,华纳公司现场上下分直属办理业务：高效便捷的服务体验

,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。

乐山市市中区、内蒙古巴彦淖尔市乌拉特前旗、东方市三家镇、揭阳市榕城区、大理漾濞彝族自治县、湘西州龙山县、绍兴市柯桥区、信阳市商城县、长春市绿园区、海南贵南县、咸阳市乾县、广西柳州市三江侗族自治县、济宁市梁山县、内蒙古锡林郭勒盟镶黄旗、阳泉市平定县、松原市长岭县、潍坊市寒亭区

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

近日监测中心公开最新参数,,华纳公司现场上下分直属办理业务：高效便捷的服务体验，很高兴为您解答这个问题，让我来帮您详细说明一下：

雅安市汉源县、商丘市睢县 ，株洲市天元区、宿迁市宿城区、六安市霍山县、合肥市长丰县、咸阳市旬邑县、榆林市神木市、济宁市汶上县、中山市东区街道、徐州市睢宁县、潮州市饶平县、肇庆市端州区、益阳市桃江县、重庆市南川区、韶关市新丰县、内蒙古鄂尔多斯市杭锦旗 、广西河池市环江毛南族自治县、长治市沁源县、株洲市攸县、临沧市沧源佤族自治县、台州市三门县、阿坝藏族羌族自治州小金县、甘孜理塘县、澄迈县中兴镇、本溪市明山区、清远市连山壮族瑶族自治县、三亚市吉阳区、上饶市婺源县、安康市镇坪县、佳木斯市富锦市

全球服务区域: 黔南瓮安县、宁德市屏南县 、汉中市勉县、茂名市茂南区、德州市齐河县、榆林市吴堡县、临汾市蒲县、沈阳市于洪区、大同市灵丘县、阜新市海州区、沈阳市大东区、郴州市苏仙区、黔南瓮安县、宁夏银川市灵武市、内蒙古阿拉善盟额济纳旗、洛阳市西工区、鞍山市海城市 、衡阳市祁东县、昌江黎族自治县石碌镇、鸡西市梨树区、金昌市永昌县、韶关市南雄市

本周数据平台本月官方渠道披露重要进展,,华纳公司现场上下分直属办理业务：高效便捷的服务体验，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: 怀化市沅陵县、武汉市汉阳区 、肇庆市封开县、咸阳市乾县、甘南玛曲县、黔东南锦屏县、绍兴市越城区、金昌市金川区、重庆市南岸区、万宁市北大镇、重庆市巴南区、齐齐哈尔市依安县、凉山喜德县、杭州市临安区、普洱市澜沧拉祜族自治县、恩施州巴东县、赣州市赣县区 、上海市青浦区、潮州市潮安区、成都市蒲江县、东莞市洪梅镇、广西柳州市柳北区、长治市平顺县、榆林市绥德县、南阳市社旗县、成都市新都区、内蒙古通辽市扎鲁特旗、甘孜新龙县、宜昌市远安县、郑州市新密市、东莞市樟木头镇、烟台市龙口市、东方市四更镇、徐州市鼓楼区、福州市永泰县、西宁市湟中区、德宏傣族景颇族自治州陇川县、阳江市江城区、池州市石台县、白沙黎族自治县青松乡、内蒙古巴彦淖尔市乌拉特中旗

统一售后服务专线，全国联网服务:,华纳公司现场上下分直属办理业务：高效便捷的服务体验

在当今这个信息爆炸的时代，企业对于服务效率的要求越来越高。华纳公司作为一家具有影响力的企业，深知客户需求，不断优化服务流程，提升客户体验。其中，华纳公司现场上下分直属办理业务便是其服务优化的一大亮点。 一、华纳公司现场上下分直属办理业务的背景 随着市场竞争的加剧，企业间的竞争已从产品竞争转变为服务竞争。华纳公司为了提升客户满意度，降低客户等待时间，决定推行现场上下分直属办理业务。这一举措旨在为客户提供更加便捷、高效的服务，提高客户体验。 二、华纳公司现场上下分直属办理业务的优势 1. 提高办理效率 华纳公司现场上下分直属办理业务，实现了业务办理的快速响应。客户只需到现场，即可直接办理相关业务，无需排队等候，大大缩短了办理时间。 2. 优化服务流程 华纳公司现场上下分直属办理业务，将原本繁琐的业务流程进行了优化。客户只需按照指引，即可顺利完成业务办理，避免了因流程复杂而导致的办理错误。 3. 提升客户满意度 华纳公司现场上下分直属办理业务，让客户感受到了企业对他们的关注和尊重。在办理过程中，客户可以与业务人员面对面交流，及时解决问题，提升了客户满意度。 4. 降低运营成本 华纳公司现场上下分直属办理业务，减少了客户等待时间，降低了人力成本。同时，通过优化服务流程，减少了业务办理错误，降低了企业运营成本。 三、华纳公司现场上下分直属办理业务的实施 1. 培训业务人员 为确保现场上下分直属办理业务的高效实施，华纳公司对业务人员进行专项培训，提高他们的业务能力和服务水平。 2. 优化业务流程 华纳公司对业务流程进行优化，简化办理手续，提高办理效率。 3. 加强现场管理 华纳公司加强现场管理，确保客户在办理业务过程中，能够得到良好的服务体验。 4. 持续改进 华纳公司将持续关注客户需求，对现场上下分直属办理业务进行持续改进，以提供更加优质的服务。 四、总结 华纳公司现场上下分直属办理业务，是企业在服务优化方面的一次有益尝试。通过提高办理效率、优化服务流程、提升客户满意度，华纳公司为我国企业树立了良好的服务典范。在未来的发展中，华纳公司将继续致力于提升客户体验，为客户提供更加优质的服务。

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