今天小編分享的科技經驗：智能駕駛的頭部，會長成理想的樣子，歡迎閲讀。
沒有把多餘的精力和研發能力投入到增程產品線的繼續擴展（也就是 L6）上，讓理想汽車有時間去搞些别的東西。于是在上海車展上，我們看到理想拿出了自己的 800V 高壓純電平台，順手又做了 480kW / 240kW 的大倍率自營快充設備。對理想來説，這算是重要而不那麼緊急的事項。
那麼重要且緊急的事情呢？當然有。李想本人在年初的公開信裏説，希望理想汽車到 2030 年成為領先的人工智能企業。2023 年，這個 " 領先 " 有了一個具體指标——實現城市場景的導航輔助駕駛。并且和高速場景不一樣，幾位頭部甚至非頭部玩家，都在差不多同一時段落地，競争肯定是更激烈的。
理想也選擇在今年推送他們的城市 NOA 功能，年底覆蓋 100 座城市。一個決心要做人工智能先鋒的家用車專家，他們與友商所做的產品，有什麼相似與不同？技術路線的趨同演化下，理想汽車的優勢又在哪裏呢？
我們與理想智能駕駛部門兩位負責人——副總裁郎鹹朋博士與產品負責人趙哲倫 " 班長 " 的對話就基于這些問題展開。説簡單吧，這些問題的确不復雜，我們從底層到應用一點點來看。
網絡模型 BEV，無圖迭代 GPT……
從底層原理而言，理想汽車與大部分友商一樣，都通過大家已經有所耳聞的一系列工具來感知、判斷這個世界。BEV 和 Occupancy，是我們最先遇到的名詞。前者的意思是 " 鳥瞰圖 "，也就是用車輛的各種傳感器精準感知周邊環境，并生成一個 " 上帝視角 " 的環境模拟；而 Occupancy 也就是 " 占用網絡 "，則是将這個環境模拟進一步精細化，讓車輛判斷出障礙物和可通行路面的區别，為 " 感知 - 決策 - 執行 " 的第二步提供數據。對理想而言，這些屬于人工智能三要素——算法、算力、數據，當中的算法。
傳統意義上的高精地圖，屬于 BEV 中的 " 靜态 BEV" 元素，包括道路結構和标線；與之相對的，" 動态 BEV" 則是運動中的車輛、行人等等。基于高精地圖采集的成本、新鮮度以及車載算法發展的情況，理想和其它頭部廠商一樣，選擇讓車輛自己建構靜态、動态 BEV 模型，讓智能駕駛對導航的需求程度降低到導航地圖 + 一丁點智能駕駛元素的水平：只需要知道去哪兒怎麼走，而不用知道 " 在 XX 經緯度的地點設法向左并線 "。
至于其它可能影響駕駛的非标準物體，理想通過 Occupancy 網絡，将世界還原成一個類似 Minecraft 一樣充滿方塊的區網域，車輛就在其中判斷哪些是障礙物需要刹車、哪些是可以通行的路面，哪些地方要讓 " 魔毯 " 懸架軟一點。
這幾個模型要跑起來，算力是必要的前提。因此，我們接下來可能會遇到 " 可視化界面上能看到，系統卻不能對物體做出反應 " 的情況。基于算力區别，理想的城市 NOA 将只會出現在配備兩個英偉達 Orin 芯片的 AD Max 版上。不過，接下來理想也會嘗試将 Max 的一些運算模型遷移到 Pro 版，盡量讓它們共享同一個智能駕駛技術棧，比如今年，他們就會使用 BEV 感知架構重寫高速 NOA 與 LCC 功能。
還記得人工智能三要素嗎？郎鹹朋博士認為，大家在算法、算力方面的區别其實不大，真正拉開差距的地方是數據。數據如何獲得？獲得後的訓練迭代又怎麼做？這就是理想的優勢領網域。
理想收集智能駕駛數據的歷史可以追溯到理想 One 時代，第一條算法的訓練視頻拍攝于 2019 年。到 2021 款理想 One 投產，理想進入了 AD1.0 時代，他們收集了多達 1 億公裏有代表性的數據。按照 " 标配智駕硬體 x 總銷量 " 的數據公式，理想 One 上标配的智能駕駛硬體和總計超過 20 萬輛的銷量，為 AD2.0 的理想打好了數據量的基礎。到今天，理想已經有了 4 億公裏的可用算法訓練裏程。
收集回來的數據反哺給算法。理想除了上路實測外，也儲備了大量高算力芯片，建立了自己的大型超算中心，讓算法在仿真環境中快速打怪積累經驗。這種 " 經驗積累 " 有點像今天的 ChatGPT，先通過大量弱關聯、粗略标注的樣本獲取基礎能力，再通過個别精密标注的數據（個别智能駕駛中的長尾問題、突發問題）完善城市 NOA 的能力。這比我們曾經認為的機械化題海戰術有效得多，車可以真正像人一樣去思考道路與軌迹。
作為用户的我們會發現什麼？
應用層的事情相對簡單、直觀。我們主要會體驗到一套城市導航輔助駕駛好不好用，要求人類接管的頻率如何，能用這套系統的範圍有多大，當然還有最重要的費用問題。理想的兩位智能駕駛專家也給我們提供了消息。
理想把人工接管劃抽成體驗和安全兩種。基于用户對系統能力邊界的認識，" 體驗接管 " 沒有特别的要求，但 " 安全接管 " 則要求盡量減少。綜合來看，根據理想汽車的測試數據，當前版本的城市 NOA 基本可以做到 20-30km 接管一次，接下來的目标則以時間劃分，從每天一次再到每周一次。理想認為，這樣的頻率已經能讓我們很放心地使用城市 NOA 功能。為了緩解 " 體驗接管 " 帶來的不悦，理想還會強化車輛可視化界面，讓駕駛者知道系統能幹什麼、将要幹什麼。
至于城市 NOA 的使用範圍，理想汽車也是根據保有量、訓練數量确定的。理想汽車保有量大、車主行駛次數多的路段和城市，開放城市 NOA 的時機就更早。每一輛配備 AD Max 的理想，就是一台 " 高精地圖測繪車 "、一輛 " 智駕算法訓練車 "。
數據在理想智能駕駛的迅速崛起中扮演着重要角色，因此理想也将智能駕駛作為一項產品而不是服務出售，讓數據和算法在用户賣車時成為車輛資產和殘值的一部分。基于這個理由，理想目前選擇将城市 NOA 免費配送給 AD Max 的用户。他們希望這樣能讓用户車輛更保值，也更願意選擇 AD Max，加入到智駕數據的閉環中。
乍一看，在攻下城市導航輔助駕駛這個智能堡壘的路上，理想從感知硬體、計算芯片，到底層模型、感知融合架構、去高精地圖的趨勢，似乎和友商處于 " 高水平趨同 " 的局面。然而當我們再觀察理想智能駕駛的一些細節，比如硬體預埋、數據收集、算法迭代甚至最後的商業模式就會發現，理想正以自己數量和裏程的優勢，構築自己在智能駕駛數據上的壁壘。
數據 = 數量 x 時間，而時間不可逆轉。基于這個理由，一些人認為未來的汽車世界将是那些先發玩家的天下，後人永無追上的可能。這種看法有些激進卻不無道理。或許接下來，每一位在智能駕駛領網域有所建樹的主機廠玩家，都會或多或少地帶上點理想的影子。
