特斯拉CEO埃隆馬斯克在2023年發(fā)起了一場(chǎng)特斯拉智能駕駛軟件FSD V12的直播活動(dòng)——視頻中的這輛特斯拉基于最新的端到端技術(shù)，軟件刪除了大量的工程師規則代碼，轉而采用主神經(jīng)網(wǎng)絡(luò )算法。車(chē)輛基于自主視覺(jué)和神經(jīng)網(wǎng)絡(luò )來(lái)指示車(chē)輛在何處減速，識別交通信號燈，以及道路上任何參與者，并進(jìn)行自主決策。

　　這一技術(shù)隨后引發(fā)了從行業(yè)內到科技愛(ài)好者，甚至是汽車(chē)普通消費者極大的討論和興趣。

　　端到端技術(shù)的出現，拉平了很多做智駕的汽車(chē)公司的起跑線(xiàn)，大家又重新站在一個(gè)起點(diǎn)，開(kāi)啟了一場(chǎng)數據和算力的長(cháng)跑。

　　端到端技術(shù)受到強數據的影響，模型的搭建和數據的獲取數量，尤其是有效質(zhì)量的數據獲取，影響著(zhù)技術(shù)的快速迭代。

　　在中國市場(chǎng)，擁有著(zhù)“主場(chǎng)優(yōu)勢”的自主汽車(chē)廠(chǎng)商開(kāi)啟了又一場(chǎng)智駕的長(cháng)跑，同時(shí)認為特斯拉FSD領(lǐng)先優(yōu)勢會(huì )在這個(gè)階段被抹平的觀(guān)點(diǎn)不在少數。

　　理想汽車(chē)智能駕駛研發(fā)副總裁郎咸朋博士也認為，從技術(shù)架構上，理想最新的方案和特斯拉沒(méi)有太大差別，甚至更領(lǐng)先一點(diǎn)。因為理想有VLM模型，有系統2，特斯拉只是有系統1的端到端。

　　理想汽車(chē)的端到端模型是One Model一體化端到端，與市面上其他汽車(chē)企業(yè)的端到端有些許不同。

　　常規的端到端技術(shù)，是只用人工智能模型，機械自學(xué)習的方式，去替代智能駕駛過(guò)程中的感知、規劃控制等模塊，從視覺(jué)的“輸入”端，到智能駕駛系統最后控制車(chē)輛自行駛“輸出”端，都完全由模型來(lái)處理。一個(gè)純“端到端”的技術(shù)在這個(gè)過(guò)程不再設置規則式代碼，成為一個(gè)完全的黑盒。

　　但市面上的很多汽車(chē)企業(yè)的端到端，包括特斯拉、華為和小鵬等走得相對靠前的廠(chǎng)商，仍然會(huì )設置一定的底層負責安全冗余的算法。感知、規劃控制可能會(huì )是相對獨立的模塊，接口仍然需要被人工定義，和連接。

　　One Model一體化的端到端意在把感知、規劃控制模塊放在一起，在理想的內部被稱(chēng)為系統1，更像是一個(gè)司機，快速地執行端到端的決策。

　　過(guò)去，端到端在智能駕駛領(lǐng)域的應用，經(jīng)常會(huì )遇到上限高，但下限也低的問(wèn)題。比如業(yè)界領(lǐng)軍企業(yè)特斯拉在美國加州的測試非常的絲滑，表現得已經(jīng)很像一個(gè)人類(lèi)司機，但一旦進(jìn)入到不太熟悉的地區，會(huì )出現難以解釋的規控決策。

　　按照理想的說(shuō)法，VLM視覺(jué)語(yǔ)言模型是世界上第一個(gè)成功部署在車(chē)端芯片的大模型，具備應對復雜場(chǎng)景的邏輯思考及決策能力。

　　除了One Model端到端之外，系統2——VLM是作為輔助系統1進(jìn)行規劃決策的另外一套模型算法?；赩LM的系統2能夠提供復雜環(huán)境的理解能力、讀懂導航地圖的能力以及交通規則的理解能力。

　　郎咸朋給這套組合一個(gè)更通俗的解釋?zhuān)合到y1就像是司機，而系統2是一個(gè)駕校教練。系統1完全靠自己的視覺(jué)感知，執行操作，系統2需要長(cháng)期積累知識給系統1提醒和告知。

　　理想汽車(chē)智能駕駛高級算法專(zhuān)家詹錕，他的團隊率先提出了這個(gè)概念。仿照認知心理學(xué)家、諾貝爾獎得主丹尼爾·卡尼曼——其認為，人腦就帶有這樣的兩個(gè)系統，第一個(gè)系統基于經(jīng)驗和直覺(jué)，第二個(gè)系統會(huì )綜合學(xué)習積累的邏輯推理能力。

　　兩個(gè)系統為整個(gè)理想的智能駕駛服務(wù)，這也讓理想的智能駕駛方案完全不同于其他車(chē)企。

　　但在中國市場(chǎng)，理想的策略似乎是在復刻一條“中國特斯拉智駕之路”，使得自己的身位更靠前一點(diǎn)。

　　郎咸朋稱(chēng)，“在中國的訓練算力和訓練數據上，我們認為至少從現在看我們是領(lǐng)先于特斯拉的，因為特斯拉不管是數據的合規性，還是受到中國的一些約束，以及訓練算力的部署，在中國還需要搭建?！?/p>

　　理想稱(chēng)，世界模型支撐了全新一代理想智能駕駛大范圍、高速迭代，提供了自動(dòng)化的AI能力評價(jià)體系，通過(guò)重建技術(shù)將用戶(hù)遇到的問(wèn)題場(chǎng)景變成“錯題集”，通過(guò)生成技術(shù)將用戶(hù)的真實(shí)駕駛場(chǎng)景舉一反三為“模擬題”，兩個(gè)技術(shù)確保了在模型評價(jià)時(shí)錯題不再做錯，同時(shí)兼具優(yōu)秀的泛化能力。

　　基于理想One Model+VLM+世界模型的技術(shù)方案，這也讓全新一代的理想智能駕駛產(chǎn)品邁入了“有監督的自動(dòng)駕駛”新階段。

　　理想是第一家將VLM部署到Orin-X芯片的企業(yè)，也是第一個(gè)邁出雙系統架構的車(chē)企。在中國，理想已經(jīng)擁有接近百萬(wàn)級的銷(xiāo)量規模，這勢必會(huì )提升有效數據的占比。理想汽車(chē)目前累積的訓練里程已超過(guò)22億公里，預計到2024年底將超過(guò)30億公里，理想汽車(chē)當前訓練算力達到5.39EFLOPS，預計到2024年底將超過(guò)8EFLOPS。

　　但業(yè)界對于端到端技術(shù)的應用和前景仍然是爭吵不休——有人認為沒(méi)有500億做不了智駕，有人認為至少在未來(lái)幾年內，基于規則的模型算法和單一模塊功能的端到端仍然會(huì )并行，純端到端仍然是扯淡。

　　一定程度上，理想用戶(hù)體驗團的測試效果驗證了這條路目前的合理性。無(wú)論如何，理想汽車(chē)率先邁出了這一步。

　　以下是和理想汽車(chē)智能駕駛研發(fā)副總裁郎咸朋博士、理想汽車(chē)智能駕駛高級算法專(zhuān)家詹錕的交流速記，對話(huà)經(jīng)過(guò)不修改原意的編輯：

　　詹錕：端到端是一種研發(fā)的范式，顧名思義，它是指做一個(gè)任務(wù)，從最開(kāi)始的輸入端到最后的輸出端，中間沒(méi)有其他的過(guò)程，用一個(gè)模型完整從輸入到輸出，這是端到端的本質(zhì)含義，只要滿(mǎn)足這個(gè)含義的，我們都可以稱(chēng)之為端到端。

　　現在理想汽車(chē)是一體化One Model端到端，通過(guò)直接傳感器輸入，模型推理完畢后直接給到軌跡規劃用來(lái)控車(chē)，這就是一體化端到端，中間沒(méi)有其他步驟。還有一種端到端的方法，是在中間分兩個(gè)模型，模型中間以一個(gè)信號做橋接，輸入是一個(gè)感知的模型，把感知結果再輸入歸控模型，合在一起成為一個(gè)模塊化的端到端，這或許也能稱(chēng)為一種端到端，但是我們認為這樣的端到端并不是真正的端到端。理想汽車(chē)的端到端本身想解決中間信息的損失，如果中間加了人為的信息消化過(guò)程，可能效率不是那么高或能力上限受到約束，所以我們認為一體化的端到端是更本質(zhì)的端到端。

　　提問(wèn)：我們是不是受到特斯拉的啟發(fā)，相比于傳統的模塊端到端有沒(méi)有什么區別？

　　詹錕：特斯拉的確在2023年初就提到了端到端，也是馬斯克在推特上說(shuō)它體現了一個(gè)完整的從輸入到輸出直接控車(chē)的模型。大家看到這個(gè)消息后也很震驚，因為這個(gè)東西并不是他們剛提出來(lái)，在2016年的時(shí)候英偉達就有一個(gè)模型提到了端到端，也發(fā)表了一篇論文，但效果一般，只解決了特別簡(jiǎn)單的場(chǎng)景，以當時(shí)的算力和模型規模下，大家認為這條路是行不通的。

　　到2023年，在新的transformer的架構上增加了超大算力，特斯拉做出來(lái)之后，又可能出現一個(gè)新的范式的復蘇。端到端不是特斯拉第一個(gè)提出來(lái)的，但在往更有成長(cháng)的方向上推進(jìn)。我們看到以后，內部也在思考，端到端相比于以前模塊化的模型，更本質(zhì)的方法是減少了各種信息的冗余。在無(wú)圖上，我們接近于模塊化的端到端，我們有感知大模型，其實(shí)就是一種模塊化的端到端模型。即使這樣，我們發(fā)現端到端的模型還是需要規則，還是有分模塊的數據和分模塊的策略任務(wù)。

　　我們這次在新的方案討論和構思上，提出端到端一定要更徹底、更本質(zhì)。理想汽車(chē)有非常豐富的數據，我們相信這些數據是能夠支持我們做好的，這是我們的優(yōu)勢。所以我們選擇了挑戰更大、更困難的端到端一體化架構，它的上限很高，但缺點(diǎn)是訓練比分模塊的要難，包括數據配比和訓練方法有很多的know-how需要去探索和挖掘，但我們還是毅然決然地選擇了難而正確的道路。

　　提問(wèn)：現在很多品牌提出自己是引領(lǐng)者，理想汽車(chē)也在說(shuō)已經(jīng)躋身智能駕駛第一梯隊，怎樣評價(jià)市面上這些企業(yè)的端到端的技術(shù)水平？

　　郎咸朋：從技術(shù)方面來(lái)看，對于普通消費者來(lái)說(shuō)，他們并不關(guān)注是有圖還是無(wú)圖，端到端還是非端到端，大家最終關(guān)注的是產(chǎn)品和使用的體驗，是產(chǎn)品價(jià)值。所以，我們不是要和誰(shuí)比，而是希望能夠為我們的用戶(hù)提供更好的產(chǎn)品和服務(wù)。之前配合高精地圖的高速NOA，高速NOA的體驗達到了用戶(hù)的使用需求。接下來(lái)，我們在做城市NOA的過(guò)程中嘗試了很多種方式，其中一個(gè)很簡(jiǎn)單的思路是用有圖的方式做城市NOA，但是發(fā)現并沒(méi)有一個(gè)圖商能夠提供城市的高精地圖，只能提供輕圖。但我們認為輕圖不行，因為一旦需要迭代圖，就會(huì )出現時(shí)效性和是否能夠真正使用的問(wèn)題。我們不能夠讓用戶(hù)感受到某個(gè)地方今天能用但明天就無(wú)法使用。

　　最后，我們決定就做無(wú)圖。以前的無(wú)圖方案還是感知、規劃、分模塊的方案，里面有大量的人工規則和實(shí)車(chē)測試，先不說(shuō)預算投入方面，時(shí)間上就非常困難。當模型迭代出來(lái)，如果想將一年四季的各種情況都跑一遍，沒(méi)有一兩年時(shí)間是不可能實(shí)現的，而且用戶(hù)也不可能等那么久。所以我們又迭代到端到端+VLM技術(shù)架構，我覺(jué)得這個(gè)技術(shù)方案，本質(zhì)上是人工智能方案，它不是設計出來(lái)的，而是自己成長(cháng)出來(lái)的。

　　另外，今天我向大家介紹了世界模型的內容。這個(gè)能力在我看來(lái)，是實(shí)現自動(dòng)駕駛快速迭代的最重要的且最必要的保證。一個(gè)模型迭代，如果用傳統的方式需要用大量的車(chē)、人、時(shí)間做測試，但是現在使用生成和重建技術(shù)，將以前出現問(wèn)題的場(chǎng)景收集回來(lái)，自己組建錯題場(chǎng)景庫。就是每次發(fā)布之前，單純的錯題就做了一千多萬(wàn)公里的測試，而且這是有效的錯題集，不是隨便亂跑的路試。除此之外，我們還可以生成場(chǎng)景、模擬場(chǎng)景，這也是幾千萬(wàn)個(gè)場(chǎng)景測試?，F在用這種方式進(jìn)行模型迭代比原來(lái)整車(chē)或者路試的方式要可靠得多，而且一年四季各種場(chǎng)景全都可以涵蓋。這是我們的做法，其他友商品牌是不是這么做的，我們并不知道，但是我們完全是根據用戶(hù)需求出發(fā)。我們迭代技術(shù)，不是為了技術(shù)而技術(shù)，而是這個(gè)技術(shù)確實(shí)能解決用戶(hù)的需求，能帶來(lái)更好的產(chǎn)品體驗，那么我們就做這個(gè)事情。

　　提問(wèn)：前不久有人提出“沒(méi)有500億做不好智駕”的觀(guān)點(diǎn)，您對此有什么看法？

　　郎咸朋：關(guān)于500億，需要判斷是一次性投資還是長(cháng)期投資，就像今天提到的我們每年都會(huì )有10億美金投資在智駕研發(fā)中，如果連續10年的線(xiàn)億的。

　　端到端+VLM的技術(shù)架構是一個(gè)分水嶺。之前我們還是在用傳統方式做自動(dòng)駕駛，從這一代開(kāi)始，才是真正用人工智能的方式做自動(dòng)駕駛。接下來(lái)做自動(dòng)駕駛的研發(fā)，核心競爭就是是否有更多更好的數據和與之配套的算力去訓練模型。而算力和數據的獲取，需要看花多少錢(qián)、投入多少資源去做。而這其中有些東西是用錢(qián)買(mǎi)不到的，比如訓練數據，訓練里程，各家車(chē)企有自己的數據，相互之間并不會(huì )互通共享。

　　另一個(gè)需要投資的是算力，我們現在5.39億EFLOPS的算力，到今年年底預計8億EFLOPS，這已經(jīng)不是10億人民幣，而是20億人民幣的花銷(xiāo)，一年就要消耗20億人民幣。未來(lái)進(jìn)入到L4階段，每年數據的增長(cháng)和算力的增長(cháng)，都是呈指數級的增長(cháng)，這也就意味著(zhù)每年至少需要10億美金（六、七十億人民幣）。而5年之后，它需要持續迭代，在這樣的量級下，一家企業(yè)的盈利和利潤不能支撐投入的話(huà)是很困難的。所以，現在并不需要關(guān)注投入多少億做自動(dòng)駕駛，而是從本質(zhì)上出發(fā)，是否有充分的算力和數據支持，再看看需要投入多少錢(qián)。

　　提問(wèn)：如何保證在數據量不是十分大的時(shí)候模型的安全性，從概念上看，我們現在是不是同樣屬于一種“Two-Models”？

　　郎咸朋：“安全性”是一個(gè)備受關(guān)注的問(wèn)題，是否存在配合的問(wèn)題，有沒(méi)有獨立的安全模塊等等。大家之所以有這些問(wèn)題，還是因為大家站在過(guò)去的非AI自動(dòng)駕駛研發(fā)角度在思考。比如我以前是騎馬的，他會(huì )問(wèn)我汽車(chē)上有馬鞍嗎？是因為大家還沒(méi)有真正理解什么是AI的做法，什么是非AI的做法，這是第一點(diǎn)。

　　第二，現在很多人都說(shuō)自己是端到端模型，但是真正的做端到端，還是要看兩個(gè)能力：有沒(méi)有足夠多的數據和有沒(méi)有充足的算力。否則，我覺(jué)得很難做出真正的端到端來(lái)，因為端到端是AI的做法。

　　第三，端到端能力的上限和下限都很高。我類(lèi)比一下，在CNN（深度神經(jīng)網(wǎng)絡(luò )模型）出來(lái)之前大家還在用傳統的機器學(xué)習的方法做一些工作，比如我們熟知的圖像分類(lèi)任務(wù)，當時(shí)SVM類(lèi)算法遇到了瓶頸，但是CNN一出來(lái)就碾壓了他們10%+的提升。我想表達的是，大家還沒(méi)有真正理解到端到端的能力，我們不會(huì )貿然的推給內測用戶(hù)。

　　在我們使用非AI方式的時(shí)候，在縱向控制這一個(gè)細節上我們要考慮到非常多的場(chǎng)景，這樣在做場(chǎng)景規則設計的時(shí)候要設置非常多的條件，規定在某種條件下需要采取怎樣的策略。但是當我們第一個(gè)版本的端到端模型訓練出來(lái)的時(shí)候，我發(fā)現它在每一個(gè)路口或者需要縱向控制的條件下都會(huì )非常舒適。我們并沒(méi)有針對特殊情況進(jìn)行調試，是模型自己訓練出來(lái)的能力。能夠發(fā)現，我們在做規則的時(shí)候有很大的問(wèn)題，因為場(chǎng)景過(guò)于多樣化，我們不可能針對所有的場(chǎng)景進(jìn)行規則的設定。但是我們用AI的方式做端到端模型的時(shí)候就會(huì )發(fā)現它有這種魔力，我們把數據給它，它就能真正學(xué)習到這些人開(kāi)車(chē)的經(jīng)驗，不僅能學(xué)到上限，也能夠大幅度的提升下限。雖然它依然有自己的局限性問(wèn)題，但是我們解決他的方式不再是設定規則，而是給它更多更優(yōu)秀的數據。

　　同樣我們也有兜底的策略，在控制模塊上。因為我們端到端是傳感器輸入到軌跡輸出，軌跡輸出后給到轉向、制動(dòng)模塊，在這個(gè)地方我們是有安全兜底策略的，比如它打算去進(jìn)行急轉彎180°的專(zhuān)項，我們會(huì )對他進(jìn)行約束，但是這種類(lèi)似的規則非常非常少，相比于之前的做法可以忽略不計。

　　同時(shí)，我們提升了安全的底線(xiàn)和能力上限，我們的做法是不斷給它優(yōu)質(zhì)的數據，它一定會(huì )學(xué)到很多安全的駕駛習慣。

　　詹錕：無(wú)論做端到端還是VLM，數據都是最重要的，大模型一直在強調高質(zhì)量數據。所以我們的第一步就是數據來(lái)源的清洗。我們對駕駛數據的選擇是非常嚴格的，我們對每個(gè)車(chē)主都有一個(gè)內部的打分，包含各個(gè)維度，并且進(jìn)行加權，比如是否駕駛違規、是否長(cháng)期壓線(xiàn)、是否停過(guò)停止線(xiàn)、是否開(kāi)車(chē)過(guò)程中急打方向盤(pán)或有不舒適等等，綜合各種指標打出來(lái)的分數最后選擇前3%的用戶(hù)作為“老司機”。在理想大規模數據的情況下，即使前3%也是非常大的數據量級，依然能夠保證我們拿到的數據是非常好的，至少駕駛行為是規范的，是舒適的、合理的，把這些數據給端到端就很好。

　　第二層還有篩選，在模型訓練過(guò)程中，我們還要對模型的樣本進(jìn)行一些場(chǎng)景的匹配和分類(lèi)，有很多極端的，比較難的場(chǎng)景，會(huì )有評價(jià)的模型、評價(jià)的手段，以及一些規則都可以把數據清洗出來(lái)，給數據各個(gè)類(lèi)型做很詳細的標簽分類(lèi)。

　　最后一層，我們在訓練過(guò)程中會(huì )知道哪些樣本是很難學(xué)習的，進(jìn)行學(xué)習策略的調整，包括我們會(huì )故意構造一些合成數據進(jìn)行強化學(xué)習和對比學(xué)習。針對我們的數據做一些學(xué)習方法的調整，這樣下來(lái)對我們整個(gè)端到端的數據，VLM的數據都是很好的校驗和清洗，給到的模型會(huì )更好。這個(gè)過(guò)程不是一蹴而就的。

　　郎咸朋：還有一個(gè)問(wèn)題，臟數據的問(wèn)題。我們的數據量訓練還是比較大的，我們后面即使有非常小的臟數據，因為AI的能力訓練并不是有一個(gè)污點(diǎn)就能污染整個(gè)效果的，所以只要準確的數據量足夠大，有一點(diǎn)點(diǎn)干擾數據也沒(méi)有太大的關(guān)系。

　　提問(wèn)：過(guò)去幾年智駕的技術(shù)戰快速變化經(jīng)歷了幾次大迭代，端到端+VLM會(huì )是一個(gè)有長(cháng)期生命力的構架嗎？

　　郎咸朋：端到端+VLM是模擬人類(lèi)思考認知的架構，因為我們做人工智能，最終是希望可以實(shí)現擬人或者類(lèi)人?？吹健端伎?，快與慢》這本書(shū)之后受到了很大啟發(fā)，最終就想知道人是怎么做認知和思考的，目前的人工智能的框架我們認為是做的非常合理的，而且我們也很欣喜的看到，在我們提出后，行業(yè)內很多企業(yè)也開(kāi)始提起雙系統理論的好處，并且在嘗試跟進(jìn)。而且雙系統理論，不僅可以用在自動(dòng)駕駛上，它也是未來(lái)人工智能甚至智能機器人的范式。自動(dòng)駕駛可以說(shuō)是一個(gè)輪式智能機器人，只是工作范圍是道路。所以，我覺(jué)得是有一定的長(cháng)期行為力的，但技術(shù)發(fā)展是無(wú)窮無(wú)盡的，我們會(huì )保持對先進(jìn)技術(shù)的敏捷感知，如果有新的技術(shù)我們也會(huì )追蹤。

　　提問(wèn)：理想目前感覺(jué)自己和特斯拉智駕的差距有多大，大概什么時(shí)候能夠追趕上？

　　郎咸朋：去年的時(shí)候，我回復過(guò)差半年，今年可能還會(huì )再小一點(diǎn)。第一，從技術(shù)架構上，我們跟特斯拉沒(méi)有太大差別，甚至更領(lǐng)先一點(diǎn)，因為我們有VLM，有系統2，特斯拉只是有系統1，端到端。第二，在中國的訓練算力和訓練數據上，我們認為至少從現在看我們是領(lǐng)先于特斯拉的，因為特斯拉不管是數據的合規性，還是受到中國的一些約束，以及訓練算力的部署，在中國還需要搭建。在這個(gè)層面上看，我們在中國，可能跟特斯拉差距并沒(méi)有那么大，我們也特別希望特斯拉能加入進(jìn)來(lái)，互相學(xué)習，專(zhuān)注做自身的提升。

　　提問(wèn)：有一種觀(guān)點(diǎn)認為智能駕駛的AI路徑不太對的，不認為這條路徑能走通，因為L(cháng)2更注重低成本或者通用性，但L4的安全性解決后才能有通用性，所以量產(chǎn)車(chē)能不能做L4？

　　郎咸朋：第一，我們認為一切還是從用戶(hù)的需求和用戶(hù)價(jià)值出發(fā)。理想汽車(chē)做的任何產(chǎn)品，都一定是要超越或滿(mǎn)足用戶(hù)價(jià)值的，用戶(hù)覺(jué)得有價(jià)值我們才做。我們認為用戶(hù)對自動(dòng)駕駛一定是有需求的，所以我們不可能設計用戶(hù)只能在成都開(kāi)L4，其他地方開(kāi)不了。

　　第二，漸進(jìn)式或者跨越式的技術(shù)路線(xiàn)，是各品牌都可以去討論并選擇自己的技術(shù)路線(xiàn)，但是理想汽車(chē)一定會(huì )選擇一條滿(mǎn)足用戶(hù)需求的技術(shù)路線(xiàn)，我們現在選擇用人工智能的方式去做自動(dòng)駕駛。之前叫輔助駕駛是系統輔助人來(lái)開(kāi)，主體是人。但是到現在端到端+VLM這個(gè)階段后，我們認為是變成車(chē)自己在開(kāi)。訓練出完整模型之后，模型自己有能力開(kāi)好這個(gè)車(chē)，我監督這個(gè)車(chē)哪里不行或者有提示需要接管，但是主體一定是車(chē)，人作為一種監督的輔助角色，如果達到這個(gè)程度就滿(mǎn)足了我們用戶(hù)對自動(dòng)駕駛的需求，這是我們的邏輯。

　　郎咸朋：標配和免費都是理想從第一天開(kāi)始進(jìn)入智能駕駛就制定的策略，“有監督的自動(dòng)駕駛”對所有AD Max的車(chē)主都是不收費的。交付量比較好且企業(yè)經(jīng)營(yíng)穩健，也有足夠的資源投入智駕研發(fā)。交付量是非常重要的一個(gè)衡量指標，對于我們來(lái)說(shuō)不是單純卷交付量，而是還能為自動(dòng)駕駛提供更多的車(chē)輛訓練里程。JN江南官方JN江南官方