任少卿的智驾非共识：世界模型、长时序智能体与“变态”工程主义
留在智能驾驶，不是因为容易，而是因为更难。
文丨魏冰 宋玮
编辑丨宋玮
任少卿的头发很有辨识度，浓密、微卷，刘海盖住额头。走进会议室，第一次见他的人把他当成了实习生，知道身份后调侃说，只有在 AI 创业公司才能看到这么年轻的技术 leader。
“我们就是 AI 公司”——任少卿一本正经的回答。
但他身处的是蔚来，一家还在血海中搏杀的汽车制造商，而他的战场，是智能驾驶。这个反常回答，和他的人生轨迹相似：总在别人以为答案已定的时候，他偏要走向另一个方向。
2007 年他考入中科大，2016 年博士毕业。期间他提出了 Faster R-CNN（一种基于深度学习的目标检测框架），又和当时微软亚研院视觉计算组的孙剑、何恺明，博士生张祥雨一起研究 ResNet（残差网络）。后者解决了神经网络越深越 “失忆” 的难题，让模型可以无限叠加层数，被视为深度学习史上的里程碑。当时任少卿 27 岁。
2016 年，他与曹旭东共同创立自动驾驶公司 Momenta，亲历了自动驾驶最热的创业年代。4 年后，他离开一手创立的公司，转身去了还在低谷挣扎的蔚来。
原因很简单，当年 AI 发展撞上瓶颈，他认为下一次突破只能靠大规模数据叠加，车企是当时唯一能提供大规模摄像头数据的场景。事实也验证了这个判断——2022、2023 年大模型的进步，本质来自数据与算力的叠加。
在蔚来，他一个人接手了几乎从零起步的二代平台，芯片、传感器没定，软件和工程都未开启，却要在 20 个月内实现量产。最后，他完成任务，并推动建立了三层套数据体系，为蔚来智驾打下底层能力的地基。
从那以后，任少卿走的每一步都显得 “不合时宜”。
他将车企比拼的端到端理解为 “填坑”，依赖的是模仿学习，能解决一些短时序问题，但能力止步于几秒钟的反应，无法扩展到长时序的推理与决策。后来的 VLA（Vision-Language-Action）模型看似往上走了一步，把语言与动作绑在一起，但依然以语言为中心。语言带宽有限，无法承载现实世界的连续复杂性。
任少卿认为真正的上限在世界模型，即以视频为核心，通过跨模态的互相预测和重建，让系统学习时空和物理规律，再叠加语言层去交互与注入知识，让机器能像人一样理解环境。
他选的难路不止一条。另一条是强化学习，任少卿说，智驾行业至今没有真正接受 RL （Reinforcement Learning ，强化学习）的重要性。模仿学习像老师手把手教你五秒，当场景拉长到三十秒、六十秒，就会失效。必须靠强化学习，把短时记忆的 “金鱼”，进化为能处理长时序的智能体。
可以说，蔚来选了一套最难组合：高算力、多传感器、全新架构（世界模型加强化学习）。
“没有哪家公司像我们这样变态。” 他说。这意味着更重的训练、更长的周期，但换来的是一套真正接近物理世界的能力栈。
在强调速度的汽车行业，坚持这样的路径，本身就是一种冒险。
“我们做很多事情，不是为了跟别人赛跑，而是希望能探索一些新的东西。我们做得更多，因为我认为这是一条真正可以通向未来的路，即便过程中我们要忍受一段时间的不被理解。”
很多 AI 创业者喜欢用攀登雪山或大航海来比喻探索之路。但任少卿不这么形容，他觉得博士时的状态与今天并无二致：不断试错、不断叠加，像呼吸一样自然。
所谓 AGI 之路，从来没有确定答案。不同的人在不同的方向上滋生出真正的技术信仰，持续探索，才有可能最终汇聚成一条路。
9 月 20 日，任少卿在个人主页新增了一个新头衔：中国科学技术大学讲席教授。他将在母校搭建人工智能实验室，致力于 “中长期通用人工智能的研究”。同时，蔚来的工作不变，继续负责智能驾驶。
“我们就是 AI 公司。”
在一家车企里说这句话，像是在开玩笑。但对任少卿来说，可能这就是答案。
一条更难、但真正通向 AGI 的道路——世界模型
晚点：这好像是你这几年第一次出来接受专访。
任少卿：之前没怎么讲，大家不知道我们在干什么。现在觉得可以讲讲了。
晚点：这两年，“端到端” 是一个经常被车企提到的词，但在其他 AI 领域却很少听说，蔚来也几乎不提这个词，为什么？
任少卿：端到端是智能驾驶历史阶段的产物。早期算力不足、神经网络不成熟，无法把驾驶问题一次性解决，只能把任务拆解成若干小模块——比如感知、预测、决策，再分别训练和拼接。过去十年神经网络快速发展，具备把这些碎片重新拼接的能力，于是出现了端到端的说法。
在语言、图像等其他 AI 应用，训练神经网络大多数时候都是一个整体，几乎没人说端到端，端到端是智能驾驶领域特有的历史语境。所以我觉得它不需要被特别强调。
回到大 AI 语境下，近五年真正的突破其实是大语言模型——它让 AI 基于语言有了 “概念认知” 的能力。
晚点： 大家都在用的 ChatGPT、DeepSeek，背后就是 LLM（大语言模型），语言模型的进步为什么这么关键？以及为什么光有语言模型，自动驾驶还是没办法完全落地？
任少卿：语言模型的突破在于，它把语言对应的概念和逻辑关系建模了出来。比如 “小狗” 或 “汽车”，在模型中是一个清晰的概念，模型能基于这些概念做理解和生成，这是过去 AI 没有的。
但语言是低带宽的，只能描述有限信息。比如，一张交通照片，你很容易用视觉看到 “有几辆车、什么状态”，但要用文字完整描述却极其复杂。更不用说动态场景：匝道口拥堵、车辆绕行、驾驶者的表情和意图。
所以，语言模型解决的是 “概念认知”，但在 “时空认知”——真实世界的四维时空（空间 + 时间）建模上仍有明显短板。比如复杂的交通场景、物理规律。
自动驾驶需要的恰恰就是 “时空认知”，这个空白，正是世界模型要去补的。世界模型的目标是建立基于视频/图像的 “时空认知”，补齐语言模型的短板。
晚点：你怎么定义 “世界模型”，它和语言模型是替代关系还是并行关系？
任少卿：蔚来是第一个在国内提出世界模型这个概念的。
我认为世界模型包含两个层面：
物理规律的内建：比如重力、惯性、速度变化，这些规律必须在模型内部形成；
时空操作能力：能理解和预测物体在三维空间 + 时间维度的运动，比如车辆绕行、机器人搬运。
语言模型和世界模型是并行的：前者是 “认知语言和概念”，后者是 “认知时空和规律”。
你可以把它想象成，语言模型解决 “我们懂不懂人类所创造的概念”，世界模型解决 “我们能不能在这个物理世界正确地运动和生存”。两者最终融合，才能形成真正的通用人工智能（AGI）。
晚点：智能驾驶行业还有一个词很火——VLA（Vision Language Action, 视觉-语言-动作），行业里有人认为 VLA 是世界模型的核心，也有说世界模型是用来给 VLA 做仿真评测的——观点几乎相反。你的理解是怎样的？
任少卿：这个我觉得要分开讲。VLA 本质还是语言模型的模态扩展。
- LLM（Large Language Model）只包含语言
- VLM（Vision Language Model）加了视觉
- VLA（Vision Language Action）再加上了动作
这些扩展虽然加入了新模态，但 “根” 依然在语言模型上。它像是在原有的语言体系上不断 “加模态”。
但世界模型不是 “语言加法”，而是要建立一套高带宽的认知系统。因为语言通道的带宽太低了。人类如果没有眼睛，只靠嘴和耳朵交流，效率会有多低？眼睛带来的视觉带宽就大得多。
晚点：你说世界模型要建立一个比语言模型（包括 VLA）更高带宽的时空认知能力。什么是 “高带宽”，能不能给我们一个更直观的比喻？
任少卿：可以用脑机接口来类比。人类现在的交流方式——嘴和耳朵——是低带宽的，只能输出有限信息。眼睛虽然能接收大量信息，但没法把画面直接 “投送” 出去。
如果有脑机接口，人就能直接输出图像，交流效率会极大提升。世界模型的意义类似：它要在 AI 里建立一个高带宽的认知通路，用图像直接交互，不依赖低带宽的语言。
晚点：听起来搞这样的模型就需要很多钱，更多训练资源和算力投入，以及更长的时间。
任少卿：是的，语言模型的训练是什么？在大量文本里预测下一个词。世界模型要学的是视频、画面，不是词。
晚点：但我理解 VLA 的训练里也包括大量视频和图片片段吧？
任少卿：对，但它是 “外挂” 的。
现在大部分 VLA、VLM 的做法，是先有一个语言模型基座，然后在一些图像数据上训练一个插件，把视觉转成语言，再输入到语言模型里。它的 “根” 还是语言，只是头上插了个视觉转换器。
这就是差别。世界模型要直接在视频端建立能力，而不是先转成语言。
晚点：特斯拉搭的是世界模型吗？理想和小鹏所说的基座模型，是哪一种？
任少卿：特斯拉我不太确定。理想和小鹏的 VLA 是以语言模型为训练底座。
晚点：既然世界模型更有效率，那语言在自动驾驶里还有必要吗？ 华为就提出了 WA（World Action, 世界行为模型），并强调不需要 L（语言）。
任少卿：本质上华为做的是世界模型，只是强调点不同。我们去年七月份之前就提过世界模型这个概念。
VLA、WA 这些名字，更多是表述方式的差别。关键还是要看它是否真正建立了时空认知能力，而不仅仅是在语言模型上做加法。
我认为语言仍然是很重要的，它有三大价值：
- 海量数据：语言模型吸收了海量互联网案例（尤其是 “彩色案例”，即有代表性和复杂性的场景）。这些数据对自动驾驶训练非常有帮助。
- 推理能力：通过链式推理（CoT, Chain of Thought），语言模型能带来一定的逻辑推理，弥补世界模型目前还未建立的细粒度推理。
- 人机交互：用户需要能像跟司机沟通一样，直接告诉车 “开进小区，左转，在楼下停”。这需要自然语言接口，而不仅仅是导航按钮或固定选项。
晚点：你提到 L（语言）在智驾里的一个重要作用——人机交互。但目前看，交互还很有限。这个问题怎么解决？
任少卿：这点非常关键。现在的智驾系统，你和它的交互都还是有限集的。它会给你一个列表——三条也好，五条、八条也好——你只能说这几条指令，它才会响应。除此之外的，它一概不管。但我们日常和司机交流不是这样的。你不会跟司机说话，他回一句：“不好意思，我只接受 123456 条命令”。
我们的最终目标，是通过 Open-set（开放集指令交互） 智能引擎实现真正的开放式交互。所谓 Open-set，就是把 L（语言）和 A（动作）彻底变成开放的：用户不再局限于输入有限的指令集，而是能够随意表达，系统也都能正确理解并执行。
从有限集到无限集——这才是语言加进去的终极意义。只是这一步我们还没做到。
晚点：现在做到哪一步了？
任少卿：还是有限集。给你一个列表，1 到 30，你可以说这些，组合一下。但除此之外就不行了。
所以目前 L（语言）在 VLA 里的最大作用，一个是用互联网数据，一个是做一些链式推理，但更重要的还是未来要做到开放式交互。我们会在后续版本里推出 Open-set（开放集指令交互），今年下半年推一个版本，年底的版本里就会有。
晚点：年底是全量推吗？
任少卿：我们有多个平台，会在今年年底到明年 Q1，一个一个推。2025 年 5 月我们在地库里找出口首发了：你跟它说 “帮我开出车库”、“开到某栋楼”，它就能执行。这在国内是第一个量产的语言交互功能。今年又加了很多功能，像紧急情况下靠边停车，AES 主动安全，倒车辅助等等，很多都是业内首发。
表面看是一个个新功能上线，背后是一整套体系支撑。说实话，冰山下还有很多技术我们已经在做，只是没发布。
晚点：你怎么看待各个车企之间智驾能力的差异？怎么判断自己和其他车企的真实进展？
任少卿：判断起来也不复杂，你看一个架构，它的上限在哪里；再看实际跑出来的结果，离上限还有多少差距。
我们从 Banyan 3.2.0 版本开始换到了世界模型的架构（今年 5 月蔚来推送了世界模型 NWM 的 OTA 更新）。大家都在讨论的 VLA，我们实际是在世界模型里实现了它，即在世界模型（视频驱动的时空认知模型）里引入语言模态，用来补充数据、推理和交互能力，而不只是做语音助手——这个产品形态我们也是国内第一家推的。
晚点：如果你们年底能推出 Open-set（开放集指令交互），是否意味着领先所有厂商？
任少卿：我觉得是。每家公司都像 F1 赛车换胎，要考虑现有架构还有多少空间能挖，定策略看什么时候换。
年底我们会发布 2.0 的迭代版本。从架构看，我们走得比较靠前。关键在于，怎么把新架构里能挖的果子尽快挖出来。每一代都是曲折上升，有时候要丢掉旧的东西，再重新实现，然后逐步把 60%、80% 的潜力释放出来。
晚点：我听起来，你们的路线其实很激进，没有延续已有方案，而是选择直接切世界模型，走一条高算力、多传感器、全新架构的路。
任少卿：在当时那个时间点，确实挺激进的。
1. 我们没有城区和高速各用一套方案，而是直接把它们统一到一套架构里，原来的系统几乎推倒重写。这样做开发量特别大，风险高，但长远来看会更干净，也更有扩展性。
2. 直接上 4 颗 Orin + 激光雷达，这种大算力 + 多传感器的配置，在行业里是非常超前、成本也高。友商可能低配先跑，我们是硬件一步到位，等于押注未来几年算力快速迭代。
3. 节奏上激进，2022 年 3 月在国内量产，8 月做了欧洲量产，跨两个大洲同时推进，对研发、交付、供应链都是极限压力。
但回头看，对用户来说不算坏事。比如特斯拉 HW5 芯片还没发，HW6 芯片就快出来了。算力在快速暴涨。
2022 年 3 月拿到车的用户，现在已经三年半了，再加上 7 年换车周期或更长，最少还剩三年半。那时候算力会到什么程度？以 4 颗 Orin 为例，如果当年买的车配了它，现在依然算是一个好选择，至少能保持中档水准。对用户来说，在这样一个使用周期里，它还是有竞争力的。
晚点：但这也导致了你们的进展有段时间是慢的。
任少卿：对。但有些看起来快的，未来也可能会慢下来。
晚点：不过，快慢重要，节奏也很重要。
任少卿：这不只是蔚来一个公司的节奏，是整个技术演进的趋势。
三年前，智驾、语言模型、机器人还是分开。近两年技术快速合流，大家的基建也比过去强太多了。以前做一件新事要几十个人，现在小规模团队就能搞定。
新的想法和技术点子层出不穷，不管是我们做还是别人做，行业一定会有人去尝试。
我们做很多事情，其实不是为了跟别人赛跑，而是希望能探索一些新的东西。这也是为什么早期看上去我们的进展不如友商快。但我们做得更多、选了更科学的路径，因为我认为这是一条真正可以通向未来的路，即便过程中我们要忍受一段时间的不被理解。
业内到现在也没有完全接受强化学习的重要性
晚点：你说你们是国内最早提出世界模型的，那国外呢？
任少卿：国外其实 SORA （OpenAI 的视频生成模型）出来的时候，大家就觉得它是个 “世界模型”。为什么当时大家那么震惊？就是突然发现它好像有了这种能力的苗头。
晚点：你定义的世界模型是以视频为底座，核心是 “时空认知”，所以它需要大量视频数据。这些视频数据从哪来？
任少卿：游戏是一个很重要的训练数据来源。比如腾讯最近推了一个版本，就是拿游戏来训的。在游戏里我按一下 “往前”“左转”“跳起来”，游戏引擎会自然渲染下一帧变成什么样。模型就能学到：前面是这样，我做了这个动作，后面变成那样。把这个逻辑迁移到真实世界，就是 “我在这个世界里运动会发生什么”。
第二类是真实数据。摄像头、激光雷达、毫米波雷达，这些数据量最大的，就是车厂。比如一段视频，中间司机踩了刹车，那前后场景的变化就是一个样本。久而久之，模型就学会了：如果我现在急刹，接下来会发生什么；如果我变道，会发生什么。这就是对时空认知的学习。
晚点：理想的智驾负责人曾说，他们从 80 万车主中，筛选 3% 老司机的驾驶数据来训，从而让模型做到和老司机一样的驾驶体验。你们也是这样做的么？
任少卿：其实我们不是。这是个很有意思的话题，你先回答我，到底我们需不需要车撞了的数据？
晚点：当然需要了。
任少卿：为什么呢？如果是专家数据就不会有这东西，因为专家开的都很标准。
晚点：不一定，很多老司机开车就非常激进。所以如果用海量用户数据训练，和用专家数据训练，效果会有什么差别？
任少卿：那我们先要明确自己要什么，最基础的是两块：语言模型带来的是 “概念认知”，世界模型带来的是 “时空认知”。把这两块拼在一起，最后才会走向 AGI。
基于这个框架，数据的选择就分成两种：
- 专家数据，干净，质量高，但量小、贵。比如找 300 个老司机开，采得很标准，但你没法找 3 万个。
- 量产数据，量大、成本低，分布广，什么情况都有——开得很标准的、有点冒失的，甚至有事故的。这样模型才能学会 “什么情况下会出错”。
但专家数据的弊端是缺少 corner case（极端/边界情况），不标准的情况都被过滤掉了。但真实世界恰恰充满这些边界情况。量产数据虽然 “脏”，但通过强化学习去 “洗”，反而能让模型学到更多、更复杂的东西。
晚点：当时很多厂商从规则往模型切的时候，用户会觉得，使用智驾的体验却变得更差了。我之前以为是模型 “学老司机学坏了”。你怎么解释这个 “倒退” 现象？
任少卿：我们发现一个特别有意思的例子，在小路上的驾驶场景。智驾车在小路上很容易遇到边界情况：车距很近，你得减速，还得打方向。如果是用专家数据，或者专家数据加一堆规则训出来的，这个场景就不容易做到丝滑。经常会一出边界，就切到兜底规则，车就 “一顿一顿” 的，体验很差。
我们在今年 5 月份推的版本，几乎没这个问题。因为我们用了大量的真实数据，里面既有非常标准、安心的驾驶，也有离其他车很近的情况。加上强化学习训练之后，整个系统在边界场景下也能连贯，不容易掉到兜底逻辑里。
晚点：所以这里有一个核心，就是 “强化学习”。我记得当时训语言模型的时候大家也遇到过类似问题：干净数据 vs 大量脏数据。
任少卿：以前的小数据集，比如李飞飞老师 2010 年搞的 ImageNet，100 万张精标图片，花了很多时间去标，质量很高，所以可以用模仿学习——老师做什么，我照抄就行。
大语言模型不一样，它直接把整个互联网的数据灌进去。这些数据洗不干净，里面有很多乱七八糟的、不合适的内容。没办法，量太大了。怎么办？在 GPT-3.5 之前大家是 “加规则”——不许输出这些词。
但后来就有了强化学习，它能把 “好的分布往前排，坏的往后放”，某种程度上相当于后端洗数据。智驾也一样：专家数据干净但量少，量产数据量大但脏，需要强化学习去洗。
晚点：在 AI 发展中，行业经历过迷茫期。比如当 Scaling law 的边际收益下降时，很多人觉得光靠堆算力走不下去了。直到 OpenAI 的 o1 模型出来，用强化学习把推理链条拉长，证明还有新路径。后来 DeepSeek 又通过 R1 系列走得更彻底，把谜题解开了。你怎么看这个演进？你是怎么意识到强化学习能解决智驾上的问题？
任少卿：我觉得整个行业到现在都还没有完全接受强化学习的重要性。我们相对比较早意识到，一方面当然是参考了语言模型的进展，另一方面，我们自己一直在做实验，所以比较早就看到两个关键作用。
它能 “洗数据”。模型的输出本身是一个分布，强化学习能把好的分布往前排，把差的往后压，相当于做了一次后端清洗。我们去年底的实验里就已经验证过这一点。
能延长 “上下文”。模仿学习像老师手把手教，5 秒钟、100 个词还行，但如果拉到 30 秒、10 万个词，就崩了。强化学习能把这个过程撑起来，让模型学会更长链条的推理。语言模型里就是把上下文从 1K 拉到 100K、甚至 1M；智驾里就是让车不再是个 “5 秒记忆的金鱼”，而是能处理 30 秒、60 秒连续过程的智能体。
OpenAI 的 o1 更多是 “让大家看到”，但我们在内部实验里，其实早期也看出来了。
晚点：现在大模型公司都接受了 “强化学习” 这条路，智驾行业是不是也一样？
任少卿：说实话，智驾行业现在做的不多。我们理解的那两个关键作用，国内真正用到量产的还很少。
这里要想明白一个问题：一个智能体在开车时到底需要什么能力？我把它分成两类：
“手把手” 的能力，5 秒、10 秒以内的短任务，看一个状态就知道要怎么操作，这个端到端模型大致能解决。
“长时序” 的能力，超过 10 秒、甚至 1 分钟、10 分钟，系统该怎么做？
过去这类长时序问题，几乎全靠代码搞定。两个来源：一个是地图，告诉你一条路一个月前修过、5 分钟前前方堵车了；另一个是 if/else 的规则库，比如遇到某场景该怎么办。它们确实能管用，但系统始终就是个 “5 秒记忆的金鱼”。
未来一定要靠强化学习，因为纯模仿学习没法学出这么长的规划。o1 就是例子，它在语言端激发了长时序规划的能力，很多过去做不到的，现在能做了。但语言有边界，很多东西描述不出来。回到智驾和机器人领域，就需要建立基于视频的长时序规划能力。
我们现在的方向也是这样——在现有模型上叠加强化学习，去把长时序的能力真正做出来。年底的新版本，应该会有一个比较明显的进展。
晚点：其他车厂或者供应商也会逐步转向强化学习吗？
任少卿：我觉得会转。现在大家可能都在研究，但是真正放到量产里，还没人大规模用。
从大模型的角度看，语言模型已经成了货架产品，大家都认可它。但世界模型一定是未来要做的事，这点没有悬念。
没有哪一家像我们这么变态：三层数据系统、三代首发平台、4×100 接力棒研发
晚点：你是 2020 年 8 月加入蔚来，当时蔚来自动驾驶是怎样的状态，你入职后接到的第一个任务是什么？
任少卿：第一代车已经基本开发完成，用的是国外的感知算法。2020 年我们决定要做全栈自研——从传感器到信息处理再到最终的决策输出，全部都自己来。当时还是分感知、规划、决策这些模块，但未来趋势就是要统一。
这也是我刚加入蔚来就意识到的事——再拆分已经不现实了。
晚点：当时团队多少人？
任少卿：就我一个人。
晚点：从零开始。
任少卿：NT1 团队是一代，NT2 是新一代，我能算是 NT2 智驾平台的第一个人吧。
我在 2020 年 8 月入职，2022 年 3 月就得量产，时间特别紧。当时硬件也没定，芯片没选，传感器也没完全确定，软件什么都没有。所以我到蔚来后，干的第一件事就是组建团队，到 2020 年底有了三五十个人，2021 年春节过后接近 100 人。雏形算是搭起来了，但光有人还不够，还要把标注系统、训练系统都建起来。
基本花了一年时间建团队、建数据系统，剩下八个月就开始冲量产。
晚点：为什么不集中精力做更少的事情，那么早建数据系统，有必要吗？
任少卿：还不止建了一个数据系统，我们建了三个层层递进的数据系统。
我们当时有个认知和行业很不一样。2020 年以前，大家普遍觉得数据没成本，采到了就拷一份。但我们觉得不是，数据只有经过自己模型筛出来的才有用。而模型筛选需要算力，算力是高成本的资源，所以我们那时的认知是 “数据约等于算力”。基于这个，我们建了三套数据系统。
第一套是 DLB (Data Loop Back 数据闭环系统），就是通过代码和模型自动筛选数据，形成有用数据进入训练/标注流程。
第二套是伴生系统，相当于车上有两套系统，一套跑用户功能，一套跑测试功能，就像互联网的 AB Test，把切流量的能力引入到车端。这样我们在主动安全上的迭代速度就比同行快很多，因为主动安全对误刹的要求极高，靠车队测试根本不现实，必须靠这种规模化的系统切流量去验证。
第三套是 RAMS（Risk Assessment and Management System 风险评估控制系统），它用来解决量产车每天上百万次接管怎么自动化分析的问题，做到每天消化几百万、上千万次接管数据。
从数据系统角度来说，我们现在的数据系统覆盖国内外车厂及方案供应商，应该是最顶尖之一。
晚点：三套系统花了多久搭建？一开始就做好了顶层设计吗，还是中间陆陆续续摸索出来的？
任少卿：2020 年我们想好了前两套——第一套花了大概一年多时间，第二套我们在 2022 年量产前就完成了，量产后就开始切主动安全。第三套是大概一年之后才想明白要建的。
晚点：从 2023 年底特斯拉 FSD V12 推送，到 2024 年一整年，智能驾驶从 “规则时代” 进入 “端到端时代”。你如何评估蔚来在技术切换关键点时的表现？
任少卿：我们也是逐步切换的，一开始还是需要规则兜底，到今天其实也还不是百分百模型。
晚点：从规则转向模型，什么时候意识到不得不转？
任少卿：其实有两个触发点。2022 ChatGPT 出来，2024 年 SORA 出来，一系列大模型的进展让大家都面临一个问题：你肯定得转，但转到哪里？是单纯做端到端，还是走别的方向？我们当时判断，端到端必须要做，因为本质上它是解决过去十年智驾挖下的坑，是 “填坑” 的事情。
第二是我们自己的思考，怎么在切端到端的过程中，不只是填坑，还能再往前走一步。
所以我们从 2023 年开始就考虑，除了填坑之外，还要找到能真正增强智能的方向。核心就是在智驾这样的场景里，解决语言模型搞不定的问题——这也是为什么我们开始引入世界模型。
某种程度上，端到端的转型和世界模型的探索，是我们并行往前走的两条路。
晚点：走过什么弯路？蔚来曾经是全国第一个量产高速 NOA，但到了城区 NOA 的时候，你们开始慢了，到端到端方案落地，你们的节奏更晚。
任少卿：到城区的时候，我们正好在切换平台。其实有两条路：
一条是城区直接用新的方案，高速还沿用原来的方案，这样城区可以更快一点；
另一条就是我们想要一套兼容的方案，高速和城区用同一套架构，未来合在一起更完整。我们最终选了第二条。
所以我们在 2022 年 3 月做了国内量产，8 月又做了欧洲的量产——那会儿除了特斯拉，蔚来应该是国内第一家能在两个大洲量产的厂商。但问题也随之而来：如果要统一高速和城区，就得把原有的东西重写，于是很多工作都放到了 2023 年。
晚点：对你来说是一段挺极限的日子吧？
任少卿：对，如果像有些友商那样，高速和城区各写一遍，表面上快一些，但用户体验会变成多个版本切来切去，我们内部效率也会受影响。所以我们宁愿选择这条更难的路。
晚点：你当时是怎么说服内部的？
任少卿：用不上说服，这是大家共同的选择。斌哥也很清楚我们到底在干什么，外界虽然摇旗呐喊，但内部共识挺强。
晚点：有一个疑惑，你们在 2024 年 7 月的时候为什么要推一个 AEB（自动紧急制动）的端到端版本？当时很多人都觉得你们内部是不是出什么问题了。小鹏 5 月针对行车全功能推送了端到端落地，华为是 9 月、理想是 10 月。
任少卿：其实很简单，就是为了减少事故。全球每年交通事故死亡超过一百万人，而现在大多数路况还是人在开车，所以必须同时解决智驾和人驾的问题。
我们做了第三层数据系统，把所有接管、事故原因都拉出来分析，甚至接入保险数据，不光看事故次数，还看损失总额。结果发现，最大的风险就是前后车碰撞。但传统主动安全标准场景太有限，覆盖率不到 10%，因为以前都是工程师写规则，测试周期又长，只能把规则写得很死，确保过标，结果就是覆盖不到真实世界的大多数事故场景。
所以我们做了两件事：
用端到端模型，让数据直接覆盖更多真实场景，不再靠人一条条写规则；
建立大规模伴生测试体系，现在每周能做到几千万公里。
这两件事结合，把 AEB 的真实场景响应率从十几提升到七八十。上线后，我们和保险公司对账，确认事故损失下降了 20% 多。
晚点：20% 多的下降是怎么算出来的？
任少卿：去年我们 Banyan 2.6.5 版本第一个推了端到端 AEB。我们跟踪了半年（太短会有噪声，半年是合理周期），把更新和未更新车辆对比，保险公司的结果显示，事故损失下降了 25%。这也是全球第一个几家保险公司共同认可的主动安全系统。
晚点：提高主动安全，比先落地城市 NOA 更重要吗？前者是底线，但后者是关键赛点，不能并行吗？
任少卿：这是个选择。城区功能用户马上能体验到，但主动安全一年可能遇不到一次，所以容易被忽视。但我们内部一直把它放在最高优先级，因为它能真正减少事故。对用户、对社会都是最有价值的。
晚点：业内对蔚来还有一个疑问，就是一直觉得蔚来用料奢侈，之前是 4 颗 Orin 加激光雷达。现在乐道发布，用的是 1 颗 Orin，配置低很多。但从体验上差别没有那么大，这是为什么？
任少卿：这要分三个层面看。
为什么要有激光雷达和更大的算力？它们就像气囊，核心是提升安全性，尤其是在下雨、下雪、起雾这类极端场景。
从研发角度，大算力平台能承载更多功能。比如乐道目前就缺少我们在停车场里无图找出口的功能，不是因为不想做，是芯片限制住了。城区的主干功能它有，但一些最新的功能，短期就不会用上。
研发迭代节奏，我们会先在高算力平台上开发功能，再通过蒸馏、算力压缩，把它迁移到低算力平台。所以低算力平台的体验会滞后一些。
总结下来，高算力平台有三点优势：一是安全冗余更高，二是新功能更多，三是迭代时间更早。
晚点：从 4 颗 Orin 换到 1 颗，用户感受会有明显差异吗？
任少卿：主要功能上基本没有差异。我们现在是把两个平台放在同一条主线研发，用同样的交付体系，最终用户感受到的差异不大，只是时间有先后。
晚点：蔚来走的不是渐进路线，而一条激进的、高算力平台、全新架构的路线，并且跨大洲量产。什么样的组织结构才能适应这样的技术路线？
任少卿：我们其实做了三次组织调整来适应变化：
2024 年初，不再把感知和规划分开，因为随着模型化，感知和规划之间的上下游关系被打破了。原来支撑这个组织的两套逻辑——上下游、技术栈，都被打破了。那次组织变革，核心是要推动模型的统一化，同时技能上也要统一。
2024 年底、今年初又做了一次组织调整，把研发体系进一步拆分——平台层和交付层分开。原来平台和交付是摞在一起的，做平台的同学要兼顾交付，做交付的同学也要管平台，结果就是大家都很累、效率不高。我们干脆更细化，让平台的同学专心做平台，交付的同学专注交付。
最近的调整是，把研发组织进一步细化成 “4×100 米接力棒” 的模式。就是把研发流程比喻成接力——预研、量产、平台复制、车型复制。这样每一棒的职责都更清晰。
晚点：4×100 米接力棒，怎么接？你会怎么给团队定目标？
任少卿：第一棒是预研。我们单独强调预研，是因为现在新技术引入和迭代的速度比过去快太多了。
一个新东西上线，用户体验就能天差地别，所以预研变成了胜负手。以前是量产团队分点资源做预研，现在我们有独立团队专门盯预研，等跑出一个 MVP（Minimum Viable Product, 最小可行产品），再交给量产。
第二棒是量产。量产团队的使命就是把预研出来的东西，通过数据体系、工程体系和用户反馈闭环，最快速度、最高质量变成用户能真正拿到的功能——这是我们主线的核心，而且我们的平台比较多，必须保证主线高效。
第三棒是平台复制。我们有 4 颗 OrinX 的平台、单颗 OrinX 的平台、双神玑芯片的平台、单颗神玑芯片的平台，未来还会有新的平台。主线功能出来后，要迅速在这些不同的平台上复制，这是第三棒的任务。
第四棒是车型复制。同样的一个平台还有不同的车型， SUV、轿车，大车、小车等。平台有了成熟方案，第四棒要把它快速复制到不同车型上。
4×100 接力棒明确后，各自建立能力，这是铁打的营盘，人可以调动的，“盘子” 是固定的，职责边界不会乱。
晚点：预研充满不确定性，但对于一家公司，很难接受太多不确定性。中间怎么平衡？
任少卿：预研团队要解决的问题，就是怎么把高度的不确定性，通过好的团队、好的模式，最重要也是通过并行的方式，把它收敛成确定的结果——这是预研团队的职责——说白了就是把不确定的东西变成一个确定的东西。
晚点：第三棒是平台复制。蔚来有多个平台，怎么提高复制效率，怎么保证少犯错？
任少卿：第三棒其实也是我们的核心能力，即当主线平台有了之后，怎么在不同的芯片上去做并行的量产，尽量减少时间。我们在数据和工程上现在都非常有竞争力，没有哪一家像我们这么变态。
晚点：多变态？
任少卿：我们发了三代智驾平台。国内我不知道是不是有人发过三代，但肯定没有人三代平台都用过全球首个量产的芯片。你想我们第一代平台是 Mobileye EyeQ4 芯片全球首个量产平台，第二代是英伟达 OrinX 芯片全球首个量产平台，第三代就是我们自研神玑芯片的首个量产，自然也是全球首个量产。
第一代平台 Aspen 当时用的是 Mobileye EyeQ4 芯片，一部分要依赖供应商方案；第二代平台 Banyan 是基于英伟达 Orin 芯片的全栈自研平台，从感知到决策都自己做，这一代在 2022 年 3 月量产；现在的第三代平台 Cedar，我们是基于自研芯片做的首发平台，今年 3 月量产。
任何一代新芯片首发，都会遇到非常多棘手的问题。我们三代都踩过坑，所以团队的工程能力被锻炼得特别强。
晚点：但你刚刚说，你们平台工程的团队也就大几十人，做了这么多事？
任少卿：所以才要统一化。如果真的把三个平台完全分开了，是吃不消的。
有人在微博上调侃，说 “如果 Orin 首发不是蔚来做，就容易出问题”。但其实我们做 Orin 首发的时候，不仅克服了各种难题，还把英伟达平台的量产进度提前了半年，靠的就是工程能力。
晚点：可以举个例子？来说明你们的工程能力是不是真的强。
任少卿：大部分做 Orin 量产的公司会直接用英伟达提供的完整供应链，因为确实好用。我们不这样。我们只保留最底层的 CUDA （Compute Unified Device Architecture，统一计算设备架构），负责硬件适配； CUDA 往上的 cuDNN（深度神经网络库）、框架层、工具层，全都换成了自己的。从 2022 年量产之后就这样做了。
我们当时就知道了我们要自研芯片。很简单的道理：如果全用英伟达的堆栈，自研芯片根本没法对接，英伟达不可能替你适配。所以我们把 CUDA 往上的东西都换掉，形成自有栈。等到自研芯片出来，只要做一层类似 CUDA 的硬件适配层，上面的软件和工具链直接兼容，量产速度就会很快。
晚点：所以很多慢动作，有可能后来会变快；有的人看起来快，但未来会变慢。
任少卿：大家目标是一样的，就是走哪一条路的问题。
晚点：总结来说，蔚来做智驾的优势是什么？有的公司能拼资源，有的公司转向很果断，你们呢？
任少卿：我们底层的这些平台、数据、工程能力，经受了三代架构的 “折腾”，已经被锻炼得比较扎实。同时，现在我们正处在一套新的架构上，重点就是把这套新架构真正做出来。
晚点：你觉得明年的智驾竞争，比拼的是什么？
任少卿：技术端还是会继续往前走。更基础的能力——世界模型，尤其是长时序能力要搞定。
其实这件事不是说 “搞定” 就结束了，要一步一步走。人类能处理的是 3 秒钟、1 分钟，甚至 10 分钟以上的决策，车也得学会。所以我们希望它能像人一样，既能模仿，也能自己规划。
产品端，我觉得大家会更明显地往 L3、L4 走。
晚点：现在蔚来的这套体系可以通往 L3、L4 吗？
任少卿：可以。
简单又高效，才能走得长远——技术、管理、个人追求上，都是如此
晚点：你之前说，真正做得好只有两种情况，一是做了一个之前没有人做过的东西，二是在别人做的东西基础上提升 5 到 10 倍。你觉得你现在做的事情是哪一种？
任少卿：如果想实现第二个，其实比较合理的是先实现第一个。因为在一套非常成熟的架构上，想直接提高 5 到 10 倍，是非常难的。
这也是为什么我们一定要建立一套新的体系，来找到一条又新、又轻松、效果又好的路。
晚点：存在这种路吗——又新、又轻松、效果又好？
任少卿：长期来看，新架构本身就该是 “又新又轻松” 的。因为资源有限，新的架构能让迭代更快、效果更好。
为什么大家要做端到端？旧架构里人力负担太重，边际效率越来越低。一开始投 10 个人和后来从 100 人加到 110 人，效果完全不一样。旧模式是亚线性的，投入越多、回报越低。要把这种负担抛掉，才能进入高效迭代。
晚点：从你的个人审美来说，是不是也倾向于做 “又新又轻松” 的架构？
任少卿： 这是所有技术人都认可的。技术追求的就是是简单高效。复杂高效不可持续，简单不高效没意义。只有简单又高效，才能走得长远。
晚点：用更少的资源把事情做对。
任少卿：对，而且系统达到同样效果，用的资源越少，竞争力和上限就越高。
算力资源可以花，但人的资源最难，因为人越多效率反而越低，这是组织学的亚线性规律。
晚点：刚刚聊到你建立了一个 “4×100 米接力” 的研发组织体系。如果把技术演进也看成一场接力，你的最终目标是什么？在中国第一个实现 L3 吗？
任少卿：L3 只是一个功能形态。我们真正关心的，是让系统更像人：人能处理的问题，系统也要能处理。
从一开始做智驾，我们就盯着两件事：第一解放精力，第二减少事故。尤其是减少事故。我们在去年底、今年初跟四家保险公司打通了数据，结果显示：我们的版本更新之后，整体事故损失下降了 25%。注意，不只是智驾状态，包括人驾在内，所有用户的事故损失都下降了四分之一。
晚点：那你们下一个版本的目标是什么？
任少卿：今年的目标，是把事故损失降低 50%。
晚点：为什么这么强调安全？一般有技术理想的人，似乎更追求 “更大、更快、更强”。
任少卿：某种程度上，这是我觉得最有意义的地方。
你想啊，如果一个车主因为我们的功能避免了一次事故，甚至保护了外面的弱势交通参与者，比如骑电动车的路人，那团队所有人都会觉得自己做的事有价值。这是实实在在的社会意义。
晚点：这也是你当初加入蔚来的原因么？
任少卿：那是 2020 年。那段时间我在想两件事：第一件事，我之前是做 To B 的，我希望能更多接触用户，把自己做的东西真正用到身边朋友的车上；第二件事，当时 AI 的发展进入瓶颈。2016、2017 年是高点，解决了视觉端到端训练、模型可以变大的问题。但到了 2020 年，大家开始怀疑：人工智能还能往前走多远？
我当时感觉大规模数据叠加可能是唯一有希望的路。尤其我做的是视觉，不是语言，需要大量摄像头数据，而且最好是 “动的”，静态的很多东西学不了。而 2020 能有海量动态摄像头数据的地方，除了车企其实没别的选择。
如果 AI 真能靠数据规模再往前走一步，那车企是最佳场景。事实也验证了，2022、2023 年语言模型上的突破，就是这条路带来的。
晚点：没想过自己创业去干这件事吗？
任少卿：我原来就在创业……
晚点：有一段时间，外界不知道蔚来智驾内部到底在做什么，有很多关于你们掉队的质疑。你焦虑吗？
任少卿：首先我不是一个很焦虑的人。
晚点：我之前听说有一段时间你会染粉色的头发、开跑车，这是你缓解焦虑的方式吗？
任少卿：我从来没染过头发（笑）。
晚点：也没有开过跑车，是吗？
任少卿：没有钱（笑）。
晚点：你在蔚来最极限的工作状态是怎样的？
任少卿：其实从我读博开始，基本上都是类似的工作状态。
外界的声音，看完了，就想一想能干啥，其实能干的就两件事——自己的事自己去做；觉得对的方向继续搞。
晚点：有没有以前你觉得不重要，但现在必须重视、必须补上的能力？
任少卿：我不觉得是 “补”，而是不同时间点优先级的变化。我刚到蔚来那两年，重点是量产和数据体系，预研和架构创新当时优先级没那么高。今天就不同了，量产和数据体系我基本不用管，我把更多时间花在了预研和创新上。
我认为要在行业里找别人做得不够好的地方，去形成我们的优势。
晚点：什么情况下，你觉得蔚来智驾可能真的会掉队？
任少卿：我觉得不会。因为现在的团队能齐心协力地往前走，有目标感，我们也有机制去创新。在这个体系内，最重要的是把 “人” 和 “机制” 两件事做好。
现在的智驾体系，人尤其重要，特别是年轻人。我们做的很多事情，都是在给这些有想法的年轻人提供平台，给他们提供做事的可能性。有想法的年轻人，做事其实不需要特别多资源。相比五年前，现在 5 到 10 个人就已经很高配置了，更少都够。
我现在希望能不断地把这种机会扩展出去，如果方便的话，也可以帮我们找一些好的年轻人。
晚点：优秀的技术人才可以去大厂、去 AI 公司，也可以自己搭伙创业。为什么要来蔚来？
任少卿：年轻人考虑无非两点：方向和价值。方向上，大家都知道大语言模型很重要，但和真实世界交互的世界模型更早期，潜力更大。要做这件事，需要大量活的数据和成熟的工程体系，而智驾公司正好具备这些条件。
至于价值，年轻人需要快速反馈，不想只做 Demo。蔚来有这么多车、用户，可以让他们的工作很快变成真实可用的好产品，这一点很重要。
晚点：但他们也可能会说，理想、华为、小鹏也是车企，为什么不去那里？
任少卿：我们的基建更扎实——数据体系、工程体系都是业界领先，能支撑创新，而且方向上更接近 AGI。自动驾驶这个子领域里，可能会有很多争论，但如果放到更大的 AGI 语境下，几乎没什么争议，这是必然要走的路。
晚点：听你说完，我有点理解为什么车企的人会觉得你的管理方式和其他人不一样，你更像是在搭建一个适应于 AI 创新的学习型组织。
任少卿：这是个很好的总结。但整体是个螺旋上升的过程，并不容易。
晚点：今年状态怎么样？
任少卿：最近车卖好了，挺开心的。
晚点：为什么今年特别多你离职的传闻？
任少卿：其实之前也是，我们有时候开玩笑，说友商想挖人的时候就开始传我离职。
晚点：友商来挖过你吗？
任少卿：倒没来挖过我，但是会打电话给我们同事说，你看少卿又离职了，你们来不来？
晚点：这个策略是有效的吗？因为确实有人离职了。
任少卿：我们之前其实也没搞明白这个事，当我们搞明白为什么这样搞的时候，我就跟团队解释，要挖人的时候就开始传离职了。
晚点：会跟李斌解释吗？
任少卿：会。后来他自己都习惯了。
晚点：你好像是新势力中被传离职最频繁的高管。
任少卿：但实际上我干的时间最长（笑）。
晚点：你现在最需要李斌支持你什么？
任少卿：把车卖好（笑）。
晚点：2020 年 AI 发展进入瓶颈，所以你来车企找场景和数据。在大模型日新月异的今天，不会想去尝试其他东西吗？
任少卿：大家都觉得要去做大模型。
晚点：你也这么觉得吗？
任少卿：我不这么觉得。
晚点：你刚刚说要实现物理世界的 AGI，首先也得解决世界模型的问题，有想过做具身智能吗？
任少卿：车本身就是一个具身，除了没腿之外。人形机器人装上腿，也就半个车了，很多技术的点上是互通的。
晚点：如果你现在不做智驾，你会做什么？
任少卿：为什么我做智驾，因为我喜欢，我觉得它看得见、摸得着。
题图来源：百度百科
相关推荐
任少卿的智驾非共识：世界模型、长时序智能体与“变态”工程主义
吉利智驾加速，“一盘棋” 背后的长期主义
智驾行业程序员，可能早于网约车司机被取代
元戎启行周光：智驾最终拼的是AI技术，不只是规模丨具身智能对话
蔚来任少卿：NOP + 辅助驾驶累计开通城区里程超 31 万公里
36氪独家 | 蔚来重拾自动驾驶自研：海外VP离职，原Momenta研发总监任少卿接棒
车企高层为何陆续拜会任正非任总关于安全的这句话震动全行业
“空间智能将像云计算一样，成为人类与物理世界交互的标配”
新智驾独家｜蔚来座舱负责人张磊离职，接任者为原系统软件部负责人吴杰
智能体专题报告：智能体时代来临，具身智能有望成为最佳载体
网址: 任少卿的智驾非共识：世界模型、长时序智能体与“变态”工程主义 http://m.xishuta.com/newsview142928.html
