剛剛結束的廣州車展，有可能被看作是中國端到端智能駕駛技術的分水嶺。

小鵬汽車宣布要向用戶推送了基于端到端大模型的XNGP智能駕駛系統，實現了從高速到城市道路的全場景覆蓋；

小米汽車也展示了其端到端智能駕駛測試實況，并宣布即將于12月推出“車位到車位”全場景智駕先鋒版；

長城汽車則是基于端到端智駕大模型SEE，在廣州車展期間宣布長城汽車全場景NOA的全國開放……

隨著家公司紛紛發布關于端到端智能駕駛的新聞，我們可以看出，端到端智能駕駛開始成為智能駕駛賽道公認的解決思路，并被各大汽車公司高度重視，且投入重金研發。

原因就在于，人們意識到人工智能迫切需要一個實際應用的途徑。而汽車配備了眾傳感器，擁有龐大的用戶群體和豐富的運行數據。

經過年的演進，汽車已被越來越的人認為是人工智能落地的最佳平臺，同時也是大型模型介入現實世界的理想媒介。

一般來說，人工智能的下一步發展將聚焦于具身智能，即機器人領域，而實際上，汽車本身就是一種具身智能的體現。

現在業內大家都公認的智能駕駛第一梯隊，除了華為、特斯拉，FSD在美國驚艷的表現也讓人看到了其中潛力。但讓人意外的是，理想汽車現在也已經躋身到智能駕駛的第一梯隊。

廣州車展期間，理想展示了全新一代智能駕駛技術架構——端到端+VLM雙系統，并宣布OTA 6.5版本車機系統將于11月底正式推送，新增“車位到車位”智能駕駛、全國高速收費站ETC通行功能、后向自動緊急制動等功能。

關鍵，理想發布最新端到端+VLM智駕技術的效果驚艷，成為行業首個全量推送車位到車位的智能駕駛，這引發整個智能駕駛行業的全面關注。

通過端到端的智能駕駛系統，車輛能夠在復雜的交通環境中實現自主駕駛，從起點的車位出發，一直到終點的車位，全程無需人工干預。

而VLM技術的加入，使得理想汽車的智駕系統更加智能和高效。通過視覺和語言模型的結合，車輛能夠更好地理解和處理復雜的交通場景，從而做出更加準確和及時的駕駛決策。

很人認為理想這個智駕能力很像人，而且一發布就能實現車位到車位的智能駕駛，讓人感到不可思議。

實際上，這個現象背后深層次原因，在于理想采用了一套端到端+VLM的智駕思路，而這套思路，可能是智能駕駛現在最合適的解決辦法，也讓理想快速實現了在技術和應用效果方面的超越。

有意思的是，理想這一次在智能駕駛領域后來居上，其實恰恰是第一性創新原理的實際應用。而認真分析理想的這個案例，可能對所有企業在創新領域的投入與發展有非常大的借鑒意義。

一、后來居上的理想找到智能駕駛第一性

想要分析理想是如何實現在智能駕駛領域后來居上的，就要理解智能駕駛真正的第一性或者發展的第一因是什么，從而探尋事物的最初根源，洞察事物的本質屬性。

第一性原理的思維方式要求我們從最基本的事實出發，摒棄所有先入為主的假設和偏見，通過邏輯推理和實證分析，逐步構建起對某一問題的全面理解。

找到第一因，看到第一性，意味著我們需要深入剖析事物的本質，追溯其最初的起因和動力，而不是僅僅停留在表面的現象和結果上。

盡管華為ADS3.0的推出標志著智能駕駛技術逐漸從概念走向實際應用，并開始在市場中普及，但許用戶在車輛啟動后才能激活智能駕駛功能。

在實際駕駛過程中，尤其是在復雜的交通場景下，如路口變道、高速公路收費站的選擇等，智能駕駛系統仍需要頻繁的人工干預。

這種情況不僅影響了駕駛體驗，還限制了智能駕駛模型的進一步訓練和優化。因此，原本被廣泛宣傳的無圖NOA（導航駕駛輔助）場景，實際上已經逐漸淪為一個“偽命題”。

為了實現真正的自動駕駛，讓汽車完全交由智能駕駛系統來控制，這個系統必須具備與人類相似甚至超越人類的能力，能夠應對各種未曾遇到的復雜場景。

此外，系統還應具備在緊急情況下做出快速反應的能力，以確保行車安全。

因此，端到端自動駕駛系統的終極目標是成為一個像人類一樣的智能實體，能夠對路況以及所有可能發生的狀況做出及時且準確的反應。

它不僅需要具備高度的感知能力，還應具備強大的決策和執行能力，甚至在某些情況下能夠超越人類的判斷能力，以應對各種突發狀況。只有這樣，我們才能真正實現完全自動駕駛，讓駕駛變得更加安全、高效和便捷。

這正是智能駕駛技術真正需要實現的理想狀態，而這個狀態也正是智能駕駛技術需要解決的核心問題。

在深入分析整個智能駕駛過程后，理想公司發現，智能駕駛系統需要滿足兩個基本條件：首先是確保安全，這是用戶能夠放心信任智能駕駛能力的前提條件；其次是提供便利性和減少人為干預。

基于這兩個條件，理想公司進一步認識到，智能駕駛能力發展的首要任務是如何為智能駕駛系統配備一個能夠確保安全并能夠迅速根據用戶意圖做出決策的大腦，并利用這個大腦來指揮和協調智能駕駛系統中的各個子系統，以實現最佳的駕駛體驗和效率。

因為只有這樣，才可能真正實現用戶對于智駕能力最核心的要求。

二、找到第一性后的理想

理想后面的動作核心邏輯，其實都是在解決智能駕駛真正實現的第一性問題。

在理想汽車的工程師們看來，要想讓智能駕駛技術達到類似于人類思維的水平，從而做出決策并操控車輛，就必須讓機器學習模型盡可能地模擬人類的思維過程。正是在這種追求下，他們偶然發現了雙系統理論。

這一理論認為人類的思維可以分為兩個不同的系統：一個是快速反應的系統，另一個則是緩慢思考的系統。

這種理論為人類的認知機制提供了一個非常清晰的解釋。快速系統能夠迅速做出反應，處理緊急情況，而慢速系統則負責處理更為復雜的思考和邏輯判斷。這兩個系統共同協作，構成了人類認知和思維的整體機制。

理想汽車的工程師們意識到，他們之前通過系統化的培訓和訓練，所逐漸實現的端到端駕駛能力，如果能夠與大規模模型的分析和決策能力相結合，就能形成一種更為強大的智能駕駛解決方案。

這種結合不僅能夠提升車輛的自主駕駛能力，還能在面對復雜路況時做出更為精準和合理的決策。因此，他們致力于將這兩種技術融合，以期找到解決智能駕駛問題的最佳途徑。

在這樣的認知指導下，理想其實做了三件事：

首先，理想精心設計了一套端到端的智能駕駛模型和能力。

這套模型通過大量的數據訓練和學習，逐步替代了傳統的規則指定和人工標注方法。

通過這種方式，人工智能系統能夠自主地理解和學習真實世界的各種情況，從而逐漸成為智能駕駛動作的執行者。這種用端到端模型進行類似人類思考的方式，可以稱之為“快系統”。

有了這樣的系統，理想開始摒棄以往分段實現端到端的無圖導航輔助駕駛（NOA）方法。

取而代之的，是一種一體化的思維和執行模式。這種模式通過端到端的模擬，盡可能地模擬人類駕駛的過程，同時增加了對安全性的判定和制約機制。

通過這種方式，理想能夠顯著提升智能駕駛系統的可行性和可靠性。

其次，理想汽車在業內率先提出了一個創新的解決方案，即在端到端模型的基礎上增加一個視覺語言模型（VLM）的匹配。這個VLM模型被用作整個智能駕駛系統的核心思維中樞，類似于人類大腦中的“慢系統”。

在智能駕駛過程中，任何需要做出決策的場景，端到端系統都會向VLM提出相關問題，然后根據VLM提供的答案來執行相應的操作。

例如，在高速路口是否選擇走ETC通道，或者在前方發現事故車輛時是否需要進行變道操作，這些決策都會通過VLM模型來進行。理想汽車的核心目標是讓這個VLM模型的思維盡可能地貼近用戶的需求，使得駕駛體驗變得越來越順暢和自然。

這種創新實際上是理想的首創，它模擬了人類的思維過程，通過技術迭代，將VLM模型的參數提升至22億，并部署在端側設備上。這一舉措大大增強了核心大模型的能力，賦予了整個智能駕駛系統更加強大和靈活的思維邏輯。

最后，理想還為了對端到端+VLM進行測試和訓練，構建一個世界模型，這個模型能夠盡可能真實地模擬現實世界的各種情況。

通過這種方式，端到端的智能駕駛模型以及結合視覺語言模型（VLM）的智駕系統，可以在一個虛擬環境中接受各種復雜場景的訓練。

這樣的模擬環境能夠極大地加速整個系統的成熟過程，提高學習和迭代的頻率。通過不斷在虛擬世界中進行訓練和優化，智能駕駛技術能夠實現持續的進步，確保每天都有新的提升和發展。

實際上，找到第一性原理帶給理想很變化。這三件事，其實就是實現了端到端+類人大腦思考+虛擬世界考試的三個智能駕駛節點。

在整個智駕模式升級后，這套系統的優勢，它是當前在物理世界實現人工智能的最優方案。

因為它非常好的模擬了人類認知和思考機制，真正的讓系統擁有了像人類思考和理解世界的能力，這就是雙系統的優勢。

三、創造創新，讓進步成為常態

理想能找到智能駕駛第一性，進而實現在這個領域的后來居上，與他們重視創新，堅持不懈的研發投入有很大關系。

理想汽車董事長兼CEO李想，在接受媒體采訪時表示，“未來三到五年，我認為最大的變量來自人工智能，包含基于真正的人工智能的智能駕駛和基于人工智能的智能助手，它將給消費者帶來和今天完全不同的體驗，這也是真正質變的開始。”

因為他們對于AI所能帶來的變革有深刻的認知，并結合自身對于整個行業的理解，找到了智能駕駛的第一性。也才開始堅持不懈地進行大規模的投入和研發，進而帶動理想汽車智能駕駛能力的快速攀升。

三季報顯示，2024年前三季度，理想汽車的研發費用累計86.6億元，同比增長22.1%，近一年，理想汽車累計研發投入超120億元。在這樣的情況下，理想智能駕駛能力提升非常快。

找到智能駕駛真正的第一性后，理想為了推動自身技術落地，還從數據、算力、算法上做了自己的設計和優化、投入。

一方面，自7月份以來，全棧自研的“端到端+VLM（視覺語言模型）”的新一代智駕方案以每周2至3個版本的速度快速迭代，從7月底開啟千人測試，到11月14日，模型訓練數據規模從100萬clips（有效視頻片段）提升至500萬clips，平均接管里程（MPI）翻了約3.5倍。

截至目前，理想汽車智能駕駛訓練里程已經達到26.7億公里。理想汽車用戶NOA總里程達到14.4億公里，累計使用智能泊車功能超過6417萬次。理想汽車主動安全累計為用戶避免潛在事故360萬次，其中包括超600次烈性潛在事故。

另一方面，理想部署的算力現在6.83EFLOPS的算力，到今年年底預計10EFLOPS，這已經不是10億人民幣，而是20億人民幣的花銷，一年就要消耗20億人民幣。未來進入到L4階段，每年數據的增長和算力的增長，都是呈指數級的增長。

另外，涉及算法，即理想地運用人工智能技術實現自動駕駛。傳統自動駕駛的研發流程包括需求分析、產品設計、功能開發、功能驗證和產品迭代，所有這些環節都融入了設計元素。

設計決定了車輛能夠應對哪些特定場景，而未被設計覆蓋的場景可能無法實現。然而，采用人工智能的方法，從端到端的模型視角來看，理想無需過度設計場景。

只需指示系統模仿“老司機”的駕駛體驗，并輸入理想車主中“老司機”的駕駛數據。這些數據的篩選極為嚴格，從80萬車主中僅3%的數據被認為是真正的“老司機”數據。將這些精選數據提供給模型，模型將根據這些數據進行訓練，其輸出結果將與輸入數據相匹配。

這正是人工智能的精髓所在：你提供什么樣的數據，它就產生什么樣的結果，而不是僅僅設計場景就能保證場景的實現。

這其實正好體現了，理想對于智能駕駛第一性原理的追求，對第一因的追求，從中去發展，去創造，去逐步滲透。

而有了這樣的決策，理想在智能駕駛領域崛起就是一個大概率的事件。這種技術的投入帶來客戶的認知改變，進而推動理想汽車的銷量和利潤率雙雙上升，使得理想汽車獲得了穩定發展的基礎。

寫在最后

創新創造的第一性原理，看起來非常簡單，但對于任何一個想突破關鍵領域技術障礙的企業來說都是，可以選擇的必然突破口。

其實，第一性原理就是演繹法的體現，它提供了一種從最基本的前提出發，逐步推導出復雜現象的方法。

這種方法強調從物質和世界的最本源出發思考問題，不依賴經驗或其它假設，直接從最基本的原則出發進行推理。

埃隆·馬斯克將第一性原理應用于特斯拉和SpaceX等企業的創辦和管理中，強調回歸事物的本質，從最基本的物理和經濟學規律出發進行創新和決策。同樣理想在智能駕駛領域后發先至，依然是第一性原理的成功例子。

現在看，對于這個原理的深刻認知，真正決定了企業在創新領域能走遠。