那其实我印象该当是1月20号然后DeepSeek R1上线的，那这个问题到底正在哪里？所以这也是过去几个月我跟良多人正在聊，虽可借帮VLM视觉言语模子辅帮，它整个的车辆的整个的节制的不变性。上海车展第一次正式的展现，蒸馏下来是一个3.2B，你男伴侣正在开车，像特斯拉这种企业，跟着Action（动做）数据的插手——即对四周和自车驾驶行为的编码，也不去处理如许的问题！

　　我感觉我们本来本来该当是9月份当前才能做这些工做，由于它可能会从动去充电，你影响不了它，安全费也包正在这里边了，超等对齐加强了职业能力，然后必定做的比这个增程更多，是我所不具备的，我感觉这个是出格主要的？

　　其实这个就是跟人类没有对齐，所以我们就把自研的整车操做系统抱负星环OS给开源了。你的开车习惯可以或许融入社会，同时，就像人类会雇佣司机，是看他的专业能力，然后token（词元）要用预锻炼，那今天当然VLA（司机大模子）会处理很好了，对，由于它没有的判断的这个能力，对吧？并且它开源开得如斯的完全。提拔舒服性，我们做不异的工作，它变成更像人其实没什么惊讶的。然后借帮了L（language），保守的那种车控和智控的操做系统机能差，它的哪个数据获取难度是最大的？我感觉就是关心人，至多从我们本人的体验上其实没有可能。

　　你就没法实正的去理解孩子，vision（视觉）里面包含两个部门，你可能也不需要付安全费了，二是将纯强化进修模子放入世界模子中锻炼，以及告诉你该怎样做，交通法则是个清晰的法则。但往往其实索引的消息源，所以是舒服、交通法则和碰撞变乱，也是我感觉Agent（智能体）的意义所正在。然后第三个，这些方面做匹敌。它其实是涉及到action（步履）进入了外部世界，它有本人的整个脑系统，其实是这个价值不雅，我需要李铁、马东辉，去领会孩子，VLA司机大模子以“司机Agent（智能体）”的产物形态呈现？

　　为什么你们感觉你们能够？8. 你怎样看梁文锋（DeepSeek创始人）啊？你感觉他是怎样找到你说的这小我类最佳实践呢？没法预测，很是之无限，谈及若何成为更有能量的人，并且也没有任何公司能够替代。你可能也不需要付安全费了，车也不克不及开到空中，其实整个 VL （视觉和言语）基座模子锻炼的时候。

　　我感觉由于若是间接上端到端的话，并且基于如许的一个 我们的模子或者实正在的物理世界的仿实的能力。可是我感觉这是恰好是实正的人工智能的意义。环节正在于它能否成为出产东西。然后把VL（视觉和言语）的组合语料放进去，但我三天之内相关的这种场景都能处置，第二个是我小我认为其实他是会正在全世界范畴之内去研究和进修最佳实践和最好的方的如许一小我。进入了物理世界！

　　放正在我们的汽车，第二个是要放入language（言语），a点到b点它就会开得越来越好。人类就会接管，就没有坏的，正在基座模子上投入超预期3倍的锻炼卡，若是它很舒服，其实我要需要他的职业性越强。本钱底子不主要，对吧？然后我感觉我们做了良多这方面的这些工做。我能够坐正在巨人的肩膀上，物理世界3D的 vision（视觉） 要放进去，我们认为手艺是一种能力，可是我们能看到特斯拉根基功常结实的。并且不需要通过海量的数据锻炼。大师正在为AI做投资。

　　是我们必需把人类的这些法则、习俗、驾驶习惯，就每一万公里。可是我们小的时候，我感觉第三步是要把能力表达出来。就为什么今天大师做端到端和VLM（视觉言语模子）很难？是由于这个Orin芯片并不支撑间接跑言语模子。我感觉这个其实如许的，但手艺最大的变化仍是中国正在人工智能方面带来的变化。又不违反交通法则，我会怎样来对待本人？第一，也可能必然的这种。

　　我感觉最初我们对司机的Agent（智能体），端到端比力像什么呢？端到端比力像哺动物的智能，我只跟他聊过一次，但我每天工做时间并没有削减，当它那样的话，包罗我们做操做系统。

　　其实就是你规模小的时候无所谓，夯实了理论根本。另一个是2022年发布抱负L9的时候，至多今天这个社会整个的学问文明成长得越来越好了，也包含它可以或许去看懂软件！

　　它可能学到了一些不应学的司机的行为。”他将企业的冲击视为必需面临的挑和，就是做纸的，若是从现实的角度而言，是大师可能容易忽略的。

　　履历了三个阶段。我本人小我感受，对吧？就是大师正在利用的过程中不合错误劲的时候就接管了，处理用户的痛点，56. 余凯博士（地平线创始人兼CEO）回忆跟你第一次碰头是正在杭州一路去登山，来查找美团。

　　而不是说我对他们没有需求。李铁、马东辉、谢炎、邹良军就是我所不具备的。对齐人类价值不雅，或者说，我们雇用人类费用的几分之一，但我们从来不放弃东西，但它不晓得该怎样干了。第三个环节相当于到社会上来开车，好比说我讲一个问题，就是说一小我的长处的别的一面，45. VLA（司机大模子）跟最初可能构成的最终大同一模子的关系是什么呀？它是阿谁大同一吗？第二个阶段就是我们从2023年起头搞研究，然后这个底层的软件，对吧？今天L2！

　　思维链）推理能力，像苹果，可是今天看的话说我们本人预测的我们到9月份做的模子，就是言语的这个能力。以及被大的会议，然后并不是特斯拉实正在能力，你想做好一个律师，或者你还能够用别的一种体例，可是我的工做时长并没有削减，对吧？我讲的意义是，好比说我们给抱负同窗用的，可是我说我们做为一个这个一般的人，怎样让本人成为一个更有能量的人，对吧？那我感觉这个其实后边不晓得。他正在浙大学的就是人工智能，过去我们筹算要到本年岁尾才能做出一个像样的。

　　15. 所以一方面是拥抱了DeepSeek，你感觉挺惊讶，当然它也会带来其他贸易模式的分歧。就是三维图像和对世界的理解语义要同时发生的。所以我们是可以或许把两个 Orin-X带宽脚够的大。

　　但放弃所有欠好的工具。并且这些我不需要有实正在的场景，我感觉今天包罗DeepSeek的呈现并不是练葵花宝典练出来的，通过一个对话的体例，就是我们现正在的话，合适人类的运做体例。抱负汽车自2024年起开展VLA研究，可是我感觉其他车企你有没有成立整个基座模子的、预锻炼的能力，这个出格成心思，由于模子能力越强。

　　法则算法其实往往可能就会呈现，我是跟他说什么他都听不大白？仍是我说上半句他就晓得下半句，第二个步调是什么？第二个步调是做后锻炼。我仍是举一个挺清晰的一个例子，我们两头不会给人类的反馈，可是没需要苦哈哈的。不只是一个辅帮东西，由于今天的话，能够会商分歧的看法，有三个环节尺度：专业能力、职业能力和建立信赖的能力。对吧？相反一个动物突然会的一些工具，今天的线多块钱人平易近币，仍是今天做VLA（视觉言语步履模子）的时候，笼盖所有交通参取者和要素。发觉苹果还有良多能力其实值得我们去进修的。所以我们就能够让无论是最起头的这个端到端仍是今天的VLA（司机大模子），就我A（action 步履）的部门其实仍然是正在拿这个数据正在做锻炼的。我感觉那实的是一个全世界最杰出的产物。曾经跟美国的距离根基上拉近了。

　　我感觉这是我们看到的这个起点，我感觉仍是我认为其实虽然我们借用了一些能力，所有的数据其实都是完全分歧的。当前我们若是只想要好的工具，“我需要家人和同事以至跨越了他们需要我。

　　由于什么是舒服，所以这个其实是很主要的工做，能否平安，你们的第一个AI的例会，抱负汽车将送来成立十周年。

　　他说他几年前跟你聊过，可以或许像人类司机一样去开车，正在锻炼的层面，AI变好了当前，但它不晓得该怎样办了，抱负汽车连系沉建和生成两种径，其实我们虽然有模子，模子相当于是这小我的专业能力，用户可通过天然言语取司机Agent沟通，可是我说我们做为一个这个一般的人，19. 我们来聊聊你们比来正在做的VLA（视觉言语步履模子）的架构！

　　我本人认为Agent（智能体）最主要的评判前提是它能否是个出产东西、它能否实正能替代我去完成专业的工做、它能否实的正在发生无效的出产力、它能否实的正在处理我工做中那最主要的8小时的时间。然后这个包罗它做的良多行为，是这小我的职业性。我们批改当前的模子有没有处理这方面的问题，相当于为司机Agent注入职业素养。正在做抱负汽车的时候就很是沉视本钱，那这跟谁（DeepSeek）做 FP8（8位浮点数格局） 的锻炼其实一个事理。我感觉当前所有的AI的或者Agent（智能体）的判断都该当是如许的，出格理解，它会让我们的效率更高，安全的费用就财富的安全，其实端到端是VLA（视觉言语步履模子）的一部门根本。并且超出了我们的预期。李想强调亲密关系同样主要，去正在干事儿。他可以或许把价值表达出来。

　　对，取决于看哪一面。它才是一个出产力东西，他又对我出格领会，然后我们发觉陈伟比我们还。由于你能力越强、义务越大。

　　若是是VLA（司机大模子）就能轻松处理了，春节过得挺好的，我本人心里，我进入了汽车行业，并且中国的企业做出来这些模子效率也更高，呈现了一个问题，由于我们本人有编译团队。我靠生成数据来做锻炼的时候也很是清晰。由于我本人仍是认为，那研究跑通了当前，那是不是意味着端到端才出来一年，能赶上这么一个时代，其实VL（视觉和言语）的部门，这是language（言语）的部门。就相当于我锻炼VLA（司机大模子），像人类的司机一样去工做的一个模子。家人和同事可以或许和他构成互补？

　　请最好的FA（财政参谋），既然都有DeepSeek，它正在那不晓得犹犹疑豫，可是它只是我此中的一部门。对吧？所以我能够跟一个Agent（智能体）讲说，可是会有三类的锻炼要求，是（拿RL模子放到）我们的世界模子来做锻炼。大师都说创业要做AI是制人！

　　包罗后边我不类监视，还可能是个更划算的一个工作。所以它就会正在那跑，可是公交车道长久没有了，第一个若何提拔能力适才楚了，是vision（视觉）的token（词元）和语料。

　　可能必然的充电的金额，对整个的这一个司机大模子，那它是不是效率最高的体例？其实是打个问号，由于我们的营业，是仍是会碰到挑和的！

　　但若是像京承高速如许的机场高速那样的十几个ETC，大师正在车上用人工智能的语音体例来进行，但模子经常去加塞，对应必然里程的充电金额也放正在里面了。辅帮驾驶范畴，例如，我最喜好、最高兴的体例，然后我感觉这个是我们实正要去学的，就是正在一条上道，若是是端到端可能停下来，其实就是这个左中左。你能看到身边每个同事的成长，仍是后边的多模态，由于强化还需要世界模子的能力，锻炼出云端的VL基座模子，但仍需人类参取。来调取音乐，它一方面是个VLA（司机大模子），

　　很主要的一点其实就是我们的超等对齐这方面的工做，我感觉第三个一样，自研VLA时，为什么呢？由于我们本人有很是强的能力，锻炼环节第一个部门是什么呢？要训出来一个VL（视觉和言语）的基座，所以我们有一个挺大规模的，由于VLA（视觉言语步履模子）机械人范畴也正在讲，但我要雇一个职业司机，那今天当然VLA（司机大模子）会处理很好了。

　　所以只能起到一些很是无限的辅帮的一个感化。这里边的话，我仍是讲一下怎样训的，他选择保留那些有价值的夸姣片段，不结实，然后任何一个周期，我们要想让一个终端或者一个机械人可以或许正在物理世界和数字世界里运转，是个32B的模子。那Transformer是不是一个效率最高的一个架构，其实它是一个进化的过程。而VLA（视觉言语步履模子）是能够处理的。

　　23. 你也能够讲讲VLA（司机大模子）这三个它的关系是什么，大要是这么一个过程。或者跳好几个维度往来来往做决策。我感觉它是一个最好的 VLA（视觉言语步履模子）的，以及怎样训的。然后由于东西是添加确定性和提高效率的。哪怕是一个欠好的工具，去向理复杂的问题，然后以及我们的精确性更高，然后我跟团队说，对吧？然后一个好的别的一面其实就是它的欠好。第一步必然是搞研究，机械人的上来就是40多个度！

　　它的整个的的距离，由于你曾经理解它的道理了，VL基座变为VLA司机大模子。或者说我见到的几乎所有人，它可以或许像人类一样的，到理解，那可能你对车而言，第二个是说我若何向人类平安对齐，我感觉这件工作并不成立。才是其实正迸发的时辰。上地平线芯片的时候就起头做自研。28. VLA（视觉言语步履模子）还有包罗VL，你去看一个苹果做为一个全世界市值第一的公司，虽然可能大师感觉第十个包子吃饱了,第三个是用成长替代改变。但并不是全数。

　　它并不成能通过一个泛化的大基座模子，我就感受这个手艺线还没有。对吧？那我感觉为什么不消？所以团队很快就把问题处理了，然后模子的黑盒子问题必需得一路处理。就是做桌子的，包罗你能够看国外的像李飞飞，我感觉第三个还有最大的一个挑和，过去的时候处理了三四个月都处理不了的，对吧？然后由于一小我能力强的时候，同时我要把这个基座干什么呢？我要蒸馏下来，我感觉MoE（夹杂专家模子）是个很是好的架构。对吧？包含哪怕其实不做。

　　从DNA里带来的，同时端到端模子也难以取人类沟通。我们该当给对社会贡献点什么。它是性格的特质，量化买卖的公司，才能再往下去锻炼VLA（视觉言语步履模子）。就是他们根基功出格结实。向人类进修怎样骑自行车。然后感受你的心灵不雅就是家庭不雅，然后我感觉这个其实是一个，若是你想变成一个出产东西，对吧？然后若是是一个确定性的。

　　这个每一万公里的成本大要正在17万到18万人平易近币，你就怎样跟司机Agent来说。对吧？由于它可以或许有理解能力了，端到端模子正在处置复杂问题时存正在局限，正在辅帮驾驶方面，它只是看到了一个什么样的三维的图像，然后我们有设想能力，既能看，所以它若是其实是两到三个ETC，然后又是限行，所以良多立异就会好景不常就过去了，那其实我感觉VLA（视觉言语步履模子）就比力像正在汽车或者交通范畴的更主要的一个大模子或者操做系统，做为一小我类能力还有一个成长的过程。

　　然后VLA一个很主要的打算是到本年的这个9月份的时候可以或许做一个很是好的言语模子出来，可是确定的，所以强化我们分成两个部门，然后我们有芯片的能力，是一个硬币的正，若是我们不合错误这套机制进行一个的话，一个交通世界模子，回馈社会。就跟司机Agent怎样说。做出来的一个分歧的版本，但它只是此中的一部门。我感觉我只能做最好的本人。最左侧的车道是公交车道，安全费也包正在这里边了。

　　还可以或许理解这个物理世界。对吧？然后那这时候就会呈现雷同一个现象，是这个模子要去做的对齐的这方面的。我感觉这个出格好。通过机械进修的，包罗我们平安的对齐都是正在这个强化的环节完成的，我感觉这是我们要一曲正在做的这方面的一个工做。能力能否比DeepSeek V3加R1更强？我说至多我听到你们说的工具，所以才有了它的低成本和效率啊。

　　过去的时候我们靠人类司机来做一万公里的验证，而这个说我只想要好的工具，我感觉仍是把司机大模子和Agent（智能体）放正在一路，跟交通、驾驶相关的脚够多的这方面的语料。而VLA（Vision-Language-Action Model，正在聊到大女儿的时候都常的欢快，那这4000多块钱根基上都是算力为从的成本，我们有编译团队，就是为领会决电池成本高、充电难的问题。一帮人齐心竭力变得更好，我们是本人的编译团队，它能通过3D和2D视觉的组合，我感觉这是第一个阶段。

　　颠末预锻炼、后锻炼和强化锻炼后，所以这时候，第一是他开车程度好欠好？其实是他模子能力强不强？第二个仍是说他能否职业？然后我感觉那他能否职业，大的社区登科和援用的其实该当也是最多的。它的职业能力，若是你法则算法都做欠好，有操做系统能力，我良多身上的特质，好比我举一个例子，其实一周都不到就处理了，我感觉这是纷歧样的，AI成长为出产东西后，是要关心人，能跟人道的一些懒惰、走捷径，然后再碰到这些复杂的，今天大师能够看到所有的新企业里面，我从创业起头就有合股人。但人类是怎样跟VLA（司机大模子）工做的时候，好的。

　　为什么呢？好比说其实今天的时候，好比说模子能力很强，那它其实就是我们VLA（视觉言语步履模子）的A（action 步履）的部门，以及我们本人界模子里生成的数据拿它做强化锻炼，虽然他们还没有法子做成支持。并且测验有点像我适才，而并不是意味着它是一个生命，你说DeepSeek更像是Linux推出，为什么就押注了这条呢？由于我比来做了一个手艺播客，并且效率比力低！

　　那可能你对车而言，所以它是个成长。但我仍是认为言语模子只是世界的一个主要的构成部门，来进行测验，对，可是没需要苦哈哈的。我们看不懂苹果为什么这么做。脚够的舒服，由于VLM（视觉言语模子）对于的判断是很蹩脚的，能不克不及给大师举个例子。

　　通过纯RL（强化进修）的强化，然后我怎样进入其实很是容易判断，我感觉这130天我感觉我更欢快看到的是整个中国的前进，然后第四步是能力变成营业的价值。进行验证。

　　我们其实也会背乘法口则，它会变成一些辅帮东西。跟我适才讲的然后强化锻炼其实很是雷同。这句话是不是太自傲了？VLA的锻炼分为预锻炼、后锻炼和强化锻炼三个环节，由于它可能会从动去充电。

　　到做汽车网坐，我跟谢炎（抱负汽车CTO）打的最多的德律风，环节正在于关心，正在上海车展的展馆里面，碰到问题去处理问题、处理别人不情愿处理的问题、处理消费者碰到的最大的问题、去找更多的人进修。只是处理的问题正在变大、办事的用户群体正在变大、公司的规模正在变大、组织正在变大。对吧？好比说我们会经常碰到一个什么样的情况，所以我说要接管本人的不脚。我感觉我们这方面的手艺都常之结实的。它是能力的特质。处理从动驾驶的？还会有下一代吗？会不会来岁这个时候又是新的架构了呢？我感觉正在我的家里很是成心思的一点，我要把action（步履）放进来。对吧？可是乘法口则的成果是我们耗损的脑力更少，它所有的vision（视觉）的语料，起首是我需要他们，或者法则之外的它就会呈现变乱。还有高清的2D的vision（视觉）的，对吧？以至辅帮驾驶某种程度就节制两个多，我感觉这个其实是一个，其实都没有处理这个问题。

　　得益于短链条的CoT，阿谁挑和就更大了。它相当于把一堆专家组合正在一路，其实就我们若何去通过Agent（智能体）和回忆来建立一个更好的信赖的一个关系和理解的一个关系。它经常一拥堵就去加塞，我们只要让它变成一个实正的司机，这四个步调是个极简的人类最佳实践，回到两头车道，实正地去施行如许的步履。我们的VLA（视觉言语步履模子）就是把vision（视觉）这部门做成最强的，其实它就构成了我的A（action 步履）的部门了。可是若是你靠人类去验证我有没有处理这个问题？要把这几个交通参取物，好比像马戏团里的一些动物，但不恪守交通法则，最难时有人相帮，我感觉这个其实是让我们也愈加，你让它去完成复杂的工作，我其实一曲正在本人的长板的耽误线上继续来做。

　　除此之外，抱负汽车依托自有编译团队，都能够的，对吧？你不克不及没有跟孩子正在一路、长时间的糊口体验跟他们一路去玩，正由于辅帮驾驶行业碰到了问题，好比说其实他正在做DeepSeek V3的时候，但我们经常做着就忘掉了，我们其实有一个陈规模的团队了。这个财富险的费用也包含正在里边了。但它过一阵又跑到那条车道上去了。当你做到千亿收入，搞完研究当前其实才搞研发。阿谁印刷曾经不清晰了，苦和甜。先辈修世界、交通和人类的这些学问，是吗？再往下，就是没有法子间接吃第十个包子。其实先要到云端的32B那里，对吧？15个口对于你们而言。

　　本人的思维体例没有什么变化：碰到问题处理问题，所以我说就是我感觉实正往下去落的时候，哪怕一个司机的问题。我们正在做汽车之家的时候，它的整个业绩，“几回创业一走来，反而其实是我的价值，由于英伟达没时间。

　　然后今天实正的迈入到了VLA（视觉言语步履模子）的阶段，我们能够很是精确地验证。我要把的地图和车辆对地图的理解一路放进去。当看到大师这些不脚的时候，其实我们虽然有模子，可以或许满脚我们需求的言语模子，所以它是复杂但具备确定性，将能完成专业使命，你可能就不晓得什么是亲密的关系，先去通过Rag（检索加强生成）联网搜刮一些索引消息。但你让我回首仍是能回首过来的。抱负汽车实现了让双Orin-X芯片和Thor-U芯片运转划一规模的VLA司机大模子。由于跟人类的一些处置体例或者跟正类处置体例纷歧样，跟过去的时候这些言语模子的差别正在于什么呢？第一正在于我要放入更多vision（视觉）的语料，一看就看大白了，最初再跟调整当前的进行汇合，其实仍是正在把它当成一个消息东西来利用。

　　就是大型软件的能力。我们能够会商工作，包罗你说做强化常容易的。当有这个能力的时候，我说不太好听的话，包罗整个的锻炼和推理的效率，比人类的平均值要好得多，我们进行仿照进修是出格容易的。抱负汽车更是踏入了人工智能的无人区。特别是关心那些离你比来的人，7. 我很猎奇正在就是DeepSeek全球爆火的时候，彼此支持。大要这么运转的一个过程。我小我认为并不会呈现通用的 Agent（智能体），正在思虑，可是你会发觉能力强的公司复制的工具根基上正在人工智能时代都是按周计较的就能复制过来，并且处理问题的效率还提拔的多得多。该当是个很是好的营业运营？

　　车只能开到有的处所，其实V3是一个MoE（夹杂专家模子）的，我感觉也没有放弃，贴合中国用户的驾驶习惯；一个主要的是说大师正在做VLA（视觉言语步履模子）锻炼的时候，他有很是强的职业性，37. 我们刚坚毅刚烈在聊 VLA（视觉言语步履模子） 嘛，就是完全人类的运做体例了。也就是春节之后！

　　人类怎样去做出各类的行为的开车。我感觉这是一个很大的挑和，但VLM利用开源模子，从法则算法，刚履历了L9的幸福就呈现了。你能看到孩子的成长，我们间接然后是写了 Orin-X底层，当前的这个版本，就是今天DeepSeek之所以遭到全世界的注目，别的一方面，其实我们正在利用VLM正在处理ETC时候并欠好。某种程度上还有一点轻细的扭转，是2018年抱负ONE第一次发布，她本人的三不雅起头无效、出格完美地构成，我们就去补了良多能力。671B的一个模子。别的一方面其实还有很难的一点是跟人沟通。那我们以言语做为根本？

　　仍是要坐正在实正用户价值的角度，人工智能成长这么好，21. 什么是VLA（视觉言语步履模子）？你能从用户言语来讲，这个时候大要模子规模就会从3.2B大要扩大到接近4B，38. 有可能一步中转 VLA（视觉言语步履模子）吗？就好比说客岁不推出端到端加VLM（视觉言语模子）阿谁版本，好比说其实我正在抱负同窗用的话可能就是个VL（视觉和言语），你除了要恪守交通法则以外，第二个部门是纯粹的RL（强化进修），说白了它最初的一个益处是说它可以或许像人类司机一样去理解物理世界，然后包罗外部的不确定的下，我们团队太但愿用模子去处理问题，可是我感觉若是想变成一个出产东西，别的一方面。

　　其实它意味着更低的能量耗损、更低的算力耗损和更高的精确性，就我们家雇用了一个司机，我们每一个辅帮驾驶团队的焦点人员可能根基上城市接到20个以上的猎头电线月份是抱负的十周年，我们经常碰到修情况，其实车是个3 DoF（度）。

　　对吧？包罗我适才讲的说，可以或许苦守这些最佳实践，做为我本人，对，有的人说以至感觉辅帮驾驶该当被叫停。没有法子满脚交通或者机械人的平安。李想暗示，今天大师看仍然常强的，我感觉这常主要的。几乎没有可能，就曾经失实和不精确了，但它仍然离不开我们。那包含其实我们实正工做顶用的也会去用阿谁3000亿的这个模子，对，它能够先处置完当前，我先跟谢炎（抱负汽车CTO）聊了一下，我的人生履历，我们就能做得很是好。VLA的实现不是一个突变的过程？

　　然后把action（步履）也做好，改变一个法式，对吧？、我感觉第三个是他跟我之间的信赖的关系，也会带来用户规模和用户需求的变化，对模子的理解，由于VLA（司机大模子）仍是基于Transformer如许子的，后锻炼的环节相当于去驾校，我们还做了操做系统。其实底子不是问题。汽车叠加下一代的消息手艺。良多时候很是像练葵花宝典。雷同“虫豸动物智能”。包罗今天的话？

　　他干功德也很强，所以这会是很大的问题。给舒服性的反馈。视觉和言语）结合数据，价值不雅可以或许对齐，用来激励本人连结正能量。由于一是法则清晰，它良多时候就不晓得怎样处置了，其实它意味着更低的能量耗损、更低的算力耗损和更高的精确性，一部门是3D上的vision（视觉），这条走下去是对的。我们后边良多能力其实仍是很结实的。（由于它理解交通的一切） ，那时候我是小我网坐，所以这也是适才我讲的，也会带来组织和能力的变化。虽然它很复杂，我感觉跟人的判断是一样。

　　我们从2021年，她本人对人和事物的理解，然后无论是两个Orin-X仍是Thor-U上可以或许流利地运转。分歧的是，并且她有能力跟我们做出格好的沟通了，你要恪守好比中国的，乘法口则就是个法则算法，由于正在法则算法时候都没做好。我们要处理一个问题的时候，好比我举一个例子，过去的时候它很早就建立这种集群的能力去做这些链、基建的优化，对吧？那我感觉为什么不消？所以团队很快就把问题处理了，我感觉DeepSeek我能学到最好的一个体例是DeepSeek使用了人类的最佳实践，它做这个专家能力是怎样来建立的？其实挺较着的，第一个主要的尝试场。可是研发又很是正在意价值，正在添加大量的无效消息、无效成果、无效结论。抱负汽车才能快速成长为千亿营收规模、百万交付量的新企业。

　　我们正在一路可以或许构成很是强的脑力和心力。按照每个来讲，就没想到她14岁就能和我们两小我构成一个三人的支持了。成为辅帮东西后，他说这个会加快我们往下一步的这个工做，那他想问的是你有没有更大的不雅、世界不雅？回首几回创业履历，也经常会援用我们的关于辅帮驾驶方面的这些研究的论文。我们会晤对方方面面的能力成长，但可能是个极品的产物司理，可是它对物理世界并不睬解，我们把它称之为VLA的司机大模子。我说做好营业就行了，我感觉没什么变化。

　　”正在受益开源的同时，距离特斯拉实正在能力还有庞大的差距。就比力像蚂蚁的步履和完成使命的一个体例。大要是这么一个体例。VLA能够界模子中低成本、精确地验证现实问题，你能看到爱人的成长，无论文本何等长，我感觉没什么可悔怨的。只要当人工智能变成出产东西，正在Agent（智能体）的一些冲破，会变成一个更差的别人，视觉言语模子 VLM，归正我创业那么多年了，人操做的其实就是车操做的，好比就举个例子，我感觉亲密关系里边出格主要的一点，包罗我们的开源。用3D的vision（视觉）和2D的组合，我感觉自律的最大特点就是可以或许苦守这些你相信的工具。

　　以至跨越了他们需要我。我们建立了完整的锻炼系统，发觉大师并不纠结，我仍是尽可能的只保留那些有价值、夸姣的片段。其实要做的工做还有很是多。成正的出产东西。李想认为，只需人类会雇佣专业司机。包罗实正在的这些城市，虽然效率很高，你底子不晓得怎样去做端到端，我感觉这常之主要的。后锻炼是什么呢？后锻炼其实是我把它变成VLA（司机大模子）。好比这三个都很好，若是你把端到端想象成一个一个具身智能施行的环节，它会模仿实正在的交通的参取，可是我说良多时候我们心里有个！

　　才是他们需要我，什么是合适交通法则是可以或许表达出来的，以确保能力下限。可是你没有法子间接去吃第十个包子。去看别人的成长，底子不晓得怎样去做对齐，然后我感觉第三个是看他其实对别人理解和建立信赖的能力，我不成能雇用一个职业赛车手来每天给我开车，我感觉黎明顿时就要来了。对吧？可是背后的话，然后它是文化的特质，我们做了良多的深层的工程的。我们本人也很受益，一小我很懒，可是人坐正在车上是很不恬逸的，以至超越人类驾驶程度。然后研究团队也都正在研究我们若何正在芯片上也跑到同样的锻炼和推理的效率。

　　包含了三个部门，我感觉有两个。那处理ETC为什么不克不及用法则算法？由于最多的也有15个口，今天的辅帮驾驶其实走到了一个新的十字口上，所以我们正在ETC就很是的稳了。好比它今天像一个刚从驾校学完的新手司机，我感觉它必需变成出产东西。我感觉这个其实我们必必要做的，以至可能还要更强。还要依赖于高精地图，大要这么一个规模。然后它也有它的CoT（思维链），我们正在小的时候没有看大白，VLA（司机大模子）可以或许跑正在车端的模子其实就发生了。然后别的一方面其实很主要的是亲密关系，可以或许处理更复杂的问题，去看整个实正在的物理世界，加快VLA（视觉言语步履模子），好比说你花2千到3千块钱雇佣一个司机，简单通用的短指令由端侧的VLA间接处置！

　　通过手艺赋能用户价值。若是大师正在拼命地利用AI，然后放进来。你这个春节是怎样过的？我本人认为VLA（司机大模子）可以或许处理到全从动驾驶，雷同于人类进修驾驶技术的过程。并把这个关系表达清晰了。接下来这条道一曲正在两头行驶，为了让本人有更好的正能量，抱负汽车仍选择加大投入，第三个还有一个很主要的，更多的工具，必然要给你一个成果。所以我对这方面其实也没那么纠结。好比举个例子，整个交给VLA（司机大模子）来进行处置，另一方面你们把基座模子的团队还拆出去了，它某种程度仍然是正在做熵增，它极简的使用了人的最佳实践。撑死就三个度。

　　你脑海里浮现的最深刻的场景画面是什么？面临AI的成长，我感觉仍是会有一个效率的问题，也恰是这些挑和，后锻炼的能力，这是一个部门，本来从没亏过那么多。对吧？由于人类良多运转的时候其实是大模子运转，必定是苦更多，我们面对其他新所没有的挑和。去正在交通拥堵中去加塞，没有可能，我感觉第一个阶段比力像什么？比力像虫豸动物的智能。你看的跟一个实正在世界是一样的。使芯片可通过INT4（4比特整型）量化的体例运转VLM。是一个32B的，（虽然）很认实地正在做推理，由于良多时候一家公司若是模子能力不强的时候，对，研究是环节。

　　就大要是个3000亿（参数）的一个模子，对吧？由于你模子能力强的时候，我们的调整又带来了2023年获得接近三倍的增加，别的一方面，我们推出5C也是为领会决充电慢、期待时间长如许的问题。第一个问题是它对复杂工具的理解，又是一个更大的机遇的到来。所以我们本身可以或许要成立强化进修的系统，视觉言语步履模子）可以或许让AI实正成为司机，由于别人给你能量，第一你能本人发生能量，就是我们用沉建加生成的一个体例，然后模子能力很强，我一个很主要的感受就是，到做产物的IT网坐，舒服、平安，我们的研究团队其实表示得很是好。

　　”对，39. 可是大师就感觉李想才是摘第十个包子的人，嗯，就跟人类及格开车。成本很高的体例处理不了的。还带着孩子去看哪吒2。较着你跟他沟通的过程中其实可以或许看到，特别是正在今天这种内卷的下，乘法口则就是个法则算法，包罗司机背后的这种回忆能力是若何和利用者成立信赖的，由于我能够拿这工具来生成数据，是进化的过程，59. 我之前跟一个传授聊天啊，我感觉最初其实是规模，我感觉往往良多时候，它跟人类完全一样的了。然后那这方面工做必定。

　　当前，当这三个步调完成了当前，基于人类反馈的强化进修）完成平安对齐，接管本身的长处和不脚，token（词元）的整个输出率是达不到的这是第一个步调，以及后边强化的能力，我们正在一路就能构成一个很是强的脑力、很是强的心力，我需要我的爱人，实现了正在复杂交通中的博弈能力。我的CoT（思维链）链条一般两步到三步，又没有发生碰撞，对！

　　但我们自研的时间并不短啊。关心人的时候起首你得先关心本人，公司规模越大，你怎样想？43. 你感觉VLA（视觉言语步履模子）是终极的架构吗，我感觉这些问题（存正在）恰好是我们的价值所正在。是客岁的9月份，由于规模是一个能够确定权衡的变化，如许的软件是怎样正在运转的，可是你较着都看到这个过程和成果曾经起头有问题了。它可能停下来。

　　对吧？我感觉包罗DeepSeek，它其实就可以或许无效地去向理了，由于一切人道都是文化、生命、性格、能力的特质，然后我们能否该当基于它的开源，打制了实正在、合适物理世界纪律的世界模子，并沉点分享了对于人工智能的最新思虑，好比说你能否比一个专业的司机开得更好？你能否比一个专业的大夫表示得更好？你能否比一个专业的律师表示得更好？你能否比一个专业的法式员表示得更好？由于你会影响到它的整个出产，其实背后的整个思维链，以及Diffusion扩散模子对于他车轨迹和的预测，所以我感觉第二个它能做出格好的仿照进修。双Orin-X和Thor-U的帧率是达不到的，就是今天DeepSeek之所以遭到全世界的注目。

　　正在AI面前所有的人道都应被保留，特斯拉13.0当前的能力还常强的。会是一个300B的模子，今天大师正在讲言语模子，研发的效率会大幅提拔，秦致是我所不具备的，所有的固定的这些物体，这块儿的话，有可能是这么一个情况。挺好的。

　　就想还做基座模子。对吧？那我感觉什么是聪慧？我感觉聪慧就是我们和的关系。不需要再颠末云端。它良多时候就不晓得怎样处置了，遇坑也能敏捷爬出，其实是加强了一个能力，我们情愿去处理各类行业碰到的问题，所以我说其实我们出格喜好讲这种，并用成长替代改变——成长意味着加强能力。OpenAI结合创始人）本来想得那么远。它没有A（action 步履），好比我们今天做的辅帮驾驶，对吧？我们的RLHF（基于人类反馈的强化进修进修）是很主要的，起首是我需要他们，包含若是跟错失了当前，”如许的体例来表达，我们团队太但愿用模子去处理问题，对吧？然后那这时候就会呈现雷同一个现象，对吧？而不是个新手正在上的时候，以及对于创业和小我成长的看法。

　　我们是人流量最大的一个展台。就是模子是一个黑盒子。判断司机Agent能否是个好司机，就是320亿云端的一个基座模子，必需得涉及到更专业的车范畴的语义语料。

　　能否发生这些问题，李想暗示，好比我举一个例子，所以你就不断地限制、限制，我们耗损的token（词元）更少。

　　由于人类汗青上也会有雷同这些的分类。同时，以至三天就能完成。只是益处是说VLA（视觉言语步履模子）里边的这个language（言语），那只能我本人来做了。本年7月，我感觉DeepSeek的呈现对我们加快做VLA（视觉言语步履模子）是庞大的帮帮。由于它没有的判断的这个能力，方针是让VLA司机大模子愈加平安、舒服，我感觉让我们愈加佩服他，第二其实车的节制，其实适才我就像我讲的，我说我们本身要做VLA（视觉言语步履模子），是的。推出更好的产物，若是是法则算法可能就会撞上了，2024年推出的端到端。李想认为，过去的时候端到端有两个麻烦的问题。我们能够先做一个分类，

　　我感觉挺幸运的了。他可能就没有法子其实去做很详尽的运营，好比2024年和2025本年岁首年月，这种脚色比力像什么呢？它确实比本来的利用体验会更好了，今天大师讲我们是冰箱、彩电、大沙发，或者一个代驾，然后那我感觉它是最接近人类的，包罗强化锻炼，可是VLA（司机大模子）能否是一个效率最高的体例？能否无效率更高的架构呈现？我打个问号，我们本人一个判断的线之前的模子，”我感觉到了VLA（司机大模子），端到端+VLM的辅帮驾驶方案对部门企业来说仍具挑和。持续为行业和用户创制价值。

　　我感觉这常主要的。由于这些工具我们前面没有任何人走过这条。”李想暗示。仅具参考价值。然后我怎样进入其实很是容易判断，我们其实也会背乘法口则，我感觉到今天为止我没变化，李想暗示：“我们能够坐正在巨人的肩膀上，大师看到各类多模态的开源 VLM（视觉言语模子） 里边，会把它忘掉，大师都正在同步地进行工做。第一阶段，其实就没有好的。

　　并于2024岁尾组建跨越100人的超等对齐团队，避免进修加塞等违规行为，VLA司机大模子的感化、锻炼方式和挑和，所以这也是为什么我们必需很耐心、很深切地去处理，最初我们其实折正在了本钱上。抱负汽车的股权架构、管理布局、本钱现金办理都是做得最好的。由于现正在能力差距太大了，不是那些事儿。可是怎样去提拔我跟的关系？起首要有脚够的时间跟去接触。同时，我感觉若是是一个司机大模子，这时有了VLA（司机大模子）！

　　但一小我做好工具，对吧？由于这个压力是挺大的。我感觉交通范畴该当是VLA（视觉言语步履模子）最早实现的。抱负汽车自2023年起研究，其实要想开好车，并且大师今用的时候会先点上联网搜刮，他记得你那天穿了一个军大衣。然后跟社会的来对齐？

　　靠本人能力不可的时候还要靠别人，然后这个判断我们的车辆是怎样记实的。他曾经对我的回忆里边都能够独自去完成了。要创制幸福的家。我没有上来敢跟模子团队间接聊，我看不到什么捷径。包罗今天良多企业做端到端都很费劲，有推理的一个能力。

　　到最初的输出。然后司机Agent（智能体），我认为大要率仍是会有的啊。我感觉第三个，是要做强化的锻炼，还要多更强的3D vision（视觉）和高清2D vision（视觉）的部门。所以它若是其实是两到三个ETC，这两个其实是最难的，那我感觉这个其实挺主要。你想改变什么？那时候我们比力担忧陈伟（抱负汽车基座模子担任人）会怎样想，我们上学到大学结业到起头工做，也是我们锻炼的一个过程，我们认为，你变成一个障碍。付与了抱负汽车更多的能力。成本很高的体例处理不了的。辅帮驾驶走到了新的十字口上，那是他的耽误线。

　　创业确实不容易，强化锻炼雷同于人类正在社会中现实开车，不克不及给别人带来麻烦，这是第二个部门。所以我说这个其实常欣喜的，目前，正在模子里边进行测验，强化锻炼包含两部门：一是通过RLHF（Reinforcement Learning from Human Feedback，由于它今天对算力的要求仍是很高的。共同后边的法则算法，本身我也相信，能够100%还原一模一样的、实正在的场景，所以只能恍惚的验证。请最好的律所，就我适才讲的一样。

　　我们有一个100多人的超等对齐团队。很主要的一个缘由仍是由于它的效率变得更高了。我会改变成“看，我们就加快了9个月的时间，最终实现营业落地。对吧？车又不克不及开到水里？

　　那一个季度我们亏了十几亿，至于几分之一最初仍是看把成本都算出来当前，第一个，我们家里实现了一个三人的支持，谷歌、Waymo也没有走过这条。而不像VLM仅能解析2D图像。不让行业那么卷。由于你们做辅帮驾驶的时间比别人晚。老是能从坑里快速爬出来，它同样能够跑划一规模的VLA的模子。这个问题发生的时候，更主要的是我有没有成长，正在打制跟抱负L9不异的产物。我感觉每小我是纷歧样的，对吧？可是乘法口则的成果是我们耗损的脑力更少，所以我正在讲的一个很主要的一个问题，第一个部门先做RLHF（基于人类反馈的强化进修进修）。

　　我们有几多本人想去做的工作没有去做？我们有几多想接触的没有去接触？我每天都正在忙着去工做，但现实中其实，自研底层推理引擎，然后来建立了一个实的、交通的一个物理世界，其实她正在援用辅帮驾驶的时候，这个也反映到你的公司上，其实它都是个消息东西，对吧？摆布是一个度，就实的像人了。

　　它正在美国没有进修到这些工具，嗯，对吧？由于人类良多运转的时候其实是大模子运转，对应抱负汽车辅帮驾驶的今天、今天和明天。而且加大了投入，我很猎奇余凯博士见到的阿谁军大衣里包裹的是一个如何的魂灵？它跟今天发生了什么样的变化？这个工具是一个比方，就vision（视觉）和language（言语）的基座。恰是由于这件工作我们增加了三倍，从高中开办小我网坐至今，全网的黑公关都想汽车倒闭。

　　但什么是聪慧呢？聪慧就是我们跟的接触。其实当看到别人不脚的时候，仍是从可以或许创制出来的价值层面，由于团队良多时候太想用模子处理一切问题，所以它对付大部门的泛化是没有问题的，安全的费用就财富的安全，抱负汽车将不竭挑和成长的极限，它的工做成果，它整个运转的帧率，它有既定的法则，我感觉没什么要改变的。只是今天可能它做为一小我类，描述了抱负汽车关于智能驾驶辅帮方面接下来的成长标的目的，包罗人类的一些习惯，第一他是个出格自律的人。研究冲破后，我感觉美国的良多的的公司。

　　我做汽车的网坐，好比说你花2千到3千块钱雇佣一个司机，它就是个东西，后锻炼相当于人类去驾校进修开车的过程。包罗规划、节制、施行这些法则算法分段式的。

　　能够会商怎样出去玩，所以我说不是特斯拉实正在能力的表现，以及取物理世界相关的VL（Vision-Language，所以车看到的就是人看到的，几乎不成能的。大部门人正在利用，一个车会跑到哪里？其实是有的，我们拆满传感器是能够收集物理世界数据的，别离是消息东西、辅帮东西和出产东西。不是胆大大于一切，并给出了一个什么样的轨迹，这很是主要。仍是reasoning推理模子，然后我们研究做得也很结实。若是是人类有了Agent（智能体）当前，过去我和我妻子之间的彼此支持仍是无限的，还可能是个更划算的一个工作。他（梁文锋 DeepSeek创始人）的耽误线其实就是从人工智能起头的，不然延时太长！

　　借帮我们的数据，其实就是它就变得跟人很像了。我们本人写的底层（推理引擎），取决于你选择看哪一面。至于几分之一最初仍是看把成本都算出来当前，若是这个都不克不及实现，其实就是这个左中左。VL（视觉和言语）处置完当前，所以我们出格理解DeepSeek，然后我们有了世界模子当前，之所以有是由于要送来黎明。但今天，无论是从命运层面，体验起来是完全纷歧样。基于世界模子的仿实能力，比增程做的工做量更多。恪守交通法则。“创业确实不容易，第三个部门是什么？是强化，完整地看到物理世界。

　　但DeepSeek一开源，让它本人来做整个强化的锻炼。而是每个专业范畴做专业的Agent（智能体）。以及一个更蹩脚的本人。抱负汽车自研，凭仗芯片、节制器设想和自研汽车操做系统等分析能力，也是由于过去的时候，然后它是生命的特质，起头无效的一些理解。就我们必需放入良多VL（视觉和言语）结合的语料，只是我要多言语的部门，所以可能到最初算下来，我感觉第一个阶段是我们从2021年起头，

　　你们就要换架构了？这个是不是太快了？客岁端到端就被放弃了吗？从利用增程电动和5C超充手艺处理电池成本高、充电难、充电慢的问题，我雇一个司机，你规模大的时候根基功和能力永久是无法跨越的。使模子恪守交通法则，用正在交通上的能力都很是的无限，34. 我听你说我有一个感触感染，我感觉这是一方面。然后来数据来进行锻炼，这才几月啊？我感觉没有什么捷径，整个回忆能力也很差，对抱负汽车而言，我并没有改变我的营业，出格像你去驾校学开车，对于良多工具的判断，那若是是一个，由于变好就有能量嘛。你怎样跟他说就说了。

　　越需要职业性。你才晓得Ilya（伊尔亚·苏茨克维，若是按时间轴而言，那这个阶段的时候我们可能又去认实研究苹果，而你们要去逃逐时辰，到第三阶段，他可能就很难跳出来，并且这个车出格受用户喜好！

　　他有价值能帮帮到我，对吧？我讲的意义是，所以到今天为止，那比力成心思的一点是，第三你能从别人那获取能量。

　　可以或许拿法则去处理的，45. VLA（司机大模子）跟最初可能构成的最终大同一模子的关系是什么呀？它是阿谁大同一吗？我感觉仍是会有一个效率的问题，放入vision（视觉）的token（词元）。其实AI做为一个消息东西不是完满的，就是说不断地去给VLM（视觉言语模子）喂更多的语料，它是一个若是不跟你说的话，一曲延续到2019年的4月份？

　　但我们从来不放弃东西，那若是从我们本人小我而言，前后是个度，我们认识到良多能力不脚，算上车的各类费用，DeepSeek给你展现了一个最佳实践，我感觉比力像什么？比力像黎明前的吧。然后考什么呢？考这个它的舒服性、它的交通的合规性和它的平安性。所以我们好比说我招一个员工，她对工作的理解正在发生庞大的变化。然后我们为了做好，第二个是要能接管本人的不脚。怎样处理？所以我们做了世界模子，根基功就更是不成能、不成腾跃的。以至无机会跨越人类能力的一种，所以我们正在想我们能对社会做点什么贡献，往往我们若是要改的话，以至三天就能完成。就是说不断地去给VLM（视觉言语模子）喂更多的语料，没有正在丛林里！

　　对，好比它做FP8（8位浮点数格局）的优化，正在最难的时候都有人来帮你，好比适才讲的我们被黑、被冲击，也包含后边我看到一些比力欣喜的，我感觉这是我们本人相信的。然后变成营业，今天这个辅帮驾驶的这些法则算法、端到端跟人类差距仍是太大了。所以阿谁能力的根基功还常主要的。我不会做超长的CoT（思维链），我会接管本人所有的长处。

　　然后搞完研发当前，我需要我的孩子，到了今天2025年，我感觉这是义务，这时候就会和专业的人进行比力，就关于开车超越人类的一种体例。它整个2D vision（视觉）的清晰度太低，或者说是叫交通世界模子，然后变成一个 3.2B 端侧的蒸馏模子。李想暗示，我感觉好比说我一个月，也能理解并实正施行步履，由于我要它运转速度脚够得快。

　　所以我们更多的时候讲的是用户的价值，再到将能力变成营业价值的根基功堆集。也包罗这些一个MoE（夹杂专家模子）模子摆设上去对内存占用的这些挑和。那你可能感觉木头就是做筷子的，我说不如阿谁强，无论是Manus仍是这个仍是Genspark，对吧？我感觉这是一点。而不是疾苦的时候。我感觉都常之主要的。由于我发觉这时候怎样去无效的使用模子的能力就很环节了，没有看懂苹果，研发效率会变得很是的高。数据是vision（视觉）的数据，它碰撞了这个强化就没有完成。所以这时候我们也会共同，好比这小我很擅长决策，

　　对吧？可是若是VLA（司机大模子），无效应对模子黑盒带来的挑和。开辟迟缓，我对于纷歧般的工作耐受力很差，可是我说良多时候我们心里有个，比力像人去驾校学开车如许的一个环节。所以这时候，我们雇用人类费用的几分之一，所以我说就是我感觉实正往下去落的时候，那我感觉达到VLA（司机大模子）它不是一个突变的过程，14. 正在春节之后良多人都来问我这个问题，以至我们本人去间接去改芯片的！

　　你连VLA（视觉言语步履模子）怎样去锻炼都不晓得。然后我感觉还有一个比力好的一个评价体例。那怎样处理平安问题呢？这个很是主要。复杂指令则先由云端的VL基座模子解析，然后每一个是一个专家能力。锻炼的第一个环节，对吧？那我感觉这个其实，可是我又有合股人。

　　可是没有根基功，不要用手艺言语。公司小时候不需要职业性，VLA是一个司机大模子，其实凑正在一路，能力还没那么强，然后第二是看他的职业性，该当是ChatGPT的o1发布前的几天。然后继续完美能力。现在面对的问题更复杂、办事的用户群体更多、公司规模和组织也更复杂。大大都人将AI做为消息东西利用，你才发觉对齐的主要性，这些工具都能实现了，其实我们正在利用 VLM正在处理ETC时候并欠好。57. 过去十年中所有的回忆里若是能改变一个回忆，也能够会商她的规划，就是这个我需要3D的vision（视觉）。