今天小編分享的互聯網經驗：對話理想智駕副總裁郎鹹朋：端到端之後，智駕還能拼什麼？，歡迎閲讀。
理想汽車智能駕駛研發副總裁郎鹹朋
新能源汽車的下半場，智能化果然是主旋律。價格戰之外，各家智駕能力的比拼，也成為搶占用户心智的新戰場。
作為造車新勢力的代表之一，理想在 7 月份月銷過 5 萬輛，去年營收超千億，銷量上已經實現了 " 遙遙領先 "，但在智駕上的動作一直并不激進，或者可以有有些保守。
那麼，作為智駕上的 " 差生 " 或者説 " 後進生 "，理想接下來的智駕策略是什麼？為什麼大家都在切入端到端？現在爆火的端到端智駕新故事，理想又會如何來講？端到端之後，智駕還能拼什麼？
近日，钛媒體 App 與理想智能駕駛研發副總裁郎鹹朋有了一次深入的溝通，對于理想的智駕以及端到端，也有了全面的了解。
快速迭代不是 "Follow"别人
眾所周知，理想在造車新勢力裏面，智駕并不是其标籤。随着銷量穩定上來，智能化開始成為新能源汽車主要競争高地，理想也開始加碼在智駕領網域的布局和投入。
有人説，理想拿出端到端 +VLM 大模型的智駕技術，意在追趕特斯拉、華為的智駕能力。
對此，郎鹹朋表示，" 我們看問題就看本質，表面上看起來我們不停地在迭代，或者説跟别人學，或者自己探索，但實際上我們不是一個專門 follow 别人的公司，我們有自己對這個技術和對產品的本質理解。"
那麼，問題來了，端到端到底是什麼？其實就是 End-to-End Deep Learning（端到端深度學習），簡言之，就是要建立一個完整的學習系統，直接從原始數據中不斷學習，并生成所需的輸出，不需要人為将任務分解成多個中間步驟。
在簡單一點來理解，就是采用端到端的這套智駕方案，通過不斷給它喂養數據，它會自己思考學習成長，不斷長大變強。這也是為什麼大家現在都在追逐端到端智駕到根本原因。
據郎鹹朋介紹，去年一年，理想做了三次技術的研發迭代，最先用的都是 NPN 神經地圖先驗（ Neural Map Prior）這種帶有場景的方案，然後又轉換到無圖的方案，最後才迭代到現在的端到端方案。
如此頻繁地迭代技術路線，不斷地推倒重來，是否會造成智駕能力的落後？
郎鹹朋認為，從本質上看，無論是 NPN（神經先驗網絡）還是重圖的方案，它最大的問題是只要你用圖你就做不了全國，想要解決它，那就只能做無圖，所以就切到無圖了。但不管是分段式，還是模塊化的無圖方案，它都有上限在哪，都還有人的規則在裏面，無法做到非常拟人的駕駛體驗。
" 理想并不是為了做端到端而去做端到端，而是把無圖、有圖這些技術方案全部都做完一遍，領悟到這些技術特點之後，才堅定地選擇下一步要走端到端這套方案。" 郎鹹朋説道。
翻譯一下就是，理想其實也一直在思考如何實現自動駕駛，如何讓當下的高階輔助駕駛有更好的體驗，在技術上經過不斷地探索之後，發現原來的方式是無法真正做到自動駕駛，這也是為什麼後面在端到端上有了系統 1+ 系統 2 的思考。
在郎鹹朋看來，端到端最大的改變不是一個模型還是兩個模型的問題，而是從端到端開始，才真正地用人工智能的方式去做自動駕駛。之前的串聯式的端到端、分小模塊的這種做自動駕駛的方式，其實本質上它還是一個產品，更偏傳統一點的產品研發思路。
怎麼來理解呢？就是原來做自動駕駛的思路，是先定義需求，然後根據需求來拆解成很多場景，場景再拆分為很多的研發模塊，最後用人制定的規則去實現，這裏面可能用到小模型。研發出來之後，再根據場景去做測試評價，有問題再改，沒問題就交付。
在這個過程中，會有哪些問題呢？
如果場景有限，比如高速 NOA 場景，這種道路結構比較簡單，但擴展到城市之後，它的場景就出現了爆炸式的變化，跟高速場景完全不一樣。如果繼續用以前的方式去設計場景、去設計規則、去實現驗證，這裏面的每一步就會遇到很大挑戰。
因為場景是無窮無盡的，一旦還用原來的方式去做自動駕駛，那自動駕駛的能力邊界就顯而易見了，只能按照你的設計達到某種能力，而超出能力之外的東西，它無法做到。
簡單來説，按照原來用規則來做智能駕駛的開發思路，必須要在一個确定性的環境下來研發。即使問題比較復雜，也想把它拆解得非常确定，然後再去研發做測試。而自動駕駛是沒法用規則式來做的。
郎鹹朋對此的理解是未來的自動駕駛，我們面臨的是一個不确定的變化的復雜的世界，如果還用一些确定性的模式去做這個事情，那就肯定是有問題的。
" 所以從端到端開始，它的變化并不是説一個模型、兩個模型這麼簡單，而是它整個的思維，就是研發的流程和方式發生了巨大的改變，這裏面沒有任何的規則，我能做的是喂給他高質量的數據，再加上訓練提升模型的能力，讓它能做出更好的規劃和決策。" 郎鹹朋總結道。
智駕團隊規模不會超兩千人
端到端的流行，或者説人工智能的快速發展，讓智駕領網域的研發人才也開始出現了變化。
端到端這套方案，讓整個研發流程變得相對簡單了，主要就是挑選數據、訓練模型、評估模型、世界模型。
理想的這套智駕方案是 " 端到端 +VLM+ 世界模型 "，其中最大的特點是采用了雙系統的理論，快系統做出及時的處理響應，慢系統對應復雜的思考邏輯判斷，雙系統共同地組成了人類認知和思維的機制。
具體來看，理想的這套智駕方案，其系統一就是快系統，應用端到端模型來實現，主要是挑選數據、訓練數據；系統二則是慢系統，采用 VLM 的視覺語言大模型來實現，主要是其能像人一樣的思考能力，更好理解復雜道路情況，應對未知場景。經過預研和研發，目前理想的這兩套系統都已實現量產上車。
世界模型，在理想内部稱其為系統三，它是一個考試系統，系統一 + 系統二的能力由系統三去評價和認證。
原來自動駕駛系統的評價與測試，都是由人來執行完成的，不管是跑大的路測還是跑場地的測試都是由人去評價的，但人是評價不過來的。而系統三則能夠取代人去考核系統一和系統二的能力，通過考核之後，就迭代上線，然後進入下一輪的考核。
流程變簡單了，相對應需要的人也變少了。郎鹹朋坦言，除了研發這些系統平台的過程需要人，其實并沒有很多人參與到實際的一些東西上來，會大大減少人的使用，确實用不了那麼多人。
" 我們可能會比特斯拉現在的人多一些，但是也不會達到一兩千人的規模。" 郎鹹朋説道。
實際上，理想智能駕駛研發部門的人員數量，相對蔚來、小鵬、華為等是最少的，據相關數據統計，截至今年 5 月，華為、小鵬、蔚來智駕團隊人數分别超過 7000 人、3000 人和 1300 人。而根據媒體的一些報道，截至 6 月初，理想智駕部門員工總人數已被削減到了 800 人以内。
不過，自動駕駛最重要的是什麼？是人才與資金嗎？郎鹹朋的回答是，長期來看，算力和數據都很重要，但前期對人才這塊，算法更重要。
在他看來，沒有數據，将來算法的訓練、驗證，都是沒有基礎的。但在模型迭代的基礎上，最重要的方式是怎麼去找到更優質的數據，這個數據除了量要足夠大，質量也要足夠好。
端到端之後，智駕還能拼什麼？
當大家都開始做端到端，站在了同一起跑線上，那麼，智駕還能拼什麼？
在郎鹹朋看來，真正到了人工智能時代，大家其實就拼兩件事，一是你有沒有足夠多的高質量的數據；二是你有沒有與之相匹配的充足的訓練算力的集群。
總而言之，自動駕駛到最後拼的就是算力和數據，但這兩件事，門檻都非常高。如果企業的資金儲備不足以支撐每年訓練的花費，那就不可能玩到後邊的 L3 或 L4；如果車企的這個車的保有量不夠多，數據其實也無法支撐它的訓練需求。
據郎鹹朋透露，目前理想自動駕駛每年投在訓練花費上是 10 億人民币，預估将來花費要到每年 10 億美金。
郎鹹朋指出，" 這只是訓練的算力，還不包括其他的人員各種費用。如果未來你一年拿不出 10 億美金來做訓練，可能将來會在自動駕駛的競争當中被淘汰。"
理想 L 系列產品都是套娃，但套娃對于自動駕駛來説，郎鹹朋認為是有極大的好處，所有的攝像頭規格和安裝的位置都是一致的，數據都可以復用。
但有的廠商，它的產品可能有轎車、SUV 等，傳感器可能也都不太一樣，對于這些廠商來説，數據的復用确實會是一個問題。
而關于智駕，郎鹹鵬認為，一方面要有遠期的考慮和探索，另一方面也要有現在的交付和產品迭代。對于公司來説，智駕是一個產品。公司做任何一個產品，目的還是為了盈利，為了去獲得更好的現金流，更好的利潤，從而讓企業有更好的發展。
如何證明自己的智駕能力是行業第一梯隊？在郎鹹朋看來，" 用户實打實地掏錢買你，我覺得這是最有説服力的。最終還是要看搭載 AD max車型的銷量，這将決定理想的智駕能力是不是在市場上領先，這是最硬核的指标。"
其實，理想 AD PRO、AD max 兩款產品，價格僅相差 3 萬元，主要差别就在智能駕駛的硬體和功能上，其他都一樣。
簡言之，對于郎鹹朋來説，如果在理想的總銷量中，搭載高階智駕版本的 AD max 車型占比較高，那就説明理想的智駕做得還是成功的。
這樣來看，後面車企在智駕上的卷，還是會回歸到卷銷量上。只有越來越多的用户選擇智駕版，才能證明你的智駕功能是做得真的好用。如果用户都不選智駕版，即便真的做得很好，又如何來證明呢？
畢竟，智駕能力到底強不強，不是誰的嗓門大誰就強，還是需要拉出來遛遛才知道。（本文首發于钛媒體 App，作者｜張敏）
