因為「萬物皆可 OTA」的概念被講了太多，所以在很多人的想像里，輔助駕駛升級應該是一件很像手機系統更新的事情。
廠商開一場發布會，給出一個更大的模型，幾個更漂亮的 Demo，幾個更順滑的城區 NOA 影片，然後用戶等著 OTA。在某一天晚上，車機螢幕上彈出更新提示，進度條從 0 跑到 99%，接著是滿屏的更新成功動畫，第二天早上開車出門，車就應該突然變得更像老司機。
但駕駛是一件安全為先，需要嚴肅對待的行為，OTA 本身並不複雜，複雜的是背後智能輔助駕駛技術，需要解決的問題太多了。
2022 年量產的車，2026 年還能不能跑最新的智駕模型？Orin 平台和自研晶片平台，能不能用同一套模型？蔚來
和樂道，兩套品牌、不同車型、不同傳感器組合，能不能在同一個時間點獲得相似的世界模型能力？工程團隊手裡有十幾款車、四個平台、兩套晶片、不同攝影機 ISP、不同雷達組合，如何讓一個模型一次推送全部真的上車，而不是停留在雲端訓練集裡？
這是任少卿在一場小範圍智駕系統工程能力溝通會上想要回答的問題。任少卿是蔚來高級副總裁，負責自動駕駛研發，在此之前是 Momenta 研發總監兼聯合創始人，同時他也在中國科學技術大學擔任講席教授、博士生導師，中國科學技術大學通用人工智慧研究所所長。
表面上看，這次溝通會的背景是 2026 年 6 月蔚來世界模型迎來一次比較大的升級，並且會跨蔚來、樂道兩個品牌，覆蓋 Banyan、Cedar、Cedar S、Coconut+ 等四個平台，從 2022 年最早的 ET7，一直延伸到樂道 L60 的雷射雷達版本，核心能力保持一致。
但這場溝通會的主要目的不是講蔚來最近的世界模型有多厲害，而是講如何把新的世界模型一次性部署到時間跨度四五年，車型、晶片和硬體都不盡相同的十幾款車型上。
就像《天龍八部》里的段譽一樣，身懷六脈神劍，凌波微步，北冥神功等頂尖武功配置（模型能力），但因為經驗匱乏心性軟弱（工程能力），所以實戰水平相當不穩定。
▲ 蔚來高級副總裁 任少卿
任少卿的開場是這樣的：
除了我們平時所說的算法層面，原來有端到端，現在可能還有世界模型、VLA，在這些算法層面的事情底下，關於整套 AD 系統，數據、硬體、傳感器是怎麼構建的，整體的解決方案，最終呈現給大家的 NT2 車、NT3 車以及樂道的狀態，為什麼是現在這個樣子。
這句話其實是整場溝通會的提綱，也就是：模型怎麼上車，數據怎麼回來，老車怎麼更新，測試怎麼做，安全怎麼驗證。
先把車造得足夠「耐老」
今天再看 ET7 車頂的瞭望塔式雷射雷達，很多人可能已經習慣了。甚至在今天的中國新能源車市場，車頂凸起一個雷射雷達，已經不算什麼特別激進的事情。
但時間回到 2021 年，這件事的爭議要大得多。
雷射雷達放在哪裡，本來有幾個選擇。放在保險槓位置，對造型和風阻最友好，也最符合傳統汽車工程師的習慣；放在座艙內，對外觀影響更小，但要透過玻璃，會有性能損失和額外成本；放在車頂，從感知性能和維修成本看更有優勢，因為站得高、看得遠，但對風阻、造型和整車設計都是挑戰。
任少卿回憶說，當時內部討論非常激烈，尤其對電動車來說，風阻和造型都是命門。但李斌當時給過一個判斷：如果技術路線就是會往這個方向走，如果這種方式對性能最好，那它不只是 AD 團隊的挑戰，也是設計團隊的機會。
很多設計在剛出現的時候，都會讓人不適應。因為它不屬於過去的汽車語法。早期的封閉式前臉、貫穿式燈帶、大屏座艙、車頂傳感器，剛出現時都多少有些突兀。但只有當功能價值最終被驗證，新的美學才會被行業慢慢接受。
任少卿最後總結這件事時說，當他們決定一件事是對的，看到了它接下來五年、十年的發展方向，即使今天有問題、有衝突，也應該去做，然後時間會證明一切。
蔚來在 NT2 上不只是選擇了車頂高線數雷射雷達，也堅持用了 800 萬像素攝影機、四顆 Orin 的大算力平台。當時這些配置看上去都有「超前」甚至「昂貴」的一面，蔚來現在給出的解釋是：車不是手機，不能一年一換。
智能電動車的問題在於，機械部分可能用五年、十年，電子件的疊代速度卻越來越像消費電子。
這就產生了一個矛盾：一台車的身體還年輕，它的大腦會不會先老？
任少卿提到，蔚來內部希望硬體部署能夠堅持更長時間，最好能撐過兩代車型。現在車的更新周期大概三年一代，已經比傳統汽車快很多，但蔚來希望晶片和傳感器在更長周期里還能承接軟體升級。
這也是為什麼蔚來一直強調訂閱模式。訂閱不只是一個商業收費方式，它背後其實有一個長期維護老車的成本邏輯。讓一台已經不量產的舊平台繼續吃到新版本，是一件很貴的事情。車企需要找到一種商業閉環，用戶也希望五年以上的車還能持續更新，這兩者之間需要一個平衡點。
所以，NT2 平台當年的激進硬體，今天可以被重新解釋成一種「智能生命周期」的預埋。
當然，硬體超前只能解決一部分問題，即使蔚來一開始儘量統一傳感器基線，幾年下來，平台仍然會發生差異。NT2 和 NT3 的攝影機不同，因為 Orin 和神璣晶片裡的 ISP 不同；NT2 用 3D 毫米波雷達，NT3 開始上 4D 毫米波雷達；後續車型的雷射雷達版本也不一樣；蔚來和樂道也有不同車型組合。
如果每一個平台都要單獨開發一套智駕模型，這件事很快就會變成工程災難。
蔚來的解法，是讓同一個神經網路接入不同傳感器。不同攝影機可以進入同一個網路，靠神經網路把性能拉平；雷射雷達和毫米波雷達則更像「熱插拔」接口：有這個傳感器，就輸入對應資訊；沒有這個傳感器，網路也能正常跑。
它意味著蔚來並不把不同車型簡單視為高低配，而是在模型架構上允許傳感器組合存在差異。只有這樣，同一套代碼和網路才可能同時推給四個平台、十幾款車型。
在溝通會上，有媒體問到 ET9 等車型上的兩個側向雷射雷達，以及多雷射雷達是否存在邊際效應遞減。
蔚來自動駕駛團隊解釋說，蔚來目前側向雷射雷達和前向雷射雷達拼在一起，可以達到 350 度以上的周視，在高速、城區、泊車場景都有作用。側向雷射雷達的探測距離可以做到 70、80 米，尤其在高速快速變道時，對側後方來車、小目標物有更好的監測。
但蔚來智能駕駛研發產品系統負責人佘曉麗補充了一個判斷：
從用戶的日常體感來說，我認為幾乎是看不出來差別的。如果我（多）一顆雷射日常用戶就可以看出來差別，只能說這個做得太差了。
任少卿接了一句更形象的話：
側向雷射雷達就是蔚來多裝了兩個（智能）氣囊。
這可能是理解多傳感器路線最合適的方式，它的價值不一定體現在每天上下班都讓你覺得「哇，今天變道好像更絲滑了」，而是在長尾風險里托住邊界。
自研晶片的重點，不只是 TOPS
過去幾年，智能駕駛晶片有一個很常見的傳播方式：比 TOPS。誰的算力更大，誰的晶片更多，誰的域控更豪華，很容易變成一句發布會金句。蔚來這次講自研的神璣 NX9031，重點放在內存頻寬上。
任少卿提到，2022 年左右，神經網路還主要是卷積神經網路，也就是 CNN。但後來的趨勢越來越明顯，模型會走向 Transformer。和 CNN 相比，Transformer 對內存頻寬的要求會高很多。在同樣計算量下，Transformer 對內存頻寬的要求大約是 CNN 的 8 到 70 倍。
所以當初在設計神璣的時候，蔚來做了一個判斷：下一代神經網路大概率會往純 Transformer 方向走。
為了實現更高內存頻寬，需要用更新的內存製程、多通道部署，這會占用晶片面積，也帶來成本壓力。任少卿舉了一個更容易理解的例子：如果拿一個 7B 模型來算，30Hz，每赫茲解碼五次，它需要的內存頻寬就是 500GB/s。也就是說，當智駕模型越來越接近多模態大模型架構時，晶片的瓶頸不只是算力數字，而是模型能不能順暢地在端側跑起來。
按照蔚來的說法，一顆神璣晶片可以產生和四顆 Orin-X 類似的性能。如果說 NT2 的四顆 Orin 是在 2020 年為未來幾年預埋算力，那麼神璣的高內存頻寬，就是蔚來在 2022 年押注 Transformer 時代。
如果說晶片和傳感器是智能輔助駕駛的身體，那麼 AI Infra 就像它的消化系統。
雲端訓練出一個模型，只是第一步。接下來是如何把這個模型部署到車端晶片上，並且在 Orin、神璣、不同車型、不同品牌之間保持一致的效果。
任少卿說，很多行業當前的做法是，不同晶片有完全不同的兩套代碼，只是在雲端訓練模型層面共享一部分。但蔚來從 2020 年底開始做新架構時，就假設未來一定會有不同晶片，需要統一部署。
所以他們沒有完全沿用英偉達標準工具鏈，而是只用到 CUDA 這一層。CUDA 之上的部署框架、推理引擎、AI 編譯器，蔚來自己做。
傳統做法裡，神經網路一層一層，每一層算子都需要工程師手寫優化。算法工程師在前面改模型，後面工程師就要跟著改部署。任少卿開玩笑說，這會變成「算法工程師在前面改得很開心，後面一堆工程的兄弟跑斷腿」。
蔚來自研 AI 編譯器後，核心變化是自動算子優化和圖優化。原來一層算子可能要工程師寫三天，現在大部分可以自動生成；原來基於標準工具鏈，模型架構改動後部署可能要一到兩周，現在可以縮短到一到兩天；推理效率比通用工具鏈提升 20% 以上。
如果一個模型在雲端效果很好，但每次部署都要等一兩周，它就很難支撐快速疊代。反過來，如果工程系統能讓模型快速上車、快速驗證、快速回收數據，算法團隊就能更高頻地試錯。
更符合這個時代敘事的是，蔚來還把 AI Agent 用進了智駕研發流程。
任少卿提到，一個模型部署上車，需要量化、開發集成、Pipeline、CI/CD 流水線、多晶片誤差校驗、發版、部署到測試車等一系列流程。過去需要工程師守在電腦前，一個環節一個環節地看。最近一年多，蔚來把這套流程改成了 AI Agent 自動執行。
結果是，原來模型上車需要一天級時間，現在可以壓到兩個小時以內。
在用戶側，AI Agent 是幫你查天氣、訂餐、寫郵件；在車企研發側，AI Agent 是把模型部署流程自動化，把工程師從重複流程里解放出來。前者決定用戶感知，後者決定研發效率。
把幾十萬輛車組織成一張驗證網路
過去講智能駕駛，大家經常說數據閉環。主機廠有用戶車隊，有海量行車數據；供應商希望拿到主機廠數據；行業也常常把數據想像成一個巨大的素材庫，似乎只要把影片和傳感器資訊存下來，就擁有了金礦。
但任少卿的判斷是：數據的本質是算力。
因為真正有價值的數據，不是隨便一段用戶行車影片，而是針對某一個模型的 Corner case。要找到這個模型的 Corner case，必須讓模型在大量真實場景里跑起來，觀察它在哪裡犯錯、哪裡猶豫、哪裡偏離分布。
這就需要車端算力和雲端算力。
所以，數據不是零成本拷貝的文件，而是模型、車端算力、雲端算力共同篩出來的結果。你的模型和我的模型不同，你需要的 Corner case 也不同。於是，各家的數據最終只能在各家的系統里產生價值。
任少卿用一個很形象的例子解釋 Corner case。比如一個路口，左側是左轉道，中間幾個直行道，右側是右轉道。專家駕駛數據里，幾乎不會出現一輛車離路口只剩 30 米，還待在最右側車道卻想左轉的情況。因為專家不會這麼開，正常用戶大多數時候也不會這麼開。
但智能輔助駕駛系統可能會犯這個錯誤，一旦它開到了訓練數據沒有覆蓋的位置，就可能「回不來」。
所以蔚來要專門製造一些奇怪的 Case：比如離白線只有三米遠時還要變道，或者故意開到錯誤車道，讓模型自己學習怎麼糾回來。這些 Case 對人類來說一年也未必遇到一次，但對智能輔助駕駛系統來說，必須學會處理。
這也是為什麼任少卿說，AI 性能提升對數據的需求是指數級的。性能再提升幾個點，數據可能要翻十倍。全量採集和訓練所有數據，成本不可接受。真正可行的做法，是把最有價值的 Corner case 精細篩出來，讓數據量變小，但數據價值變大。
這時候，數據閉環就變成了一套算力調度系統。
智能駕駛測試有一個悖論：能力越強，測試越難。
幾年前做城區 NOA，測試車出門很容易遇到問題，因為系統會在普通場景里犯錯。今天很多主流智駕系統已經能處理大量常規場景，測試工程師開一天，可能也只遇到幾個有價值的 Case。
任少卿說：
測試越來越「肝」，比打遊戲還「肝」。
靠測試車堆里程，已經不夠了。蔚來的解決方式，是把量產車用起來。通過雲端下發驗證系統，讓一些版本在大量真實車輛上做驗證，當然前提是不影響用戶正常使用和安全。這個驗證池已經跨代際，NT2 和 NT3 的車都可以進入同一個池子。
這意味著，NT3 的很多模型，實際上也在 NT2 車輛上做共享驗證。所以任少卿還開玩笑說，NT3 車主要感謝 NT2 車主。
主動安全是最典型的例子。蔚來表示，主動安全每周測試里程超過 4000 萬公里，整體每周驗證里程超過 1 億公里。如果把這些里程換成測試同事和測試車，一周的里程需要 1000 輛車跑一年。
這已經不是傳統意義上的車隊測試，更像一個分布式驗證網路。因為這套系統打通了 NT2、NT3、樂道平台，同一個算法可以跨四個平台驗證，產生類似四倍驗證效果。每一個版本都可以在不同車型、不同硬體組合里快速得到反饋。
過去大家常說 Tesla 的優勢在於有龐大的量產車隊。中國車企也在逐漸走向類似邏輯，但單純「車賣得多」還不夠。關鍵是能不能把這些車組織起來，變成一個可調度、可驗證、可篩選 Corner case 的算力網路。
如果不能調度，車隊只是銷量。如果能調度，車隊才是智能駕駛的數據基礎設施。
工程系統、AI 編譯器、神璣晶片、量產車算力調度，這一切需要收束到了一個更樸素的目標上：減少事故。
任少卿提到，蔚來主動安全的大里程安全里程目前是 679 萬公里，並希望今年下半年的版本繼續往上走，到 800 萬公里以上。內部監控的保險出險賠付數據，從 2023 年到現在也在每年下降，目前相比 2023 年降低了約 40%，後續還會和保險公司驗證後再發布具體數字。
他甚至提到，希望未來安全里程能從接近 700 萬公里，繼續做到 800 萬、1000 萬，甚至有一天再加一個零，達到一億公里一次嚴重事故。
自動駕駛的終局當然令人興奮，但智能輔助駕駛作為一項量產技術，真正的價值點是在今天、明天、後天持續降低用戶風險。
如果說早期智駕競爭看的是誰開城快，後來比的是誰體驗更擬人，那麼接下來會越來越多地回到一個更硬的指標：它有沒有真的減少事故。
在 AI 時代，模型會越來越重要。
但在汽車上，模型永遠不能獨自存在。它需要硬體承載，需要工具鏈部署，需要真實道路驗證，需要安全系統兜底，也需要商業模式支撐老車繼續更新。這可能也是智能駕駛和手機 AI、電腦 AI 最大的區別。
電腦上的 AI 回答錯了，大不了重新問一次；手機里的 AI 總結錯了，大不了刪掉重來。車上的 AI 沒有這麼多重來的機會，它要面對真實道路、真實速度、真實風險，以及每一個坐在車裡的人。
一個更聰明的模型，當然會讓車開得更好，一套更紮實的系統，才決定這輛車能不能持續變聰明。
