”是門票，“萬(wàn)卡”是競(jìng)賽，維持一個(gè)萬(wàn)卡 GB200 集群的電費(fèi)、冷卻及運(yùn)維成本，足以吞噬一家中等車企全年的研發(fā)預(yù)算。而且車企的算力多為“采購(gòu)囤積”，缺乏對(duì)算力底座的深度優(yōu)化。
蔚小理未來(lái)可能意識(shí)到：自研大模型不是在造發(fā)動(dòng)機(jī)，而是在嘗試獨(dú)立發(fā)明一種全新的“機(jī)器智能”。 面對(duì)萬(wàn)卡集群、AI Infra 的極限門檻和通用智能的降維打擊，擁抱原生 AI 企業(yè)的第三方智駕底座，只有華山一條路。
汽車史上，并非每個(gè)車企都必須自研噴油系統(tǒng)或變速箱電控。當(dāng)智駕大模型門檻越來(lái)越高，車企應(yīng)該努力的方向：具身智能的場(chǎng)景定義、品牌情感鏈接以及整車工程的極致實(shí)現(xiàn)。
智駕系統(tǒng)的終局，不是誰(shuí)的車跑得公里數(shù)多，而是誰(shuí)背后的基礎(chǔ)智能更深厚。資本選擇印奇去掌舵階躍星辰，給了50億，把千里智駕和基礎(chǔ)大模型整合，可能就是基于這一種判斷。
其實(shí)未來(lái)焦慮的可能不止車企。
大模型時(shí)代玩法真的變了。用戶只會(huì)為更好的大模型更先進(jìn)的技術(shù)付費(fèi)，而不是被迫f(wàn)ollow某種精心設(shè)計(jì)的商業(yè)模式、屈從于產(chǎn)品慣性。如今商業(yè)模式創(chuàng)新可能遠(yuǎn)遠(yuǎn)不及技術(shù)創(chuàng)新，那一套等著別人試錯(cuò)然后復(fù)制，再用潑天流量澆灌的“后發(fā)制人”，屢試不爽的套路可能面臨失效。
Scaling Law強(qiáng)調(diào)數(shù)據(jù)、模型（參數(shù)）規(guī)模、計(jì)算算力。算力卡有錢就行，可以量大管飽，但有錢并不能買來(lái)第一梯隊(duì)的模型。誰(shuí)有更好的基模，誰(shuí)有更多的高質(zhì)量數(shù)據(jù)，誰(shuí)才能在大模型時(shí)代上牌桌。
未來(lái)更多行業(yè)的入場(chǎng)券可能會(huì)變成基模和數(shù)據(jù)飛輪，并且越早入局越好。
快報(bào)
根據(jù)《網(wǎng)絡(luò)安全法》實(shí)名制要求，請(qǐng)綁定手機(jī)號(hào)后發(fā)表評(píng)論