智能驾驶的头部，会长成理想的样子

没有把多余的精力和研发能力投入到增程产品线的继续扩展（也就是 L6）上，让理想汽车有时间去搞些别的东西。于是在上海车展上，我们看到理想拿出了自己的 800V 高压纯电平台，顺手又做了 480kW / 240kW 的大倍率自营快充设备。对理想来说，这算是重要而不那么紧急的事项。

那么重要且紧急的事情呢？当然有。李想本人在年初的公开信里说，希望理想汽车到 2030 年成为领先的人工智能企业。2023 年，这个“领先”有了一个具体指标——实现城市场景的导航辅助驾驶。并且和高速场景不一样，几位头部甚至非头部玩家，都在差不多同一时段落地，竞争肯定是更激烈的。

理想也选择在今年推送他们的城市 NOA 功能，年底覆盖 100 座城市。一个决心要做人工智能先锋的家用车专家，他们与友商所做的产品，有什么相似与不同？技术路线的趋同演化下，理想汽车的优势又在哪里呢？

我们与理想智能驾驶部门两位负责人——副总裁郎咸朋博士与产品负责人赵哲伦“班长”的对话就基于这些问题展开。说简单吧，这些问题的确不复杂，我们从底层到应用一点点来看。

网络模型 BEV，无图迭代 GPT……

从底层原理而言，理想汽车与大部分友商一样，都通过大家已经有所耳闻的一系列工具来感知、判断这个世界。BEV 和 Occupancy，是我们最先遇到的名词。前者的意思是“鸟瞰图”，也就是用车辆的各种传感器精准感知周边环境，并生成一个“上帝视角”的环境模拟；而 Occupancy 也就是“占用网络”，则是将这个环境模拟进一步精细化，让车辆判断出障碍物和可通行路面的区别，为“感知-决策-执行”的第二步提供数据。对理想而言，这些属于人工智能三要素——算法、算力、数据，当中的算法。

传统意义上的高精地图，属于 BEV 中的“静态 BEV”元素，包括道路结构和标线；与之相对的，“动态 BEV”则是运动中的车辆、行人等等。基于高精地图采集的成本、新鲜度以及车载算法发展的情况，理想和其它头部厂商一样，选择让车辆自己建构静态、动态 BEV 模型，让智能驾驶对导航的需求程度降低到导航地图+一丁点智能驾驶元素的水平：只需要知道去哪儿怎么走，而不用知道“在 XX 经纬度的地点设法向左并线”。

至于其它可能影响驾驶的非标准物体，理想通过 Occupancy 网络，将世界还原成一个类似 Minecraft 一样充满方块的区域，车辆就在其中判断哪些是障碍物需要刹车、哪些是可以通行的路面，哪些地方要让“魔毯”悬架软一点。

这几个模型要跑起来，算力是必要的前提。因此，我们接下来可能会遇到“可视化界面上能看到，系统却不能对物体做出反应”的情况。基于算力区别，理想的城市 NOA 将只会出现在配备两个英伟达 Orin 芯片的 AD Max 版上。不过，接下来理想也会尝试将 Max 的一些运算模型迁移到 Pro 版，尽量让它们共享同一个智能驾驶技术栈，比如今年，他们就会使用 BEV 感知架构重写高速 NOA 与 LCC 功能。

还记得人工智能三要素吗？郎咸朋博士认为，大家在算法、算力方面的区别其实不大，真正拉开差距的地方是数据。数据如何获得？获得后的训练迭代又怎么做？这就是理想的优势领域。

理想收集智能驾驶数据的历史可以追溯到理想 One 时代，第一条算法的训练视频拍摄于 2019 年。到 2021 款理想 One 投产，理想进入了 AD1.0 时代，他们收集了多达 1 亿公里有代表性的数据。按照“标配智驾硬件 x 总销量”的数据公式，理想 One 上标配的智能驾驶硬件和总计超过 20 万辆的销量，为 AD2.0 的理想打好了数据量的基础。到今天，理想已经有了 4 亿公里的可用算法训练里程。

收集回来的数据反哺给算法。理想除了上路实测外，也储备了大量高算力芯片，建立了自己的大型超算中心，让算法在仿真环境中快速打怪积累经验。这种“经验积累”有点像今天的 ChatGPT，先通过大量弱关联、粗略标注的样本获取基础能力，再通过个别精密标注的数据（个别智能驾驶中的长尾问题、突发问题）完善城市 NOA 的能力。这比我们曾经认为的机械化题海战术有效得多，车可以真正像人一样去思考道路与轨迹。

作为用户的我们会发现什么？

应用层的事情相对简单、直观。我们主要会体验到一套城市导航辅助驾驶好不好用，要求人类接管的频率如何，能用这套系统的范围有多大，当然还有最重要的费用问题。理想的两位智能驾驶专家也给我们提供了消息。

理想把人工接管划分成体验和安全两种。基于用户对系统能力边界的认识，“体验接管”没有特别的要求，但“安全接管”则要求尽量减少。综合来看，根据理想汽车的测试数据，当前版本的城市 NOA 基本可以做到 20-30km 接管一次，接下来的目标则以时间划分，从每天一次再到每周一次。理想认为，这样的频率已经能让我们很放心地使用城市 NOA 功能。为了缓解“体验接管”带来的不悦，理想还会强化车辆可视化界面，让驾驶者知道系统能干什么、将要干什么。

至于城市 NOA 的使用范围，理想汽车也是根据保有量、训练数量确定的。理想汽车保有量大、车主行驶次数多的路段和城市，开放城市 NOA 的时机就更早。每一辆配备 AD Max 的理想，就是一台“高精地图测绘车”、一辆“智驾算法训练车”。

数据在理想智能驾驶的迅速崛起中扮演着重要角色，因此理想也将智能驾驶作为一项产品而不是服务出售，让数据和算法在用户卖车时成为车辆资产和残值的一部分。基于这个理由，理想目前选择将城市 NOA 免费配送给 AD Max 的用户。他们希望这样能让用户车辆更保值，也更愿意选择 AD Max，加入到智驾数据的闭环中。

乍一看，在攻下城市导航辅助驾驶这个智能堡垒的路上，理想从感知硬件、计算芯片，到底层模型、感知融合架构、去高精地图的趋势，似乎和友商处于“高水平趋同”的局面。然而当我们再观察理想智能驾驶的一些细节，比如硬件预埋、数据收集、算法迭代甚至最后的商业模式就会发现，理想正以自己数量和里程的优势，构筑自己在智能驾驶数据上的壁垒。

数据=数量 x 时间，而时间不可逆转。基于这个理由，一些人认为未来的汽车世界将是那些先发玩家的天下，后人永无追上的可能。这种看法有些激进却不无道理。或许接下来，每一位在智能驾驶领域有所建树的主机厂玩家，都会或多或少地带上点理想的影子。