在外界印象中，理想的智駕一直是追趕者的狀態，但在ALL IN端到端后，理想竟自信地說已經超過特斯拉了。

日前，理想汽車智駕團隊詳細發布了“端到端+VLM”方案，不同于國內同行的“分段式端到端”，理想的方案是被稱為“One Model”的一張大網。

這是目前自動駕駛架構演進的最終形態，該階段不再有感知、決策規劃等模塊的明確劃分，從原始信號輸入到最終規劃軌跡的輸出，采用一個深度學習模型，完整無損地應用于自動駕駛。

1、死磕端到端“最終版”

在理想智駕研發副總裁郎咸朋看來，死磕“最終版”的端到端，正是理想得以彎道超車的秘密。

“過去的智駕方案，不管是輕圖還是無圖，底層技術架構都是有人為設計成分的，如果想將一年四季各種情況都跑一遍，沒有一兩年時間是不可能實現。所以我們迭代了端到端+VLM技術架構”，郎咸朋認為，該架構是AI自己生長的，“真正變成車自己在開”。

不僅如此，理想開始打造“世界模型”來加速智駕AI的訓練，“世界模型可以生成、模擬場景，這是幾千萬個場景測試”，理想智駕高級算法專家詹錕表示，這是實現智駕快速迭代最重要、且最必要的保證，并且“世界模型”還成為碾壓端到端的存在。

“它可以根據當前的環境預測未來，能推理出未來的場景。比如球滾到路中間，端到端只會剎車，世界模型會想后面是不是還有小孩沖出來?它對世界有更宏觀綜合的判斷”。詹錕表示，理想在上車端到端的同時，就已經預研下一代技術了。

因此郎咸朋凡爾賽地表示，“我們跟特斯拉沒有太大差別，甚至更領先一點”。

敢于與特斯拉FSD這個全球智駕標桿掰手腕，不僅在于理想雙系統架構的超前，更在于理想在新勢力當中領先的銷量和財力。郎咸朋說真正做到端到端要看兩個能力，“有沒有足夠多的數據和充足的算力，因為它是AI訓練”。

他表示，為了訓練好自家智駕系統，理想對數據質量要求極高，只精選3%“老司機”數據喂給AI，而在80萬車主基數下數據量已經足夠龐大;為了消化這些數據，理想到今年底要將算力提升至8億EFLOPS，“這是一年20億人民幣的花銷”。

在郎咸朋眼中，高階智駕是巨頭才能玩得起的游戲，“未來到L4階段，數據和算力的增長都呈指數級，每年至少需要10億美金，一家企業的盈利和利潤不能支撐投入的話就很困難”。

靠著端到端的初步上車，理想已經獲得了銷量的快速轉化。接下來它還要持續發力這個“頭號工程”，這或許將是帶領它未來比肩比亞迪、特斯拉的關鍵一環。

2、構筑技術護城河

“我們已經進入智駕行業的第一梯隊。鴻蒙智行是我們在市場上最強的競爭對手。”第二季度財報電話會上，理想汽車CEO李想對公司在智駕領域的表現充滿信心。

幾天后的成都車展上，理想汽車宣布了智能駕駛的最新進展和未來規劃，也再次驗證了李想的說法。7月15日，理想汽車完成了無圖NOA向全量AD Max用戶的推送，截至目前，全量推送全國都能開的無圖NOA的車企只有華為、理想和小鵬三家，而在已開放無圖NOA的車企中，理想的智駕累計行駛里程最多，達到了22億公里，今年年底預計達到30億公里，有望在全球范圍內位居領先水平。

無圖NOA的發布，進一步加強了理想在售車型的競爭力，理想汽車智能駕駛滿意度調研顯示，用戶在滿分10分的調研中，對理想智能駕駛給予了9分的高度評價。理想全國門店開啟無圖NOA試駕后，門店NOA試駕率實現倍增，30萬元以上車型AD Max銷量占比達到近70%。

更為重要的一步，是理想汽車在端到端智駕領域的進展。不同于其他車企普遍采用的分段式端到端，理想汽車的全新智能駕駛技術架構基于端到端模型、VLM視覺語言模型和世界模型，采用了更先進的One Model一個模型，是真正意義上能夠與特斯拉站在同一起跑線上的端到端。

7月底，這一全新智能駕駛技術架構成功在車端落地并開啟千人內測，不到1個月的時間用戶總城市NOA行駛里程達到21.1萬公里，單日城市NOA駕駛最長里程391公里，單次零接管城市NOA最長里程81.6公里。車展現場，理想汽車宣布正式開啟萬人體驗團的招募，新一代產品將進入有監督自動駕駛的新階段。

無論是無圖NOA的全量推送，還是領先的端到端技術架構的推出，都幫助理想汽車構筑起了智能化領域更深的品牌護城河，搶占了未來發展的先機。而自動駕駛研發的核心競爭，取決于是否有更多更好的數據，和與之配套的算力去訓練模型，理想汽車超90萬用戶提供的超22億智能駕駛里程，以及5.39EFLOPS的訓練算力，是保證全新一代智能駕駛高速迭代的核心要素。

這背后必然離不開大手筆持續的資金投入。據悉，理想汽車每年在訓練算力的投入超過10億人民幣，而根據理想汽車的估算，最終實現自動駕駛需要的訓練算力要達到100EFLOPS的量級，相當于每年在算力上的投入就要超過10億美金。

在研發上，理想汽車從不吝嗇投入，第二季度研發費用達到30億元，同比增加24.8%，并且連續三個季度的研發投入都達到了30億元。截至第二季度末，理想汽車的現金儲備高達973億元，近千億的資金儲備也讓其能夠更加從容地應對技術研發的高投入。

當然，想在智駕上保持領先，只有資金投入還遠遠不夠，端到端智駕本質上是人工智能方案，背后需要海量的訓練數據和訓練里程做支撐，這些是車企用錢也買不到的，而理想汽車不斷擴大的用戶規模，為智駕技術的迭代提供了豐富的數據庫。預計到2024年底，理想汽車訓練數據超過30億公里，訓練算力超過8EFLOPS。

3、建議

當前，隨著以智能駕駛和智能座艙為主的智能化功能成為用戶購車重要因素。智能化功能具有技術迭代快、投入規模大、協同開發要求高等特點，智能汽車的競爭已轉移至以核心軟硬件協同開發、生態企業合作共建等方面，這對軟件開發、供應鏈管理都提出了更高要求，技術門檻也顯著提升。

不獨企業，行業智庫及相關專家也在始終密切關注智駕產業的發展。

在中國電動汽車百人會日前舉辦的“智能汽車產業生態發展路徑高端研討會”暨百人會2024年度第11期高端研討會上，與會專家就就一致認為，自特斯拉FSD v12正式應用后，端到端技術成為汽車智能駕駛發展新方向。端到端技術無行駛區域限制、模型迭代泛化能力強，可通過學習人類司機駕駛行為和周圍環境，實現更流暢的駕乘體驗。端到端技術結合豐富高質量的駕駛數據、充足的車端與云端算力資源、更大的模型參數量，將有望實現真正在物理世界中駕駛的大模型。此外，經過不斷訓練與迭代，端到端智能駕駛模型有望成為通用人工智能大模型，并有可能移植到其他物理世界的跨領域模型中，如人形機器人等。

但是，汽車智能化產業鏈復雜，覆蓋集成電路、人工智能等多個產業，任何單一企業都難以獨立承擔并實現所有智能化環節。為此，與會嘉賓建議，一是加強芯算融合，實現云端、車端的芯片與算法企業協作與適配，提升人工智能云端訓練效率與車端算力利用效率。二是加強端云協同，推動車企、AI企業合作，通過端側大模型部署減少云端推理的延遲、隱私與成本問題，結合云端大算力提升大模型智能化水平，共同促進大模型應用落地。三是加強跨域融合，艙駕一體、車路云一體趨勢下，現有硬件與算法分工方式將發生改變，需要以用戶為核心，加強智艙、智駕、整車企業協作。

同時，汽車智能化正從以功能增長為特征的1.0階段走向以擬人化為特征的2.0階段，技術上正從傳統規則式軟件走向以大模型為基礎的人工智能算法，汽車操作系統架構正面臨一系列新挑戰。與會嘉賓建議，一是跨芯片、跨操作系統適配，AI大模型框架正逐步確定，需開發標準化底座，幫助開發者在不同架構芯片上快速靈活部署。二是軟硬解耦，目前由于芯片驅動依賴，無法完全實現系統軟硬件解耦，需開發SOA(面向服務架構)，將系統服務原子化，以嵌入AI原生應用。三是跨域融合，基于AI的智能駕駛任務與其他車內AI智能交互系統相互關聯且隨時可能切換，操作系統需實時進行不同任務的調度與編排，并提供新的通信與數據共享策略。

中國電動汽車百人會副理事長兼秘書長張永偉在總結發言中指出，我國應用類企業豐富，消費電子、互聯網、ICT企業集聚，在發展智能座艙及車輛空間應用方面具有很好的優勢。尤其是隨著大模型在汽車領域的應用，將推動汽車向更好用、更有趣、更舒適和更安全方向發展，實現引領。

但在下一代端到端智能駕駛領域，相比傳統規則驅動的智能駕駛研發，端到端智能駕駛對算法、算力、數據及人才的要求更高，國內現有供應鏈仍面臨諸多不足。為此，張永偉副理事長建議，一是構建汽車電子與消費電子、ICT產業融合創新平臺，加強跨界協同，加速技術融合，推動新技術快速上車;二是推動數據與算力區域性共享共用，構建支撐智能汽車發展的基礎智能生態體系;三是理順整車企業與供應鏈企業之間的關系，在提升整車企業的智能化能力的同時，探索雙方多元化合作模式。