,华纳万宝路线上负责人高效办理业务，助力企业发展新篇章

,车圈尽头是AI，李想先一步到了路口，很高兴为您解答这个问题，让我来帮您详细说明一下。

定安县岭口镇、平顶山市叶县、三亚市崖州区、黔东南台江县、天津市河东区、大理大理市、忻州市原平市、南充市高坪区、陵水黎族自治县文罗镇、洛阳市西工区、泰安市新泰市、吕梁市孝义市、延边延吉市、抚州市宜黄县、三明市尤溪县、楚雄南华县、德州市禹城市

过去几年，理想贡献了中国汽车行业被模仿最多的一套产品方法论。如今，理想又要去探索未来了。6月17日，理想办了一场Livis Day的AI与具身智能发布会。这次没有行业熟悉的冰箱、彩电和大沙发。取而代之的是VLA、Agent、世界模型、3D ViT、自研的马赫芯片。这些内容更像应该出现在OpenAI、Google或者英伟达的开发者大会上，很多人看完Livis Day后的第一反应是：理想怎么突然开始讲一些听不懂的东西了。对于一家年销量正在冲击第二个百万辆规模的车企来说，这些内容看上去甚至有些"不务正业"。但理想讨论的已经不只是汽车。或者说，汽车已经不再是故事的全部。要知道，当下国内汽车市场大盘收缩，1-5月的销量同比下滑近两成，玩家们纷纷保销量、保交付的情况下，理想如此激进的行径，反而是想破内卷，逃出价格战的裹挟。回溯来看，过去几年里，中国汽车行业几乎所有企业都在变得越来越像理想。理想几乎贡献了行业最成功的一套产品方法论。从增程到家庭SUV，从六座到冰箱彩电大沙发，越来越多的新车开始长成理想的样子。曾经被视作另类的选择，如今已经成为主流。这是理想最成功的地方，也是理想必须寻找下一个答案的原因，因为所有产品创新都有一个宿命：一旦被验证成功，就会被复制，赖以成功的护城河就开始被消解。十年前，马斯克已经经历过一次类似的过程。当越来越多车企开始学习特斯拉如何造电动车的时候，马斯克把注意力转向了自动驾驶；当越来越多公司开始追赶自动驾驶的时候，特斯拉又开始研究机器人；而今天，特斯拉自动驾驶负责人Ashok Elluswamy在CVPR上谈论的已经不再是汽车，而是一个统一的机器人基础模型。Ashok说，自动驾驶、Optimus机器人和智能体，本质上是同一个基础模型在不同身体上的投影。重要的是那个能够理解世界、进行推理并采取行动的统一模型。如果把这场演讲与几天前理想的Livis Day放在一起看会发现，当整个行业都在学习理想的时候，理想开始学习特斯拉了。首先是大脑，发布会后的媒体沟通会上，基座模型负责人詹锟被问到，为什么理想如此强调语言模型能力，他向华尔街见闻揭示了理想的真正目标。"我们认为越往L3、L4走，解决的问题越来越接近90%、95%、98%之后的问题——那些你从来没见过的问题，需要模型具备像人类一样思考的能力。"过去十年，自动驾驶行业最主流的逻辑是规模化学习，让模型见更多的数据，走更多的路，覆盖更多的Corner Case，本质上是一种经验主义，但理想正在讨论另一件事。如果汽车遇到一个从未见过的场景怎么办，如果训练集里没有答案怎么办？为了说明这一点，詹锟举了一个例子。"比如出现一头鸵鸟和一头大象时，应该怎么处理？如果是鸵鸟，碰一下没事；如果碰到大象，碰一下可能就会翻车。"对于人类来说，这是常识。对于机器来说，却不一定。因为常识背后并不是记忆而是理解。于是理想开始把注意力从感知转向思考。詹锟表示，"人和动物最大的区别，是人以语言作为符号进行高层次的思考。这些能力来自于语言，而不是来自于视觉。"这其实已经不是传统智驾公司的表述方式。过去行业讨论自动驾驶，关注的是摄像头、激光雷达和算力。而理想开始讨论语言、推理和思维链，实际上是在重新定义智能。因为在理想看来，未来汽车最重要的能力可能已经不是"看见"。理想对Agent的定义也指向同一方向。很多人把Agent理解成一个更聪明的车机助手。但从理想的表述来看，它显然不只是一个聊天机器人。詹锟谈到Agent时提到几个关键词：记忆、规划、推理、执行。这些能力看似属于Agent，实际上也属于自动驾驶，甚至属于未来所有机器人。因为无论是帮用户规划一天行程，还是帮用户规划一段驾驶路线，本质上都是同一种能力。理解意图、拆解任务、执行任务。MindGPT、Agent、VLA、世界模型，看起来是几条独立业务线。实际上指向同一个目标，一个能够理解世界并采取行动的统一智能体。詹锟说，"我们把物理机器人分成三个关键任务。一是具身交互，二是移动，三是操作。"随后他补充道："车里面包含了Language语言智能，这直接迁移到机器人的概率是非常大的——交互、思考、长程规划。"理想已经把汽车放进具身智能的坐标系里重新审视。过去行业认为：汽车是交通工具，机器人是机器人，Agent是Agent。而在理想和特斯拉越来越接近的世界观里，它们正在逐渐融合。在这个框架里，汽车、Agent和机器人共享同一个大脑，分别负责移动、交互和操作。理想要做的，是同时具备这三种能力的统一系统。回头看Livis Day上发布的每一项技术，都在给这个统一智能体补拼图——语言智能、交互智能、行动智能、物理世界的理解能力。如果说詹锟谈的是大脑，那么谢炎谈的则是神经系统。也有很多人把芯片的问题理解成成本问题。但谢炎对此反复提到一个词：全栈。"从L2往L3走的时候有很多问题，今天没有供应商可以解决。要解决未知问题、想达到更高标准时，领先企业一定会选择一起做。"在谢炎看来，未来的竞争已经不再是简单采购零部件，而是系统能力竞争。模型需要与芯片协同、芯片需要与系统协同、系统需要与车辆协同，最终形成一个完整闭环。这其实也是特斯拉过去几年一直在做的事情。Dojo、自研芯片、FSD、Optimus看似分散，背后却是同一种逻辑。把关键能力掌握在自己手里。因为当行业进入无人区时，供应链已经无法提供现成答案。谢炎后来的一句话点出了理想这次转型的根本原因，"车的内卷就是因为同质化。要摆脱同质化，就是要做别人不好做或做不到的事。"某种意义上说，理想今天越来越像特斯拉。它们争夺的已经不是下一代汽车，而是下一代智能终端，理想要把汽车公司，变成一家真正的AI公司。以下是与理想汽车CTO谢炎、理想汽车基座模型负责人詹锟的对话实录：问：理想汽车这几年经过很多次智能化的体系调整，最终把芯片、基座模型和智能辅助驾驶整合成统一的（团队），您作为CTO视角来看，理想的"三位一体"和特斯拉的FSD、HW、xAI相比，差异化的护城河在哪？是组织效率，还是技术路径的差异？谢炎：跟特斯拉相比，大家出发点是一样的。如果想围绕AI做出强竞争力有两方面。一是需要快速迭代。今天的AI发展很快。从芯片领域来说，英伟达也迭代很快，不仅是自己迭代快，还不断收购公司补充自己的技术，说明这个行业竞争非常激烈。迭代快是我们进行组织整合的一个目标，几个团队更紧密地合作，迭代速度会上去。第二是，需要垂直整合。理想汽车推崇构建垂直整合的竞争力。在这个时代，如果没有自己的芯片，只做自己的模型，那么如果遇到需要芯片和模型联合设计，才能把问题解决得更好的情况下，我们就失去了这样的机会，特别是一些大的创新。我个人观点是，当技术发展到平台期时，这时分工会很细。比如PC发展到2010年，操作系统归操作系统、应用归应用、芯片归芯片、制造归制造。但是如果技术处于高速发展期，斜率非常高时，你会发现很多公司又回过头来做整合，因为需要在技术边界上把分工打破，重新做整合。比如英伟达之前只做芯片，现在英伟达连封装和机架都开始收购公司来做。所以英伟达要解决更进一步的问题时，需要上下游一起来做，如果分成多家公司来做，其实效率是非常低的，甚至是不可能的。英伟达做Vera Rubin（AI超级芯片平台）时，可以看到不仅是多种处理器，而且机架、散热技术、互联技术都是英伟达来做。虽然英伟达是做计算的公司，但现在全拓展开了。我认为技术快速发展的时代，这是有志于领先的公司肯定要走的一条路。当然这个投入肯定不小，很多公司不具备这种能力。在我们团队，我的背景是做过操作系统、架构、应用层等AI各个方向，所以我们的整合效率相对更高一些。除此之外，组织规模小一点也是优势。如果需要高密度、高整合度，组织规模不能太大，如果组织规模太大，就会导致很多部门墙。这是为什么我在公司强调要保证比较小的组织规模的原因，就是想让大家合作得更紧密些。问：数据是这个时代最宝贵的资产。随着理想车队规模的跃升，从理想内部来看，数据的边际效应是不是出现了衰减？我们是怎么定义价值数据的？詹锟：现在大家对于自动驾驶来说，数据的理解逐渐收敛了。第一，数据的量要足够大，数据量足够大的本质是希望收集到更多的Corner Case。Normal Case现在供应商都已经可以采集了，但采集Corner Case非常难，必须要足够大的车队才行。基数大，但不是说把所有数据都传回来，这没意义。现在大家有很多方法在车端做出很好的neural trigger（神经网络触发器），来判断这个场景是难场景还是简单场景，然后把这些关键数据传回来。这也是现在特斯拉很强的重要原因之一。对我们来说，我们现在规模已经很大了，主要来源于我们很早就做了很好的基建统一。从理想ONE开始就可以回传数据了。从L系列开始是全栈所有数据回传。现在到了Livis具身智能更强了，现在回传的数据可以理解为达到了L4自动驾驶的公司采集车队的数据质量，360°点云和摄像头数据做了精准的对齐，这些数据给了我们长尾收敛、思考问题的机会。第二点，指行为质量高。因为现在大家逐渐收敛到端到端的范式，无论做VLA、世界模型还是Vision-Action都可以，但是你一定得知道Action的行为，这时候行为质量就非常重要，行为的干净程度、一致性很重要。这对于使用众包车队的公司来说很有挑战。因为每个人的开车习惯不一样，怎么在这么多的众包用户中找到一致性，是我们努力做的事，而且也看到了很多机会点。这相比于采集车队来说，难度就在这里。采集车队的众包行为没那么好控制，但我通过算法可以迅速把好的行为留下来，坏的行为去掉。比如你每次过红绿灯时，是不是稳定的加速度；遇到丁字路口时，能否稳定减速；每次超车时是否合理变道，这些都需要清晰的判断。正因为我们有很大的车队，可以筛选出很多高质量的用户行为和用户数据。我们用后面的方法来筛选，就简单很多。因为他在发起行为时，我不确定他的行为好不好。但他开完以后，通过看他的后车距离、变道幅度和角度，就知道是否合理。所以我通过后面完整的数据来看，就可以知道他的每一个行为是不是合理。这对于我们来说非常重要，也是我们现在投入最大力度做的事。现在你问数据规模上去以后的边际效应有没有衰减？首先，只要模型上去了，只要我们能力往100分去够，一定是个"对数曲线"，一定是慢慢衰减，不可能线性增长，哪个公司做AI都不是这样的。但是我们的数据质量，能随着车队规模的增大而增长，其实也在抵抗这个对数，我们有更多的机会采集到我们想要的数据。虽然确实越往后面，数据收敛的作用就没那么快了，但我们也希望通过规模，把它的速度加起来。问：要达到特斯拉FSD V14的效果，我们还需要做哪些工作？谢炎：其实我们的整体能力，内部评分比之前高很多，这个模型现在的上限非常高。真正难的问题是我们要扩大模型的感知与认知能力的上限。你看这个版本的模型在很短时间内，已经达到了量产水平。很多公司都是先发芯片，再花一段时间适配上车。我们不仅提供了高阶的智驾、城市NOA，而且比上一版本能力强很多，在非常窄的3米路况上也可以通行。詹锟：业界都说要追上FSD的水平，但不一定能追上。我认为追上FSD有两个层面。第一是基础体验，具体是三方面：安全感、效率、舒适度是否能达到FSD的同等水平。相信大家如果开过FSD，它的安全感非常足，效率很好，舒适度很好，这是它的基本功。我不一定跑很难的路，但这些基本功可以达到这个水平。第二是能力，这一点也很难追。FSD有哪些能力是别人没有的？比如特斯拉会礼让特殊车辆，有极窄通行时的感知精准度，它会识别交警指挥，这些能力非常强。如果我们能做到这两项，就能追上FSD。在基础体验上，这需要非常好的评价体系。我们希望从自己的测试团队和产品团队开始，跟用户和媒体一起想，怎么去评价我们的模型——它的安全感、舒适和效率怎么平衡。这里有很多方法，再加上我们芯片性能还没完全释放，我们可以效率更高、反应更快。第二个关于能力，这里有架构升级的机会。为什么别人没有、只有特斯拉有？这里有我们的一

近日监测部门公开,,华纳万宝路线上负责人高效办理业务，助力企业发展新篇章，很高兴为您解答这个问题，让我来帮您详细说明一下：

上海市杨浦区、阳江市阳西县 ，黄山市黟县、丽江市华坪县、武威市凉州区、乐东黎族自治县莺歌海镇、信阳市浉河区、东莞市麻涌镇、昭通市盐津县、怀化市麻阳苗族自治县、内蒙古通辽市扎鲁特旗、牡丹江市西安区、济宁市嘉祥县、荆州市监利市、攀枝花市东区、台州市黄岩区、永州市东安县 、铜川市耀州区、黔西南望谟县、荆州市公安县、南昌市东湖区、直辖县天门市、甘孜巴塘县、南阳市新野县、长治市长子县、重庆市巫溪县、宿迁市泗洪县、杭州市拱墅区、周口市商水县、内蒙古通辽市科尔沁左翼后旗、直辖县仙桃市

全球服务区域: 滁州市凤阳县、内蒙古赤峰市红山区 、青岛市市南区、乐东黎族自治县万冲镇、东莞市桥头镇、内蒙古呼伦贝尔市牙克石市、惠州市惠城区、盐城市盐都区、广西贵港市覃塘区、南阳市方城县、咸阳市淳化县、淄博市沂源县、安阳市内黄县、杭州市桐庐县、达州市开江县、萍乡市芦溪县、儋州市排浦镇 、铁岭市昌图县、吉林市蛟河市、天津市和平区、西宁市城中区、儋州市木棠镇

昨日官方渠道公开新变化,,华纳万宝路线上负责人高效办理业务，助力企业发展新篇章，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: 赣州市瑞金市、沈阳市新民市 、大理鹤庆县、永州市道县、茂名市高州市、鸡西市密山市、鸡西市虎林市、福州市长乐区、安阳市林州市、玉溪市江川区、韶关市乐昌市、丽江市玉龙纳西族自治县、郴州市桂东县、汕头市澄海区、新乡市卫辉市、泸州市纳溪区、蚌埠市淮上区 、盘锦市双台子区、南阳市内乡县、中山市阜沙镇、宣城市泾县、上海市徐汇区、东方市八所镇、开封市祥符区、淮南市谢家集区、德宏傣族景颇族自治州瑞丽市、常德市汉寿县、商洛市镇安县、南京市江宁区、九江市濂溪区、扬州市广陵区、安顺市平坝区、广西桂林市资源县、成都市新津区、宜春市万载县、广西崇左市龙州县、沈阳市辽中区、达州市通川区、平凉市庄浪县、常德市武陵区、宁夏中卫市中宁县

刚刚专家组披露重要结论:,华纳万宝路线上负责人高效办理业务，助力企业发展新篇章

在当今这个信息时代，企业的发展离不开高效、便捷的服务。华纳万宝路作为一家具有影响力的企业，其线上负责人在办理业务方面的卓越表现，无疑为企业的发展注入了新的活力。 华纳万宝路线上负责人，以其敏锐的市场洞察力和丰富的行业经验，为企业提供了全方位的业务办理服务。以下是华纳万宝路线上负责人在办理业务方面的几个亮点： 一、精准把握市场动态 华纳万宝路线上负责人密切关注市场动态，及时调整业务策略。在办理业务过程中，他们能够迅速捕捉市场变化，为企业提供有针对性的服务。这种精准的市场把握能力，使得华纳万宝路在激烈的市场竞争中始终保持领先地位。 二、高效协同各部门 华纳万宝路线上负责人具备卓越的团队协作能力，能够高效协同各部门共同推进业务办理。他们充分发挥团队优势，确保业务办理流程顺畅，降低企业运营成本。这种高效的协同工作，为企业创造了良好的发展环境。 三、创新服务模式 华纳万宝路线上负责人不断探索创新服务模式，以满足企业日益增长的业务需求。他们积极引入先进的技术手段，提高业务办理效率，降低企业运营风险。这种创新的服务模式，为华纳万宝路赢得了客户的广泛认可。 四、注重人才培养 华纳万宝路线上负责人深知人才是企业发展的基石。他们重视人才培养，为企业选拔和培养了一批高素质的专业人才。这些人才在业务办理过程中，能够为企业提供优质的服务，助力企业实现跨越式发展。 五、强化风险防控 华纳万宝路线上负责人在办理业务过程中，始终将风险防控放在首位。他们建立健全风险管理体系，确保业务办理过程中的风险可控。这种严谨的风险防控意识，为华纳万宝路的企业发展保驾护航。 总之，华纳万宝路线上负责人在办理业务方面的卓越表现，为企业的发展注入了新的活力。他们以敏锐的市场洞察力、高效的团队协作、创新的服务模式、重视人才培养和强化风险防控等方面的优势，助力华纳万宝路在激烈的市场竞争中脱颖而出。 在未来的发展中，华纳万宝路线上负责人将继续发挥自身优势，为企业提供更加优质、高效的服务。相信在他们的带领下，华纳万宝路必将迎来更加辉煌的明天。

过去几年，理想贡献了中国汽车行业被模仿最多的一套产品方法论。如今，理想又要去探索未来了。6月17日，理想办了一场Livis Day的AI与具身智能发布会。这次没有行业熟悉的冰箱、彩电和大沙发。取而代之的是VLA、Agent、世界模型、3D ViT、自研的马赫芯片。这些内容更像应该出现在OpenAI、Google或者英伟达的开发者大会上，很多人看完Livis Day后的第一反应是：理想怎么突然开始讲一些听不懂的东西了。对于一家年销量正在冲击第二个百万辆规模的车企来说，这些内容看上去甚至有些"不务正业"。但理想讨论的已经不只是汽车。或者说，汽车已经不再是故事的全部。要知道，当下国内汽车市场大盘收缩，1-5月的销量同比下滑近两成，玩家们纷纷保销量、保交付的情况下，理想如此激进的行径，反而是想破内卷，逃出价格战的裹挟。回溯来看，过去几年里，中国汽车行业几乎所有企业都在变得越来越像理想。理想几乎贡献了行业最成功的一套产品方法论。从增程到家庭SUV，从六座到冰箱彩电大沙发，越来越多的新车开始长成理想的样子。曾经被视作另类的选择，如今已经成为主流。这是理想最成功的地方，也是理想必须寻找下一个答案的原因，因为所有产品创新都有一个宿命：一旦被验证成功，就会被复制，赖以成功的护城河就开始被消解。十年前，马斯克已经经历过一次类似的过程。当越来越多车企开始学习特斯拉如何造电动车的时候，马斯克把注意力转向了自动驾驶；当越来越多公司开始追赶自动驾驶的时候，特斯拉又开始研究机器人；而今天，特斯拉自动驾驶负责人Ashok Elluswamy在CVPR上谈论的已经不再是汽车，而是一个统一的机器人基础模型。Ashok说，自动驾驶、Optimus机器人和智能体，本质上是同一个基础模型在不同身体上的投影。重要的是那个能够理解世界、进行推理并采取行动的统一模型。如果把这场演讲与几天前理想的Livis Day放在一起看会发现，当整个行业都在学习理想的时候，理想开始学习特斯拉了。首先是大脑，发布会后的媒体沟通会上，基座模型负责人詹锟被问到，为什么理想如此强调语言模型能力，他向华尔街见闻揭示了理想的真正目标。"我们认为越往L3、L4走，解决的问题越来越接近90%、95%、98%之后的问题——那些你从来没见过的问题，需要模型具备像人类一样思考的能力。"过去十年，自动驾驶行业最主流的逻辑是规模化学习，让模型见更多的数据，走更多的路，覆盖更多的Corner Case，本质上是一种经验主义，但理想正在讨论另一件事。如果汽车遇到一个从未见过的场景怎么办，如果训练集里没有答案怎么办？为了说明这一点，詹锟举了一个例子。"比如出现一头鸵鸟和一头大象时，应该怎么处理？如果是鸵鸟，碰一下没事；如果碰到大象，碰一下可能就会翻车。"对于人类来说，这是常识。对于机器来说，却不一定。因为常识背后并不是记忆而是理解。于是理想开始把注意力从感知转向思考。詹锟表示，"人和动物最大的区别，是人以语言作为符号进行高层次的思考。这些能力来自于语言，而不是来自于视觉。"这其实已经不是传统智驾公司的表述方式。过去行业讨论自动驾驶，关注的是摄像头、激光雷达和算力。而理想开始讨论语言、推理和思维链，实际上是在重新定义智能。因为在理想看来，未来汽车最重要的能力可能已经不是"看见"。理想对Agent的定义也指向同一方向。很多人把Agent理解成一个更聪明的车机助手。但从理想的表述来看，它显然不只是一个聊天机器人。詹锟谈到Agent时提到几个关键词：记忆、规划、推理、执行。这些能力看似属于Agent，实际上也属于自动驾驶，甚至属于未来所有机器人。因为无论是帮用户规划一天行程，还是帮用户规划一段驾驶路线，本质上都是同一种能力。理解意图、拆解任务、执行任务。MindGPT、Agent、VLA、世界模型，看起来是几条独立业务线。实际上指向同一个目标，一个能够理解世界并采取行动的统一智能体。詹锟说，"我们把物理机器人分成三个关键任务。一是具身交互，二是移动，三是操作。"随后他补充道："车里面包含了Language语言智能，这直接迁移到机器人的概率是非常大的——交互、思考、长程规划。"理想已经把汽车放进具身智能的坐标系里重新审视。过去行业认为：汽车是交通工具，机器人是机器人，Agent是Agent。而在理想和特斯拉越来越接近的世界观里，它们正在逐渐融合。在这个框架里，汽车、Agent和机器人共享同一个大脑，分别负责移动、交互和操作。理想要做的，是同时具备这三种能力的统一系统。回头看Livis Day上发布的每一项技术，都在给这个统一智能体补拼图——语言智能、交互智能、行动智能、物理世界的理解能力。如果说詹锟谈的是大脑，那么谢炎谈的则是神经系统。也有很多人把芯片的问题理解成成本问题。但谢炎对此反复提到一个词：全栈。"从L2往L3走的时候有很多问题，今天没有供应商可以解决。要解决未知问题、想达到更高标准时，领先企业一定会选择一起做。"在谢炎看来，未来的竞争已经不再是简单采购零部件，而是系统能力竞争。模型需要与芯片协同、芯片需要与系统协同、系统需要与车辆协同，最终形成一个完整闭环。这其实也是特斯拉过去几年一直在做的事情。Dojo、自研芯片、FSD、Optimus看似分散，背后却是同一种逻辑。把关键能力掌握在自己手里。因为当行业进入无人区时，供应链已经无法提供现成答案。谢炎后来的一句话点出了理想这次转型的根本原因，"车的内卷就是因为同质化。要摆脱同质化，就是要做别人不好做或做不到的事。"某种意义上说，理想今天越来越像特斯拉。它们争夺的已经不是下一代汽车，而是下一代智能终端，理想要把汽车公司，变成一家真正的AI公司。以下是与理想汽车CTO谢炎、理想汽车基座模型负责人詹锟的对话实录：问：理想汽车这几年经过很多次智能化的体系调整，最终把芯片、基座模型和智能辅助驾驶整合成统一的（团队），您作为CTO视角来看，理想的"三位一体"和特斯拉的FSD、HW、xAI相比，差异化的护城河在哪？是组织效率，还是技术路径的差异？谢炎：跟特斯拉相比，大家出发点是一样的。如果想围绕AI做出强竞争力有两方面。一是需要快速迭代。今天的AI发展很快。从芯片领域来说，英伟达也迭代很快，不仅是自己迭代快，还不断收购公司补充自己的技术，说明这个行业竞争非常激烈。迭代快是我们进行组织整合的一个目标，几个团队更紧密地合作，迭代速度会上去。第二是，需要垂直整合。理想汽车推崇构建垂直整合的竞争力。在这个时代，如果没有自己的芯片，只做自己的模型，那么如果遇到需要芯片和模型联合设计，才能把问题解决得更好的情况下，我们就失去了这样的机会，特别是一些大的创新。我个人观点是，当技术发展到平台期时，这时分工会很细。比如PC发展到2010年，操作系统归操作系统、应用归应用、芯片归芯片、制造归制造。但是如果技术处于高速发展期，斜率非常高时，你会发现很多公司又回过头来做整合，因为需要在技术边界上把分工打破，重新做整合。比如英伟达之前只做芯片，现在英伟达连封装和机架都开始收购公司来做。所以英伟达要解决更进一步的问题时，需要上下游一起来做，如果分成多家公司来做，其实效率是非常低的，甚至是不可能的。英伟达做Vera Rubin（AI超级芯片平台）时，可以看到不仅是多种处理器，而且机架、散热技术、互联技术都是英伟达来做。虽然英伟达是做计算的公司，但现在全拓展开了。我认为技术快速发展的时代，这是有志于领先的公司肯定要走的一条路。当然这个投入肯定不小，很多公司不具备这种能力。在我们团队，我的背景是做过操作系统、架构、应用层等AI各个方向，所以我们的整合效率相对更高一些。除此之外，组织规模小一点也是优势。如果需要高密度、高整合度，组织规模不能太大，如果组织规模太大，就会导致很多部门墙。这是为什么我在公司强调要保证比较小的组织规模的原因，就是想让大家合作得更紧密些。问：数据是这个时代最宝贵的资产。随着理想车队规模的跃升，从理想内部来看，数据的边际效应是不是出现了衰减？我们是怎么定义价值数据的？詹锟：现在大家对于自动驾驶来说，数据的理解逐渐收敛了。第一，数据的量要足够大，数据量足够大的本质是希望收集到更多的Corner Case。Normal Case现在供应商都已经可以采集了，但采集Corner Case非常难，必须要足够大的车队才行。基数大，但不是说把所有数据都传回来，这没意义。现在大家有很多方法在车端做出很好的neural trigger（神经网络触发器），来判断这个场景是难场景还是简单场景，然后把这些关键数据传回来。这也是现在特斯拉很强的重要原因之一。对我们来说，我们现在规模已经很大了，主要来源于我们很早就做了很好的基建统一。从理想ONE开始就可以回传数据了。从L系列开始是全栈所有数据回传。现在到了Livis具身智能更强了，现在回传的数据可以理解为达到了L4自动驾驶的公司采集车队的数据质量，360°点云和摄像头数据做了精准的对齐，这些数据给了我们长尾收敛、思考问题的机会。第二点，指行为质量高。因为现在大家逐渐收敛到端到端的范式，无论做VLA、世界模型还是Vision-Action都可以，但是你一定得知道Action的行为，这时候行为质量就非常重要，行为的干净程度、一致性很重要。这对于使用众包车队的公司来说很有挑战。因为每个人的开车习惯不一样，怎么在这么多的众包用户中找到一致性，是我们努力做的事，而且也看到了很多机会点。这相比于采集车队来说，难度就在这里。采集车队的众包行为没那么好控制，但我通过算法可以迅速把好的行为留下来，坏的行为去掉。比如你每次过红绿灯时，是不是稳定的加速度；遇到丁字路口时，能否稳定减速；每次超车时是否合理变道，这些都需要清晰的判断。正因为我们有很大的车队，可以筛选出很多高质量的用户行为和用户数据。我们用后面的方法来筛选，就简单很多。因为他在发起行为时，我不确定他的行为好不好。但他开完以后，通过看他的后车距离、变道幅度和角度，就知道是否合理。所以我通过后面完整的数据来看，就可以知道他的每一个行为是不是合理。这对于我们来说非常重要，也是我们现在投入最大力度做的事。现在你问数据规模上去以后的边际效应有没有衰减？首先，只要模型上去了，只要我们能力往100分去够，一定是个"对数曲线"，一定是慢慢衰减，不可能线性增长，哪个公司做AI都不是这样的。但是我们的数据质量，能随着车队规模的增大而增长，其实也在抵抗这个对数，我们有更多的机会采集到我们想要的数据。虽然确实越往后面，数据收敛的作用就没那么快了，但我们也希望通过规模，把它的速度加起来。问：要达到特斯拉FSD V14的效果，我们还需要做哪些工作？谢炎：其实我们的整体能力，内部评分比之前高很多，这个模型现在的上限非常高。真正难的问题是我们要扩大模型的感知与认知能力的上限。你看这个版本的模型在很短时间内，已经达到了量产水平。很多公司都是先发芯片，再花一段时间适配上车。我们不仅提供了高阶的智驾、城市NOA，而且比上一版本能力强很多，在非常窄的3米路况上也可以通行。詹锟：业界都说要追上FSD的水平，但不一定能追上。我认为追上FSD有两个层面。第一是基础体验，具体是三方面：安全感、效率、舒适度是否能达到FSD的同等水平。相信大家如果开过FSD，它的安全感非常足，效率很好，舒适度很好，这是它的基本功。我不一定跑很难的路，但这些基本功可以达到这个水平。第二是能力，这一点也很难追。FSD有哪些能力是别人没有的？比如特斯拉会礼让特殊车辆，有极窄通行时的感知精准度，它会识别交警指挥，这些能力非常强。如果我们能做到这两项，就能追上FSD。在基础体验上，这需要非常好的评价体系。我们希望从自己的测试团队和产品团队开始，跟用户和媒体一起想，怎么去评价我们的模型——它的安全感、舒适和效率怎么平衡。这里有很多方法，再加上我们芯片性能还没完全释放，我们可以效率更高、反应更快。第二个关于能力，这里有架构升级的机会。为什么别人没有、只有特斯拉有？这里有我们的一