回复@Raines雷: “一旦自动驾驶被完全解决，所有竞争对手收集数据的效率会显著降低……”这个判断的假设是 自动驾驶会100%影响用户决策，进而导致销量显著拉大？
希望探讨哈:
实际情况可能会这样发生:
1.拉开差距的周期会更长:
(1) “自动驾驶”这个因子并不100%影响购买决策，从海外特斯拉FSD出现后特斯拉的销量增长可以看出。
(2)需要法规的完备和迭代，否则车企和消费者都将面临新的风险
(3)最后自动驾驶的客户价值需要随着后续生态的完善逐步提升
2.自动驾驶能力提升存在天花板导致先发者的进步速度趋缓:特斯拉目前的训练数据中，对现有模型的有效训练数据已经很少，而后发车企会以更快的速度成长
3.自动驾驶在能力竞争之后还有生态竞争:比拼谁用这个能力为消费者创造更多的价值，在整个阶段中，在国内，特斯拉的领先性不是那么确定的
由于1提供了更长周期+2车企更快的追赶速度:导致国内车企仍有希望，且坚持到第二轮自动驾驶生态阶段的价值创造中查看图片//@Raines雷:回复@川普教你炒股:这个思路是对的。如果说的每句话都没有夸张的话，这个水平其实还可以。但是，视觉语言模型解决复杂问题并不是银弹，世界模型也不是银弹。VLM就像是远程安全员，如果端到端系统每天需要10次接管，那么我们对安全员的要求就很高。如果每年需要一次接管，那么安全员的要求就没有那么严格。如果端到端系统本身能力太差，那么对VLM参数压缩的要求会到一个技术上不可能的程度。
模拟可以解决一定程度的数据短缺。它可以很好的验证大多数非博弈性的极端情况，比如树横在路中间，比如车道线画错了。然而，世界模型对于高级智能体博弈策略的预测是很难做好的，因此对于复杂交通的博弈验证仍然是难题。同时，200万条视频片段不一定优于100万条视频片段。如果200万条是从300万条原始数据中筛选出来的，而100万条却是从1000万条里筛选出来的，那么100万条的训练效果会更好。实际用于训练的数据可能看起来没有那么多，但是却需要非常高质量的数据。理想仍然需要一个可以产生海量原始数据的庞大车队，不仅用于高质量的训练数据，同时也为了验证模型的能力。特斯拉600万全球车队仍然面临验证难题，理想不过50万的车队很难想象如何解决数据瓶颈。
另外，理想并没有说明在视频片段到1000万条后训练算力哪里来的问题。训练轮次不同产生的效果也不同，如果一个月可以训练10轮，与一个月训练20轮相比产生的结果也肯定不一样。训练的数据越多，需要的轮次越多，对训练算力的要求就会指数型上升。特斯拉在接近200 exaflops算力的情况下仍在大量采购更多芯片，而200 exaflops已经是全中国ai算力之和，华为占了其中的3.5 exaflops。不知道理想又占了多少？为了训练，理想仍然需要解决海量算力哪里来的问题。
最后，三年内彻底解决自动驾驶的时间表可能相对略晚。之前讨论过，自动驾驶的竞赛存在很大的先发优势。一旦有一个人完全实现了自动驾驶，其他所有人都将面临10倍的追赶难度。特斯拉目前平均1-2个月一次的大版本迭代速度，就在今天推送的v12.4.1已经不在要求手扶方向盘，某种程度上已经达到了L3级别的最低要求。即使假设理想在今年年底做到和FSD v12.4.X的水平，仍然在时间上晚了半年。而且可能面对的FSD是v12.7甚至是v13。按我的预期，特斯拉在2025年底前解决自动驾驶的概率高于90%，而且目前特斯拉进入国内几乎已成定局。那么，一旦自动驾驶被完全解决，所有竞争对手收集数据的效率会显著降低，资金回收的效率也会显著降低，一切研发成本都会显著提高。因此，我仍不看好理想自动驾驶的未来。