记者从相关渠道获悉，因为「万物皆可 OTA」的概念被讲了太多，所以在大量人的想象里，辅助驾驶升级应该是一件很像手机系统更新的事情。
把几十万辆车组织成一张验证网络
如果说早期智驾竞争看的是谁开城快，后来比的是谁体验更拟人，那么接下来会越来越多地回到一个更硬的指标：它有没有真的减少事故。
表面上看，这次沟通会的背景是 2026 年 6 月蔚来世界模型迎来一次比较大的升级，并且会跨蔚来、乐道两个品牌，覆盖 Banyan、Cedar、Cedar S、Coconut+ 等四个平台，从 2022 年最早的 ET7，一直延伸到乐道 L60 的激光雷达版本，核心能力保持一致。
几年前做城区 NOA，测试车出门很容易遇到问题，因为系统会在普通场景里犯错。今天很多主流智驾系统已经能处理大量常规场景，测试工程师开一天，可能也只遇到几个有价值的 Case。
自研芯片的重点，不只是 TOPS
从用户的日常体感来说，我认为几乎是看不出来差别的。如果我（多）一颗激光日常用户就可以看出来差别，只能说这个做得太差了。
任少卿用一个很形象的例子解释 Corner case。比如一个路口，左侧是左转道，中间几个直行道，右侧是右转道。专家驾驶数据里，几乎不会出现一辆车离路口只剩 30 米，还待在最右侧车道却想左转的情况。因为专家不会这么开，正常用户大多数时候也不会这么开。
任少卿接了一句更形象的话：
传统做法里，神经网络一层一层，每一层算子都需要工程师手写优化。算法工程师在前面改模型，后面工程师就要跟着改部署。任少卿开玩笑说，这会变成「算法工程师在前面改得很开心，后面一堆工程的兄弟跑断腿」。
这也是为什么蔚来一直强调订阅模式。订阅不只是一个商业收费方式，它背后其实有一个长期维护老车的成本逻辑。让一台已经不量产的旧平台继续吃到新版本，是一件很贵的事情。车企需要找到一种商业闭环，用户也希望五年以上的车还能持续更新，这两者之间需要一个平衡点。
但这场沟通会的主要目的不是讲蔚来最近的世界模型有多厉害，而是讲如何把新的世界模型一次性部署到时间跨度四五年，车型、芯片和硬件都不尽相同的十几款车型上。
在 AI 时代，模型会越来越重大。
但在汽车上，模型永远不能独自存在。它需要硬件承载，需要工具链部署，需要真实道路验证，需要安全系统兜底，也需要商业模式支撑老车继续更新。这可能也是智能驾驶和手机 AI、电脑 AI 最大的区别。
如果不能调度，车队只是销量。如果能调度，车队才是智能驾驶的数据基础设施。
所以蔚来要专门制造一些奇怪的 Case：比如离白线只有三米远时还要变道，或者故意开到错误车道，让模型自己学习怎么纠回来。这些 Case 对人类来说一年也未必遇到一次，但对智能辅助驾驶系统来说，必须学会处理。
这句话其实是整场沟通会的提纲，也就是：模型怎么上车，数据怎么回来，老车怎么更新，测试怎么做，安全怎么验证。
智能电动车的问题在于，机械部分可能用五年、十年，电子件的迭代速度却越来越像消费电子。
他甚至提到，希望未来安全里程能从接近 700 万公里，继续做到 800 万、1000 万，甚至有一天再加一个零，达到一亿公里一次严重事故。
当然，硬件超前只能解决一部分问题，即使蔚来一启动尽量统一传感器基线，几年下来，平台仍然会发生差异。NT2 和 NT3 的摄像头不同，因为 Orin 和神玑芯片里的 ISP 不同；NT2 用 3D 毫米波雷达，NT3 开始上 4D 毫米波雷达；后续车型的激光雷达版本也不一样；蔚来和乐道也有不同车型组合。
如果一个模型在云端效果很好，但每次部署都要等一两周，它就很难支撑快速迭代。反过来，如果工程系统能让模型快速上车、快速验证、快速回收数据，算法团队就能更高频地试错。
这是任少卿在一场小范围智驾系统工程能力沟通会上想要回答的问题。任少卿是蔚来高级副总裁，负责自动驾驶研发，在此之前是 Momenta 研发总监兼联合创始人，另外他也在中国科学技术大学担任讲席教授、博士生导师，中国科学技术大学通用人工智能探究所所长。
主动安全是最典型的例子。蔚来指出，主动安全每周测试里程超过 4000 万公里，整体每周验证里程超过 1 亿公里。如果把这些里程换成测试同事和测试车，一周的里程需要 1000 辆车跑一年。
这已经不是传统意义上的车队测试，更像一个分布式验证网络。因为这套系统打通了 NT2、NT3、乐道平台，同一个算法可以跨四个平台验证，产生类似四倍验证效果。每一个版本都可以在不同车型、不同硬件组合里快速得到反馈。
蔚来自动驾驶团队解释说，蔚来此刻侧向激光雷达和前向激光雷达拼在一起，可以达到 350 度以上的周视，在高速、城区、泊车场景都有作用。侧向激光雷达的探测距离可以做到 70、80 米，尤其在高速快速变道时，对侧后方来车、小目标物有更好的监测。
很多设计在刚出现的时候，都会让人不适应。因为它不属于过去的汽车语法。早期的封闭式前脸、贯穿式灯带、大屏座舱、车顶传感器，刚出现时都多少有些突兀。但只有当功能价值最终被验证，新的美学才会被行业慢慢接受。
自动驾驶的终局当然令人兴奋，但智能辅助驾驶作为一项量产技术，真正的价值点是在今天、明天、后天持续降低用户风险。
▲ 蔚来高级副总裁 任少卿
过去大家常说 Tesla 的优势在于有庞大的量产车队。中国车企也在逐渐走向类似逻辑，但单纯「车卖得多」还不够。关键是能不能把这些车组织起来，变成一个可调度、可验证、可筛选 Corner case 的算力网络。
过去讲智能驾驶，大家经常说数据闭环。主机厂有用户车队，有海量行车数据；供应商希望拿到主机厂数据；行业也常常把数据想象成一个巨大的素材库，似乎只要把视频和传感器信息存下来，就拥有了金矿。
所以，数据不是零成本拷贝的文件，而是模型、车端算力、云端算力共同筛出来的结果。你的模型和我的模型不同，你需要的 Corner case 也不同。于是，各家的数据最终只能在各家的系统里产生价值。
这就产生了一个矛盾：一台车的身体还年轻，它的大脑会不会先老？
任少卿的开场是这样的：
这意味着，NT3 的很多模型，实际上也在 NT2 车辆上做共享验证。所以任少卿还开玩笑说，NT3 车主要感谢 NT2 车主。
厂商开一场发表会，给出一个更大的模型，几个更漂亮的 Demo，几个更顺滑的城区 NOA 视频，然后用户等着 OTA。在某一天晚上，车机屏幕上弹出更新提示，进度条从 0 跑到 99%，接着是满屏的更新成功动画，第二天早上开车出门，车就应该突然变得更像老司机。
如果每一个平台都要单独开发一套智驾模型，这件事很快就会变成工程灾难。
在沟通会上，有媒体问到 ET9 等车型上的两个侧向激光雷达，以及多激光雷达是否存在边际效应递减。
过去几年，智能驾驶芯片有一个很常见的传播方式：比 TOPS。谁的算力更大，谁的芯片更多，谁的域控更豪华，很容易变成一句发布会金句。蔚来这次讲自研的神玑 NX9031，重点放在内存带宽上。
2022 年量产的车，2026 年还能不能跑最新的智驾模型？Orin 平台和自研芯片平台，能不能用同一套模型？蔚来和乐道，两套品牌、不同车型、不同传感器组合，能不能在同一个时间点获得相似的世界模型能力？工程团队手里有十几款车、四个平台、两套芯片、不同摄像头 ISP、不同雷达组合，如何让一个模型一次推送全部真的上车，而不是停留在云端训练集里？
如果说芯片和传感器是智能辅助驾驶的身体，那么 AI Infra 就像它的消化系统。
结果是，原来模型上车需要一天级时间，现在可以压到两个小时以内。
工程系统、AI 编译器、神玑芯片、量产车算力调度，这一切需要收束到了一个更朴素的目标上：减少事故。
所以他们没有完全沿用英伟达标准工具链，而是只用到 CUDA 这一层。CUDA 之上的部署框架、推理引擎、AI 编译器，蔚来自己做。
电脑上的 AI 回答错了，大不了重新问一次；手机里的 AI 总结错了，大不了删掉重来。车上的 AI 没有这么多重来的机会，它要面对真实道路、真实速度、真实风险，以及每一个坐在车里的人。
任少卿提到，一个模型部署上车，需要量化、开发集成、Pipeline、CI/CD 流水线、多芯片误差校验、发版、部署到测试车等一系列流程。过去需要工程师守在电脑前，一个环节一个环节地看。最近一年多，蔚来把这套流程改成了 AI Agent 自动执行。
为了实现更高内存带宽，需要用更新的内存制程、多通道部署，这会占用芯片面积，也带来成本压力。任少卿举了一个更容易理解的例子：如果拿一个 7B 模型来算，30Hz，每赫兹解码五次，它需要的内存带宽就是 500GB/s。也就是说，当智驾模型越来越接近多模态大模型架构时，芯片的瓶颈不只是算力数字，而是模型能不能顺畅地在端侧跑起来。
今天再看 ET7 车顶的瞭望塔式激光雷达，很多人可能早已习惯了。甚至在今天的中国新能源车市场，车顶凸起一个激光雷达，已经不算什么特别激进的事情。
任少卿提到，蔚来主动安全的大里程安全里程目前是 679 万公里，并希望今年下半年的版本继续往上走，到 800 万公里以上。内部监控的保险出险赔付数据，从 2023 年到现在也在每年下降，目前相比 2023 年降低了约 40%，后续还会和保险公司验证后再发布具体数字。
因为真正有价值的数据，不是随便一段用户行车视频，而是针对某一个模型的 Corner case。要找到这个模型的 Corner case，必须让模型在大量真实场景里跑起来，观察它在哪里犯错、哪里犹豫、哪里偏离分布。
更符合这个时代叙事的是，蔚来还把 AI Agent 用进了智驾研发流程。
但任少卿的判断是：数据的本质是算力。
但蔚来智能驾驶研发产品系统负责人佘晓丽补充了一个判断：
它意味着蔚来并不把不同车型简单视为高低配，而是在模型架构上允许传感器组合存在差异。只有这样，同一套代码和网络才可能同时推给四个平台、十几款车型。
按照蔚来的说法，一颗神玑芯片可以产生和四颗 Orin-X 类似的性能。如果说 NT2 的四颗 Orin 是在 2020 年为未来几年预埋算力，那么神玑的高内存带宽，就是蔚来在 2022 年押注 Transformer 时代。
激光雷达放在哪里，本来有几个选择。放在保险杠位置，对造型和风阻最友好，也最符合传统汽车工程师的习惯；放在座舱内，对外观影响更小，但要透过玻璃，会有性能损失和额外成本；放在车顶，从感知性能和维修成本看更有优势，因为站得高、看得远，但对风阻、造型和整车设计都是挑战。
任少卿提到，蔚来内部希望硬件部署能够坚持更长时间，最好能撑过两代车型。现在车的更新周期大概三年一代，已经比传统汽车快很多，但蔚来希望芯片和传感器在更长周期里还能承接软件升级。
蔚来的解法，是让同一个神经网络接入不同传感器。不同摄像头可以进入同一个网络，靠神经网络把性能拉平；激光雷达和毫米波雷达则更像「热插拔」接口：有这个传感器，就输入对应信息；没有这个传感器，网络也能正常跑。
但智能辅助驾驶系统可能会犯这个错误，一旦它开到了训练数据没有覆盖的位置，就可能「回不来」。
蔚来自研 AI 编译器后，核心变化是自动算子优化和图优化。原来一层算子可能要工程师写三天，现在大部分可以自动生成；原来基于标准工具链，模型架构改动后部署可能要一到两周，现在可以缩短到一到两天；推理效率比通用工具链提升 20% 以上。
靠测试车堆里程，已经不够了。蔚来的解决方式，是把量产车用起来。通过云端下发验证系统，让一些版本在大量真实车辆上做验证，当然前提是不影响用户正常使用和安全。这个验证池已经跨代际，NT2 和 NT3 的车都可以进入同一个池子。
侧向激光雷达就是蔚来多装了两个（智能）气囊。
这也是为什么任少卿说，AI 性能提升对数据的需求是指数级的。性能再提升几个点，数据可能要翻十倍。全量采集和训练所有数据，成本不可接受。真正可行的做法，是把最有价值的 Corner case 精细筛出来，让数据量变小，但数据价值变大。
智能驾驶测试有一个悖论：能力越强，测试越难。
这就需要车端算力和云端算力。
蔚来在 NT2 上不只是选择了车顶高线数激光雷达，也坚持用了 800 万像素摄像头、四颗 Orin 的大算力平台。当时这些配置看上去都有「超前」甚至「昂贵」的一面，蔚来现在给出的解释是：车不是手机，不能一年一换。
在用户侧，AI Agent 是帮你查天气、订餐、写邮件；在车企研发侧，AI Agent 是把模型部署流程自动化，把工程师从重复流程里解放出来。前者决定用户感知，后者决定研发效率。
除了我们平时所说的算法层面，原来有端到端，现在或的确会还有世界模型、VLA，在这些算法层面的事情底下，关于整套 AD 系统，数据、硬件、传感器是怎么构建的，整体的解决方案，最终呈现给大家的 NT2 车、NT3 车以及乐道的状态，为什么是现在这个样子。
测试越来越「肝」，比打游戏还「肝」。
任少卿说，很多行业当前的做法是，不同芯片有完全不同的两套代码，只是在云端训练模型层面共享一部分。但蔚来从 2020 年底开始做新架构时，就假设未来一定会有不同芯片，需要统一部署。
但时间回到 2021 年，这件事的争议要大得多。
任少卿最后总结这件事时说，当他们决定一件事是对的，看到了它接下来五年、十年的发展方向，即使今天有问题、有冲突，也应该去做，然后时间会证明一切。
任少卿提到，2022 年左右，神经网络还主要是卷积神经网络，也就是 CNN。但后来的趋势越来越明显，模型会走向 Transformer。和 CNN 相比，Transformer 对内存带宽的要求会高很多。在同样计算量下，Transformer 对内存带宽的要求大约是 CNN 的 8 到 70 倍。
这时候，数据闭环就变成了一套算力调度系统。
所以当初在设计神玑的时候，蔚来做了一个判断：下一代神经网络大概率会往纯 Transformer 方向走。
任少卿回忆说，当时内部讨论非常激烈，尤其对电动车来说，风阻和造型都是命门。但李斌当时给过一个判断：如果技术路线就是会往这个方向走，如果这种方式对性能最好，那它不只是 AD 团队的挑战，也是设计团队的机会。
所以，NT2 平台当年的激进硬件，今天可以被重新解释成一种「智能生命周期」的预埋。
就像《天龙八部》里的段誉一样，身怀六脉神剑，凌波微步，北冥神功等顶尖武功配置（模型能力），但因为经验匮乏心性软弱（工程能力），所以实战水平相当不稳定。
云端训练出一个模型，只是第一步。接下来是如何把这个模型部署到车端芯片上，并且在 Orin、神玑、不同车型、不同品牌之间保持一致的效果。
这可能是理解多传感器路线最合适的方式，它的价值不一定体现在每天上下班都让你觉得「哇，今天变道好像更丝滑了」，而是在长尾风险里托住边界。
先把车造得足够「耐老」
但驾驶是一件安全为先，需要严肃对待的行为，OTA 本身并不复杂，复杂的是背后智能辅助驾驶技术，需要解决的问题太多了。
一个更聪明的模型，当然会让车开得更好，一套更扎实的系统，才决定这辆车能不能持续变聪明。
总而言之，这一事件仍在持续发酵，后续进展值得关注。
