理想为什么做「端到端」？以及作为后来者 为什么能做？
这次不聊技术，尝试和大家分析下背后原因｜

这次分为四个部分和大家分享：

1｜切换三次架构，理想做「端到端」的背景是什么？
2｜作为后来者， 理想凭什么能做「端到端」？
3｜理想端到端背后 更大的战略。
4｜快速理解理想系统 1 、系统 2、系统 3 。

1｜切换三次架构，理想做「端到端」的背景是什么？

三次技术架构的切换，其实这里主要也是反映李想解决「主要矛盾」的能力。

第一个阶段是理想希望复用高速 NOA 的高精地图方案，高德去年年底也才覆盖大概 20 个城市的高精地图数据，而且只是覆盖城市的部分道路。行不通后理想切换先验信息数据替代部分高精地图。

第二个阶段虽有有先验信息，但需要大量人力+规则。做不到全国都能开后正式切换无图。

第三阶段理想无图（正式抛弃高精地图，选择车端建图）虽然跑通，但没有彻底把“车端建图”这一过程拿掉，而是要做到“像人一样，是对环境能理解、开的像老司机能力“的真正 AI 能力，才切换到端到端。

李想本人试了后非常满意。现在李想所有测试车里已经没有无图 NOA 版本，都是端到端版本，也坚决投入。

解决 NOA 的能力，虽然一年三次切换。但和李想当时反思 MEGA 问题非常类似。从发现问题、找到问题本质、提出解决方案、全力投入驱动方案。


2｜那作为后来者， 理想凭什么做「端到端」？

要做端到端有三个现实问题，缺一不可：闭环开发能力+健康的现金流+数据流。

我们会发现，目前车企中需要同步闭环这三个能力的，非常少数。

只有数据自动化闭环能力基础做好了，才能挖掘更多精细数据流，训练卡才能动起来，模型才能跑的更丝滑，不然再多的卡也是白干。

所以端到端不是一剂“良药”，一来就可以拯救自动驾驶，用不好可能是一剂“毒药”（太低下限，模型无法收敛）。

其次现金流上，即使租像 A100、A800 的算力训练卡一年都要烧掉将近 10 个亿。所以公司必须要有稳态现金流。接下来车端算力需求肯定会越来越大，因为跑的参数量也会越来越大。训练卡+车端芯片目前看还有很大的需求空间。

那数据流来自哪里？肯定就是看这个品牌的销量，销量越大数据精细度才能更高。

可以看到这三个能力缺一不可。即使很多传统车企看起来销量够大、数据量也大，但数据闭环不了，训练也起不了太大作用。

所以大部分传统车企想要构建强大的闭环数据能力，接下来更多的可能就是寻找供应商，话语权的车企更多是合作数据闭环，但数据不分享。

所以非自研的车企和供应商最大的博弈点也在这里。


3｜理想端到端背后 更大的战略。

理想这么猛 all in 端到端，是为了啥？总不能就为了全国都可开？

郎博提到了一句话：新架构是解决人工智能在物理世界映射的一个思路。

这里最简单的理解是理想并不是要做自动驾驶，而是人工智能公司。

自动驾驶是一个功能，人工智能是公司的一个能力。前者是做需求开发，后者是整个造车思路的转变。

理想希望用的是 AI 的能力实现自动驾驶+X。而不是通过自动驾驶来创建 AI。我觉得这是端到端开始后，理想思考问题的本质变化。

成为一个 AI 平台级汽车公司需要需要具备四个核心能力：研发能力、计算平台、训练平台、车辆需要卖的足够多。

可以看到理想目前在这个四个领域分别都有一定的闭环能力。包括争议较大的算力，如果严谨的说目前理想智能驾驶算力是 2.4EFLOPS 左右，但是储备算力有 4.5EFLOPS 左右。

这些和理想技术平台切换到端到端以及成为平台级公司的关键，当然自动驾驶只是理想的一个开始。


4｜最后，如何更好的理解系统 1、系统 2，甚至还有系统 3？

《思考，快与慢》书中，丹尼尔提到人类大脑有快与慢两种作决定的方式。常用的无意识的“系统1”能够迅速对眼前的情况作出反应，对应的就是理想的端到端，也就是可以学习出来像人条件反射、肌肉反射的能力。

目前系统 1 训练是从 12 亿数据库里，理想设定了一个「老司机的数据」筛选库。凭借研发、产品和整车主观评价团队制定标准，然后再通过打分抓取数据，这里的数据量最后大概只有 3% 。

系统 2 主要兜底端到端处理不了的 5% 的特殊场景。但两者的训练方式不同，系统 2 需要学习的是互联网各大文献书籍、驾驶技巧与规则、人为精标数据三种。它更像一个 ChatGPT 一样，实时学习并且有对话交流能力，辅佐系统 1 。

系统 3 就是一套自生成的题库，像每次摸底考试一样不断验证系统 1、2 的能力。是一个重建+生存式的世界模型，可以做到类似 Alpha-GO 的强化学习能力。