贾浩楠 发自 凹非寺
量子位 | 公众号 QbitAI
“我自己就是ET7车主，四年多了还能用上最好的软件”——
说这话的人是任少卿，“21世纪被引次数最多的AI论文”（Nature统计结果）ResNet核心作者，也是现在蔚来汽车的智能驾驶研发的掌舵人。
他的座驾是2022年交付的首代蔚来ET7。
同他一样，几天前超70万蔚来和乐道车主用户都收到了最新版世界模型的推送更新。
巧的是，几乎同一时间马斯克在做相同的事：给最早7年前的HW3硬件车主更新FSD V14 Lite（蒸馏版）。
但不同的是，任少卿面临的挑战更加复杂：
两个品牌、四个平台、2种芯片方案、4种传感器硬件配置、十几款不同车型……
一套代码、一个模型、一次推送，覆盖了全部。
而且，没有“Lite”。
蔚来的“通吃”型OTA
超70万辆车，蔚来和乐道两个品牌，四个平台——Banyan、Cedar、Cedar S、Coconut+——最早能追溯到2022年3月交付的第一批ET7。
芯片有两套：英伟达Orin-X和蔚来自研神玑NX9031。
传感器也不一样——NT2的3D毫米波雷达，NT3的4D毫米波雷达；NT2的SiPM激光雷达，Coconut+的SPAD激光雷达；摄像头ISP因芯片不同也有差异。
行业常规做法是：新芯片配新算法，老硬件要么“降级”要么停更。就比如特斯拉HW3车主等了一年多终于等到V14，只不过后面跟了个“Lite”——知识蒸馏压缩出来的小模型。
蔚来的版本号后面什么都没有。
不管你的车是四年前买的还是昨天提的，不管上面是Orin还是神玑——OTA收到的模型代码一样。
斌哥的诚意没得说，但真正让人在意的，是技术上可行吗？
特斯拉能做到的也只是蒸馏出一个规模只有完整版FSD V14 15%左右的小模型，这使得Lite版本的FSD V14，在某些场景，尤其是不规则路口、恶劣天气条件下，能力有明显短板。
任少卿的解释是：“不同的摄像头用同一个网络处理，靠神经网络把性能拉平。激光雷达和毫米波雷达是热插拔接口，有就输入，没有也能跑。”
但车企层面，模型不同，需要的Corner case也不同；车企内部，不同传感器方案，不同车型，数据可能也不尽相同。
一般来说，各自的数据只能在各自的技术方案里产生价值。
但任少卿给出了反常识的认知：
“数据不是零成本拷贝的文件。真正有价值的数据，是针对某一个模型的Corner case。要找到它，必须让模型在场景里跑起来”——
蔚来“70万辆车”的真正意义，不仅是销量数字——是蔚来能调度这70万辆车的闲置算力做验证、做筛选。
每周主动安全验证里程超4000万公里，整体超1亿公里，相当于1000辆测试车跑一整年……
而为了做到这一点，蔚来自研搭建的整套AI技术体系，远比传统认知的“影子模式”更为复杂。
怎么做到的？
2021年1月9日在NIO Day 2020上第一次亮相的ET7，其实已经完整体现了蔚来智能技术布局，只不过当时不被行业和用户理解。
比如800万像素摄像头，比如高线束激光雷达，以及四颗Orin——超1000TOPS算力。
内部有人觉得“用不了那么多”、“太贵了”，外部有人批评是“过度配置”。
四年后回头看，2022年的ET7能跑2026年的模型，恰恰是因为当年的“过度”。
这可能是巧合，或者是任少卿和他的团队在技术路线未收敛的情况下，一次大胆的“投石问路”。
但蔚来在后面数年内一步步落地交付的产品、方案，似乎不支持“巧合”“押注”的猜测。
紧接着首款ET7交付，2022年蔚来在做的还有自主设计芯片神玑NX9031。
当时行业主流还是CNN，Transformer架构还没等到2023年一战成名的ChatGPT Moment。
但蔚来的芯片团队和AD团队在反复讨论：下一代神经网络会不会变成纯Transformer？
如果是的话，那么相比堆计算单元，内存带宽反而会是新范式最大的瓶颈。
因为CNN与Transformer计算存在本质差异。
CNN的核心操作是卷积，同一组权重在输入特征图上滑动复用，数据一旦被加载到片上缓存就能完成大量乘加运算，复用率高、算术强度大，对带宽的依赖相对温和。
Transformer的灵魂是自注意力机制，每个token需要与序列中所有其他token计算相关性，这种全局依赖导致了大矩阵乘法和动态生成的KV Cache：
自回归推理每解码一步都要把不断膨胀的KV Cache从内存中完整搬运一遍，数据复用率低、搬运次数多。
CNN芯片可能在算力上很好看，但它的设计假设是数据能被喂饱；但当Transformer来了，再高的TOPS也会被内存墙卡住——算得动但喂不进来。
最终，蔚来在ChatGPT震惊世界之前，选择了Transformer作为芯片设计的主要驱动导向，做出了546GB/s的内存带宽，行业最高。即使今年量产的几款最新芯片，内存带宽也只有蔚来的一半。一块神玑芯片，就能产生与四块Orin类似的性能。
与其说是造“算力更大的芯片”，更准确的说法是造“能让大模型跑起来的芯片”。
软件层面的布局，甚至能追溯到更早的2020年。
当时蔚来刚搭全栈自研团队，做的决定依然不被行业理解：
英伟达的软件只用到CUDA层，之上的部署框架、推理引擎、AI编译器全部自研。
就比如，蔚来自研的AI编译器，实现自动算子优化和图优化，大部分算子自动生成，多层之间自动融合。
效果很直接：模型部署从1-2周压缩到1-2天，推理效率比通用工具链提升20%以上。
而传统做法是，神经网络每一层算子都需要工程师手写优化。算法工程师改个模型，工程团队就得跟着改部署代码。
直白说，类似编译器、工具链，是算法和芯片之间的“翻译”，如果翻译是由他人提供的，可能很难把算力、算法匹配到极致。
任少卿透露坚持自研工具链的原因很简单：2020年当时已经决定要自研芯片，所以必须从一开始就兼容Orin和蔚来的自研芯片。
2026年蔚来给老车主OTA最新世界模型，这件事的逻辑很清晰：
先判断智驾能力的上限会持续拉升，于是把硬件一步到位；
为了让下一代硬件能跟现有硬件共享同一套软件体系，提前自研工具链；
有了自己的工具链，才能让自研芯片按照自己对算法范式的判断去设计，而不是被供应商的既有方案牵着走。
不是三次独立的押注赌博，更不是“无心插柳”，而是每一步都在为下一步铺路——“看见十步、落子三步”。
这个闭环中，所有工具类的“生产资料”到这一步都已经就绪，差最后的关键“原料”：数据。
AI有个经典曲线：性能提升3个点，往往数据翻10倍。
但对于与真实世界交互的AI司机来说，有效数据远比大语言模型稀缺：测试会越来越难跑——中早期corner case会大量反馈并被解决，但后期越是极端致命的案例，越罕见，最后1%的问题，往往要付出巨大成本。
蔚来的解法叫“群体智能”：新版本通过云端下发到量产车的闲置算力，在用户无感的情况下完成验证，NT2和NT3的车进同一个验证池。
蔚来的群体智能当然也是“影子模式”的一种落地方法，但有效数据必须用车端的真实模型去跑、去筛、去扰动才能产生。
蔚来从2020年开始搭建的就是这个体系——车端算力调度加云端验证下发，加Corner case自动回收。
六年没改过底层逻辑。
这套体系的效果正在显现：如今蔚来用户保险出险赔付相比2023年降低40%，人驾平均安全里程达679万公里，重大事故率随车量增长反而下降。
蔚来没有在技术上“追赶”过任何人
今年开始，蔚来除了经营业绩上不断给外界惊喜，也越来越多展现技术实力，只不过常被解读为“终于追赶上来了”。
但从这次OTA背后的透露出的蔚来技术体系来看，其实这几年中，蔚来从来没追赶、模仿过任何玩家，自然也没有什么转轨、挣扎、沉没成本。
多平台同步升级不是2026年才解决的，是6年前“AI基建马拉松”的自然抵达。
即使这个过程的开局，是2019年蔚来岌岌可危命悬一线，期间还经历了2021年从巅峰陡然坠落…….
但李斌丝毫没让这些经营层面的麻烦，影响技术团队的探索，让蔚来成为广义AI领域中，第一个看清世界模型价值，并且最早在终端落地的玩家：
除了前瞻，现在蔚来作为“先驱”又有了新的认知：
明确区分了“表层算法”（如端到端、VLA）和“底层工程”，而真正的护城河并不在于今年用了什么模型，最大程度避免模型范式“一代版本一代神”的困境。
直白地说，蔚来走过的路，其他玩家都免不了要再走一遍。
换电体系投入了八年，自研芯片投入了六年，AI工具链也投入了六年。这些决策都是前期投入重、回报周期长、过程中一直被质疑。
但2026年的结果开始说话——销量在涨，毛利在好转，四年前的车还在同步更新。
换电网络是物理基础设施，工具链、芯片是AI基础设施，底层逻辑相同：
对蔚来自己，用户权益、归属感这件事，现在有了新高度：技术即服务、AI即服务；
建成之后，别人很难复制。
“技术即服务，服务即技术”看似是抽象理念，放到智能车迭代迅猛的当下却格外有分量——当技术更新快到让人眼花缭乱时，能靠技术守住对用户的承诺，用稳定体验筑牢信任，才是真本事。
这种信任会像飞轮一样转起来：技术扎实赢得用户认可，用户信任反过来助推销量和产品迭代，销量上去了又能反哺技术研发，形成越滚越强的正向循环。
这时候，技术就不只是冰冷的参数，而成了串联用户与品牌的纽带，这种由信任驱动的规模化增长，才是最稳当的飞轮动力。
现在的蔚来，有世界上规模最大的“物理世界数据采集网络”之一。
有“让模型在物理世界里持续进化”的工程能力。
有正在打通的“虚拟”和“物理”闭环。
不需要太久，智能汽车的竞争会变成 “谁的模型能更快地从物理世界里学习、更聪明地理解世界、更安全地应对未知。”
蔚来在走的这条路，不只是让2022年的车跑2026年的模型，他们在搭建一个能持续从物理世界学习的智能系统。
这个系统的终点，不是L3\L4，也不会一直停留在“汽车”这具躯体上。
热门跟贴