,如何申请华纳万宝路公司开户：全方位指南

,蔚来补上“智驾课”，任少卿总结：智驾技术创新将重构竞争，很高兴为您解答这个问题，让我来帮您详细说明一下。

本溪市明山区、宁波市鄞州区、济南市平阴县、内蒙古巴彦淖尔市五原县、鄂州市梁子湖区、广西桂林市平乐县、西安市阎良区、内蒙古赤峰市喀喇沁旗、湛江市坡头区、黔东南丹寨县、广西河池市巴马瑶族自治县、内蒙古包头市青山区、常德市桃源县、怒江傈僳族自治州福贡县、云浮市罗定市、长春市双阳区、定安县龙湖镇

文｜肖漫编辑｜李勤6 月 18 日，蔚来同时向两代平台车型（包含 8 款 NT2.0 平台车型、4 款 NT2.5 平台车型，以及 6 款 NT3.0 车型）推送了最新版的世界模型，这意味着，蔚来现在能让同一套复杂的智驾代码，现在能跑在不同代际的芯片上。软件迭代节奏被硬件绑架曾是一个困扰行业的难题。很多车企无法在不同版本、配置的车型上迭代同一款软件，这带来的结果是，很长时间内只有使用最新版本硬件的车才能用上最好的软件，老车主被背刺。蔚来部署推理跨平台兼容任少卿的团队在 2020 年就在思考如何解决这个问题。蔚来的做法是搭建一套 AI Infra ——自研工具链铺平不同芯片间的鸿沟，用 AI 编译器提升车辆的处理速度，用 AI Agent 自动化串联全流程。当时业内主流的做法还是用英伟达的工具进行上层部署。但当时的蔚来判断，车端芯片的工程架构会继续快速迭代，主流的架构仅能用 3-5 年。基于这一判断，蔚来决定只保留最底层的硬件接口层（如 CUDA），在此之上全面自研上层部署软件，包括推理引擎、部署框架。另外，和大多数自研芯片的主机厂一样，蔚来也自研了编译器，实现了自动算子优化，将原本需要 1-2 周的部署时间缩短至 1-2 天，同时让端侧的推理性能提升 20% 以上。任少卿透露，蔚来也已经引入 AI Agent 的自动化工作流，接管了原本需要工程师长时间在电脑前手动盯盘、分布执行的繁琐流程，将一次完整的模型上车部署时间从一天甚至数天，极速压缩到 2 小时以内。蔚来智驾软件能力建设AI Infra 实现模型快速上车，车端在实际应用场景中收集高价值数据回传训练，算法团队用这些数据训练出更聪明的模型后，再次交给 AI Infra 流水线去打包上车，实现数据闭环。任少卿直言：" 在大模型时代，性能提升三个点，数据需要翻十倍；如果想提升 18 个点，数据则需要 10 倍的六次方 "。也就是说，如果单靠增加专职测试车队、花钱采集物理数据，很快就会触及成本和规模的物理极限。对于数据的理解，任少卿认为 " 数据的本质是算力，是‘模型 + 算力’运行产生的结果 "。蔚来在量产车型上以 " 影子模式 " 运行最新的待验证大模型，不干预用户驾驶，只做实时推演，一旦模型的判断与人类真实驾驶动作发生分歧，就把这个 Corner Case 传回云端。这种验证体系能跨越 NT2 和 NT3 平台，每周无感完成超 4000 万公里的主动安全测试，这相当于 1000 辆测试车连轴跑一年的数据量。蔚来数据 Infra 工程任少卿认为，这种通过车端筛选出的 Corner Case，在总体数据量中可能只占 5%，但它提供的训练价值却比底层常规数据还要大。另外，在云端世界模型中，蔚来会故意给 AI 制造各种极端且违反常规的陷阱，强迫神经网络学习如何在错误状态下把车重新开回正轨。近期，业内普遍感知到蔚来智驾能力有了提升，而在任少卿看来，这并非单点算法的突变，而是对 " 物理 AI 发展周期 " 有了全新认知的结果。任少卿将技术的发展分为四个阶段：目标不清晰的第一阶段、存在弯道超车可能的第二阶段、技术路线收敛拼人力的第三阶段，以及红利消失拼细节的第四阶段。但到了 2023 年，随着大模型和世界模型概念的涌现，任少卿判断智驾技术又退回到了鼓励底层创新的 " 第二阶段 "。因此蔚来在两年前果断进行了组织架构的变革，将智驾团队重组成 "4x100 米接力跑 "（预研、主线交付、跨平台适配、量产交付），并将资源倾注在了 " 第一棒 " 的预研上。今天外界看到的 " 世界模型加闭环强化学习 " 带来的能力提升，其实这场架构变阵叠加 Infra 底座搭好的结果。6 月 17 日，36 氪在中关村牛屋和蔚来任少卿及其团队成员进行了交流，内容经编辑：问：现在很多汽车厂商都在自研大算力芯片，为什么蔚来能率先在多平台落地？任少卿团队：其实在推进自研芯片研发和量产的过程中（2024 年流片，到 2025 年 3 月量产），我们做了大量的工作。虽然友商布局也很早，在 AI Infra 层面，蔚来从 2020 年就开始布局了，尤其是自研了推理引擎、部署框架以及 AI 编译器。正是因为有了从 2020 年以来的这些积累，所以当我们的自研芯片到位时，相关的工程效率已经达到了一定的高度。因此，在芯片流片回来之后，我们很快就做到了跨芯片平台的兼容。问：近期对蔚来智驾的评价有所好转，为什么在这个时间点大家能体验到版本和能力的明显提升？任少卿：智驾能力的提升无非就是由三件事情构成的：新的算法、底层的硬件和底层的数据体系。如果大家问最近这两年到底发生了什么，确实是算法架构的变化（比如世界模型、闭环强化学习），但是在这些表面之下，更深层的原因是：我们在 2023 年左右认知到，智驾的发展阶段跟前几年不太一样了。大家看到的可能是从 Rule-base（基于规则）变成了端到端或者世界模型。但我们看到的是物理 AI 发展阶段的倒退与重构。我们定义技术的发展分为四个阶段：在 2020 年左右，其实智驾已经进入了第三阶段，大家都在拼堆人、拼策略数量（写几万行代码）。但到了 2023 年左右，随着大模型技术的涌现，我认为智驾又退回到了第二阶段——我们又可以开始用底层的技术创新来解决问题、产生差异化了。所以从那个时候开始，我们不只是在做新算法，也在做组织架构的变革。大概两年前，我们把组织架构变成了类似 "4x100 米接力跑 " 的形式：第一棒跑预研，第二棒跑主线状态交付，第三棒跑跨平台适配，第四棒跑具体车型的量产交付。因为技术发展退回到了鼓励创新的第二阶段，所以我们在 " 第一棒（预研）" 上投入了大量的资源。我们布置了不同的预研团队，最后大家看到的宏观结果是 " 世界模型加闭环强化学习 "，但在微观层面，我们有很多创新来支撑这些架构的落地。这才是能力在这个节点爆发的底层逻辑。问：现在智驾多是谈论 VLA 和世界模型，竞争是不是有一个相对清晰的趋势？任少卿：算法有不一样的想法非常正常，这也是我觉得人工智能进入 AI 时代或者新技术时代最有意思的点。如果大家都走同一条路，那这个世界其实也不会发展这么快。在过去三年，整个人工智能发展非常快。我自己大概从 16 年就开始做智驾，从 2016 年到 2022 年，智驾的算法，或者说物理世界的算法发展是很慢的，可能最大的变化就是 BEV，最多再加个 OCC，就没了。但是从 2022 年开始，整体的技术又从非常确定变得非常不确定，涌现了各种各样的机会。我们发布世界模型的时候是 24 年 7 月份，但内部开始研发是在 23 年下半年。那时候对 " 世界模型 " 的叫法还没有那么清晰，但是我们的想法比较简单：第一，我们希望这个模型能用完全无监督（unsupervised），或者自监督（self-supervised）的方式去做训练，就是不需要再去标那么多的数据，而且有些数据是你人工标也标不出来的；第二，我们希望它能变成一个多模态混合的方式，也就是统一的网络。在过去三年，我们又赶上了物理世界人工智能快速变化的周期。大家从一个非常确定的、每天干的事情可能跟前三年基本没啥区别的状态里跳出来了。就像原来写 Planning 模型、写 Planning 算法代码的同学，今天干的活儿比三年之前可能也就是多处理一些场景而已。而现在，整个模型架构、训练架构，以及刚才说的数据工程架构，其实都在一体化地发生大变革。问：现在行业内其实有两种不太一样的模型适配方法。一种是拿着筛选后的数据重新训一个小模型；第二种方法是拿着训好的大模型，蒸馏出一个小模型。蔚来认为哪种方法是未来的发展方向？以及目前的做法是什么？任少卿：其实这两条路在之前的各种人工智能模型发展中一直在不断切换。有时候重新训练会更好，有时候蒸馏出来的效果更好，这跟模型大小、训练方式都有关系。对我们来说，这两个都是成熟的技术栈，所以我们在模型上会具体评估，看针对当前模型哪种方式效果更好。对于我们现在车端跑的这个模型来说，基本上采用蒸馏的概率可能会更大一些。但我觉得，这两者在本质上对现有的算法体系不会产生太大的变化。问：蔚来是否对一些竞品车型进行过体验，比如特斯拉 FSD，蔚来的 2.5 版本在行业内预期的身位大概是什么样？任少卿：特斯拉确实在数据体量和训练资源上是世界领先的，甚至我觉得它远远大于国内的公司，计算量上可能要高出一个量级以上。单从架构的进度来说，我们在今年上半年推出了基于世界模型的闭环强化学习，然后在这个版本里还会再加一个 SFT（监督微调），应该是不落后于特斯拉的，尤其在闭环这一块，我们算是比较领先的。问：今天讲了很多关于数据的问题，未来是否有可能发展到模型不再需要对数据的强依赖，可以通过更强的 AGI（通用人工智能）能力，直接实现更强的自动驾驶能力？任少卿：数据才是这个时代 AI 的根源。大家看到，除了算力的提升之外，包括端侧算力、云端算力，在过去 5-10 年提升了非常多，甚至是百万倍的提升。但是所有的基础模型，包括大语言模型、智驾，以及后面可能更新的一些模型，最根本的问题还是数据。做语言模型可以把互联网的数据直接下载下来，简单做一个清洗，就有几十 T 甚至更高量级的数据。但是其他所有的应用都需要自己产生数据，都需要自己去解决数据获取的问题，尤其是智驾。智驾要解决的问题就是：首先，要能产生这么大的数据量；第二，要能产生等价于 10 亿网民做筛选的结果。我显然没有这么多人工去干这个事，所以只能通过自动化了。只有当这类既有庞大体量、又明确包含了 Corner Case 的数据产生之后，神经网络才能发挥它的作用。因为直到今天，大模型和神经网络依然是 "Data Hungry"（数据饥渴）的，而且越大的模型，对数据的饥渴程度越强。所以，我们必须在物理世界的真实环境里去解决数据的问题。问：业内有一种说法认为，" 如果一个自动驾驶只会开车，那么它是开不好车的 "。这个您怎么看？意思可能是需要加入其他一些 " 通识 " 的数据让这个模型的能力进一步提升。您觉得这种说法有道理吗？任少卿：这其实分为两个部分。第一是有更多其他来源的数据，比如我们也会用一些互联网数据，这主要是为了增加一些场景的覆盖度。第二就是所谓的 " 通识 "。对于人来说，我们学开车所谓的 " 通识 " 实际上就是学交规。在这些层面上，其实有两种让 AI 学习的方式：一种方式是把大语言模型加进去来解决这个问题，我觉得这个方向有用，但在今天而言，这条路还并不是主流路线。我们目前的解决方法实际上是通过闭环强化学习的方式，让模型明确地知道：你不能压白线，你不能闯红灯；或者更好的一种情况，如果智驾系统看到红灯倒计时还有 2 秒，那它可以不用把刹车踩得那么死。通过这种在系统闭环里不断试错、强化学习的方式去拿结果，目前来看更高效，效果也更好。

本周数据平台今日多方媒体透露研究成果,,如何申请华纳万宝路公司开户：全方位指南，很高兴为您解答这个问题，让我来帮您详细说明一下：

文昌市冯坡镇、运城市新绛县 ，内蒙古呼伦贝尔市陈巴尔虎旗、牡丹江市东宁市、临夏广河县、渭南市华州区、济宁市曲阜市、邵阳市双清区、三明市三元区、锦州市古塔区、周口市扶沟县、韶关市武江区、湖州市长兴县、南充市西充县、大连市金州区、成都市武侯区、宜昌市枝江市 、烟台市芝罘区、抚州市宜黄县、常德市津市市、烟台市龙口市、哈尔滨市香坊区、鸡西市滴道区、孝感市孝昌县、株洲市炎陵县、齐齐哈尔市铁锋区、芜湖市鸠江区、内蒙古阿拉善盟阿拉善右旗、漳州市龙文区、西双版纳景洪市、赣州市会昌县

全球服务区域: 延安市子长市、成都市新津区 、汕头市南澳县、常州市钟楼区、潮州市潮安区、黔东南锦屏县、黄山市黄山区、黄山市黄山区、甘孜得荣县、沈阳市法库县、盐城市阜宁县、徐州市鼓楼区、台州市路桥区、广安市岳池县、琼海市会山镇、鹤壁市淇县、广元市旺苍县 、内蒙古包头市昆都仑区、合肥市庐江县、文山砚山县、牡丹江市海林市、赣州市兴国县

近日监测小组公开最新参数,,如何申请华纳万宝路公司开户：全方位指南，很高兴为您解答这个问题，让我来帮您详细说明一下：

全国服务区域: 安顺市平坝区、赣州市崇义县 、广西崇左市龙州县、济宁市曲阜市、驻马店市驿城区、许昌市襄城县、长春市绿园区、北京市大兴区、迪庆香格里拉市、哈尔滨市呼兰区、晋中市昔阳县、直辖县仙桃市、驻马店市上蔡县、甘孜德格县、毕节市纳雍县、陵水黎族自治县光坡镇、汉中市洋县 、宜昌市五峰土家族自治县、长治市襄垣县、汉中市留坝县、佳木斯市向阳区、黔东南三穗县、长沙市开福区、营口市西市区、东莞市望牛墩镇、丹东市凤城市、周口市项城市、陇南市徽县、台州市三门县、陵水黎族自治县新村镇、赣州市于都县、儋州市排浦镇、惠州市惠阳区、杭州市西湖区、澄迈县加乐镇、重庆市江津区、铜仁市江口县、淮南市潘集区、信阳市新县、驻马店市泌阳县、陇南市康县

近日监测部门公开最新参数:,如何申请华纳万宝路公司开户：全方位指南

华纳万宝路公司是一家全球知名的烟草公司，其产品遍布世界各地。如果您有意向与该公司进行业务往来，那么申请开户是第一步。以下是申请华纳万宝路公司开户的全方位指南，帮助您顺利完成开户流程。 一、了解开户要求 在申请开户之前，首先需要了解华纳万宝路公司的开户要求。一般来说，开户需要满足以下条件： 1. 具有合法营业执照的企业法人； 2. 企业经营范围符合华纳万宝路公司的业务要求； 3. 企业信用良好，无不良记录； 4. 提供完整的开户资料。 二、准备开户资料 根据华纳万宝路公司的要求，准备以下开户资料： 1. 企业营业执照副本复印件； 2. 法人身份证复印件； 3. 财务报表（近一年）； 4. 公司章程； 5. 开户银行的基本信息； 6. 其他可能需要的资料。 三、联系华纳万宝路公司 联系华纳万宝路公司，了解开户流程和所需时间。可以通过以下方式联系： 1. 官方网站：访问华纳万宝路公司官方网站，查找联系方式； 2. 客服电话：拨打华纳万宝路公司客服电话，咨询开户事宜； 3. 邮箱：发送邮件至华纳万宝路公司邮箱，咨询开户事宜。 四、提交开户申请 根据华纳万宝路公司的要求，提交开户申请。以下为提交申请的步骤： 1. 填写开户申请表：根据华纳万宝路公司提供的开户申请表，填写相关信息； 2. 提交资料：将准备好的开户资料邮寄或递交给华纳万宝路公司； 3. 等待审核：华纳万宝路公司将对提交的资料进行审核，审核时间约为1-2周。 五、开户成功 审核通过后，华纳万宝路公司将通知您开户成功。此时，您需要按照以下步骤完成开户手续： 1. 开户银行：前往开户银行，办理相关手续； 2. 领取账户信息：领取华纳万宝路公司提供的账户信息，包括账户名称、账号、开户行等； 3. 签订合作协议：与华纳万宝路公司签订合作协议，明确双方的权利和义务。 六、注意事项 1. 在申请开户过程中，务必确保提交的资料真实、完整； 2. 遵守华纳万宝路公司的相关规定，按时缴纳相关费用； 3. 保持良好的沟通，及时解决开户过程中遇到的问题。 总之，申请华纳万宝路公司开户需要准备充分、遵守规定。通过以上全方位指南，相信您能够顺利完成开户流程，与华纳万宝路公司建立良好的合作关系。

文｜肖漫编辑｜李勤6 月 18 日，蔚来同时向两代平台车型（包含 8 款 NT2.0 平台车型、4 款 NT2.5 平台车型，以及 6 款 NT3.0 车型）推送了最新版的世界模型，这意味着，蔚来现在能让同一套复杂的智驾代码，现在能跑在不同代际的芯片上。软件迭代节奏被硬件绑架曾是一个困扰行业的难题。很多车企无法在不同版本、配置的车型上迭代同一款软件，这带来的结果是，很长时间内只有使用最新版本硬件的车才能用上最好的软件，老车主被背刺。蔚来部署推理跨平台兼容任少卿的团队在 2020 年就在思考如何解决这个问题。蔚来的做法是搭建一套 AI Infra ——自研工具链铺平不同芯片间的鸿沟，用 AI 编译器提升车辆的处理速度，用 AI Agent 自动化串联全流程。当时业内主流的做法还是用英伟达的工具进行上层部署。但当时的蔚来判断，车端芯片的工程架构会继续快速迭代，主流的架构仅能用 3-5 年。基于这一判断，蔚来决定只保留最底层的硬件接口层（如 CUDA），在此之上全面自研上层部署软件，包括推理引擎、部署框架。另外，和大多数自研芯片的主机厂一样，蔚来也自研了编译器，实现了自动算子优化，将原本需要 1-2 周的部署时间缩短至 1-2 天，同时让端侧的推理性能提升 20% 以上。任少卿透露，蔚来也已经引入 AI Agent 的自动化工作流，接管了原本需要工程师长时间在电脑前手动盯盘、分布执行的繁琐流程，将一次完整的模型上车部署时间从一天甚至数天，极速压缩到 2 小时以内。蔚来智驾软件能力建设AI Infra 实现模型快速上车，车端在实际应用场景中收集高价值数据回传训练，算法团队用这些数据训练出更聪明的模型后，再次交给 AI Infra 流水线去打包上车，实现数据闭环。任少卿直言：" 在大模型时代，性能提升三个点，数据需要翻十倍；如果想提升 18 个点，数据则需要 10 倍的六次方 "。也就是说，如果单靠增加专职测试车队、花钱采集物理数据，很快就会触及成本和规模的物理极限。对于数据的理解，任少卿认为 " 数据的本质是算力，是‘模型 + 算力’运行产生的结果 "。蔚来在量产车型上以 " 影子模式 " 运行最新的待验证大模型，不干预用户驾驶，只做实时推演，一旦模型的判断与人类真实驾驶动作发生分歧，就把这个 Corner Case 传回云端。这种验证体系能跨越 NT2 和 NT3 平台，每周无感完成超 4000 万公里的主动安全测试，这相当于 1000 辆测试车连轴跑一年的数据量。蔚来数据 Infra 工程任少卿认为，这种通过车端筛选出的 Corner Case，在总体数据量中可能只占 5%，但它提供的训练价值却比底层常规数据还要大。另外，在云端世界模型中，蔚来会故意给 AI 制造各种极端且违反常规的陷阱，强迫神经网络学习如何在错误状态下把车重新开回正轨。近期，业内普遍感知到蔚来智驾能力有了提升，而在任少卿看来，这并非单点算法的突变，而是对 " 物理 AI 发展周期 " 有了全新认知的结果。任少卿将技术的发展分为四个阶段：目标不清晰的第一阶段、存在弯道超车可能的第二阶段、技术路线收敛拼人力的第三阶段，以及红利消失拼细节的第四阶段。但到了 2023 年，随着大模型和世界模型概念的涌现，任少卿判断智驾技术又退回到了鼓励底层创新的 " 第二阶段 "。因此蔚来在两年前果断进行了组织架构的变革，将智驾团队重组成 "4x100 米接力跑 "（预研、主线交付、跨平台适配、量产交付），并将资源倾注在了 " 第一棒 " 的预研上。今天外界看到的 " 世界模型加闭环强化学习 " 带来的能力提升，其实这场架构变阵叠加 Infra 底座搭好的结果。6 月 17 日，36 氪在中关村牛屋和蔚来任少卿及其团队成员进行了交流，内容经编辑：问：现在很多汽车厂商都在自研大算力芯片，为什么蔚来能率先在多平台落地？任少卿团队：其实在推进自研芯片研发和量产的过程中（2024 年流片，到 2025 年 3 月量产），我们做了大量的工作。虽然友商布局也很早，在 AI Infra 层面，蔚来从 2020 年就开始布局了，尤其是自研了推理引擎、部署框架以及 AI 编译器。正是因为有了从 2020 年以来的这些积累，所以当我们的自研芯片到位时，相关的工程效率已经达到了一定的高度。因此，在芯片流片回来之后，我们很快就做到了跨芯片平台的兼容。问：近期对蔚来智驾的评价有所好转，为什么在这个时间点大家能体验到版本和能力的明显提升？任少卿：智驾能力的提升无非就是由三件事情构成的：新的算法、底层的硬件和底层的数据体系。如果大家问最近这两年到底发生了什么，确实是算法架构的变化（比如世界模型、闭环强化学习），但是在这些表面之下，更深层的原因是：我们在 2023 年左右认知到，智驾的发展阶段跟前几年不太一样了。大家看到的可能是从 Rule-base（基于规则）变成了端到端或者世界模型。但我们看到的是物理 AI 发展阶段的倒退与重构。我们定义技术的发展分为四个阶段：在 2020 年左右，其实智驾已经进入了第三阶段，大家都在拼堆人、拼策略数量（写几万行代码）。但到了 2023 年左右，随着大模型技术的涌现，我认为智驾又退回到了第二阶段——我们又可以开始用底层的技术创新来解决问题、产生差异化了。所以从那个时候开始，我们不只是在做新算法，也在做组织架构的变革。大概两年前，我们把组织架构变成了类似 "4x100 米接力跑 " 的形式：第一棒跑预研，第二棒跑主线状态交付，第三棒跑跨平台适配，第四棒跑具体车型的量产交付。因为技术发展退回到了鼓励创新的第二阶段，所以我们在 " 第一棒（预研）" 上投入了大量的资源。我们布置了不同的预研团队，最后大家看到的宏观结果是 " 世界模型加闭环强化学习 "，但在微观层面，我们有很多创新来支撑这些架构的落地。这才是能力在这个节点爆发的底层逻辑。问：现在智驾多是谈论 VLA 和世界模型，竞争是不是有一个相对清晰的趋势？任少卿：算法有不一样的想法非常正常，这也是我觉得人工智能进入 AI 时代或者新技术时代最有意思的点。如果大家都走同一条路，那这个世界其实也不会发展这么快。在过去三年，整个人工智能发展非常快。我自己大概从 16 年就开始做智驾，从 2016 年到 2022 年，智驾的算法，或者说物理世界的算法发展是很慢的，可能最大的变化就是 BEV，最多再加个 OCC，就没了。但是从 2022 年开始，整体的技术又从非常确定变得非常不确定，涌现了各种各样的机会。我们发布世界模型的时候是 24 年 7 月份，但内部开始研发是在 23 年下半年。那时候对 " 世界模型 " 的叫法还没有那么清晰，但是我们的想法比较简单：第一，我们希望这个模型能用完全无监督（unsupervised），或者自监督（self-supervised）的方式去做训练，就是不需要再去标那么多的数据，而且有些数据是你人工标也标不出来的；第二，我们希望它能变成一个多模态混合的方式，也就是统一的网络。在过去三年，我们又赶上了物理世界人工智能快速变化的周期。大家从一个非常确定的、每天干的事情可能跟前三年基本没啥区别的状态里跳出来了。就像原来写 Planning 模型、写 Planning 算法代码的同学，今天干的活儿比三年之前可能也就是多处理一些场景而已。而现在，整个模型架构、训练架构，以及刚才说的数据工程架构，其实都在一体化地发生大变革。问：现在行业内其实有两种不太一样的模型适配方法。一种是拿着筛选后的数据重新训一个小模型；第二种方法是拿着训好的大模型，蒸馏出一个小模型。蔚来认为哪种方法是未来的发展方向？以及目前的做法是什么？任少卿：其实这两条路在之前的各种人工智能模型发展中一直在不断切换。有时候重新训练会更好，有时候蒸馏出来的效果更好，这跟模型大小、训练方式都有关系。对我们来说，这两个都是成熟的技术栈，所以我们在模型上会具体评估，看针对当前模型哪种方式效果更好。对于我们现在车端跑的这个模型来说，基本上采用蒸馏的概率可能会更大一些。但我觉得，这两者在本质上对现有的算法体系不会产生太大的变化。问：蔚来是否对一些竞品车型进行过体验，比如特斯拉 FSD，蔚来的 2.5 版本在行业内预期的身位大概是什么样？任少卿：特斯拉确实在数据体量和训练资源上是世界领先的，甚至我觉得它远远大于国内的公司，计算量上可能要高出一个量级以上。单从架构的进度来说，我们在今年上半年推出了基于世界模型的闭环强化学习，然后在这个版本里还会再加一个 SFT（监督微调），应该是不落后于特斯拉的，尤其在闭环这一块，我们算是比较领先的。问：今天讲了很多关于数据的问题，未来是否有可能发展到模型不再需要对数据的强依赖，可以通过更强的 AGI（通用人工智能）能力，直接实现更强的自动驾驶能力？任少卿：数据才是这个时代 AI 的根源。大家看到，除了算力的提升之外，包括端侧算力、云端算力，在过去 5-10 年提升了非常多，甚至是百万倍的提升。但是所有的基础模型，包括大语言模型、智驾，以及后面可能更新的一些模型，最根本的问题还是数据。做语言模型可以把互联网的数据直接下载下来，简单做一个清洗，就有几十 T 甚至更高量级的数据。但是其他所有的应用都需要自己产生数据，都需要自己去解决数据获取的问题，尤其是智驾。智驾要解决的问题就是：首先，要能产生这么大的数据量；第二，要能产生等价于 10 亿网民做筛选的结果。我显然没有这么多人工去干这个事，所以只能通过自动化了。只有当这类既有庞大体量、又明确包含了 Corner Case 的数据产生之后，神经网络才能发挥它的作用。因为直到今天，大模型和神经网络依然是 "Data Hungry"（数据饥渴）的，而且越大的模型，对数据的饥渴程度越强。所以，我们必须在物理世界的真实环境里去解决数据的问题。问：业内有一种说法认为，" 如果一个自动驾驶只会开车，那么它是开不好车的 "。这个您怎么看？意思可能是需要加入其他一些 " 通识 " 的数据让这个模型的能力进一步提升。您觉得这种说法有道理吗？任少卿：这其实分为两个部分。第一是有更多其他来源的数据，比如我们也会用一些互联网数据，这主要是为了增加一些场景的覆盖度。第二就是所谓的 " 通识 "。对于人来说，我们学开车所谓的 " 通识 " 实际上就是学交规。在这些层面上，其实有两种让 AI 学习的方式：一种方式是把大语言模型加进去来解决这个问题，我觉得这个方向有用，但在今天而言，这条路还并不是主流路线。我们目前的解决方法实际上是通过闭环强化学习的方式，让模型明确地知道：你不能压白线，你不能闯红灯；或者更好的一种情况，如果智驾系统看到红灯倒计时还有 2 秒，那它可以不用把刹车踩得那么死。通过这种在系统闭环里不断试错、强化学习的方式去拿结果，目前来看更高效，效果也更好。