（转飞机先生微博）何小鹏非常详尽谈到大模型、智驾、Robotaxi、机器人、特斯拉的思考。甚至谈到品牌与人才反思，很值得一看。#新能源汽车# #智能汽车# @比亚迪汽车 $小鹏汽车-W(09868)$ $比亚迪(SZ002594)$
个人认为可以作为比亚迪AI的先行参照，何小鹏指出人才规模在管理上有问题，不能一脚油门一脚刹车，要循序渐进，逐渐扩张；难度不是人员的多少，而在于训练的数据及筛选，以及模型调控，其实关键在时间积累和算力积累；算力以下的硬件很难，而似乎是比亚迪的优势；AI端对端与WAYMO等规则编程，短期有体验差距，但长期空间更大，能解决驾驶上的无限CASES的问题。
原文出处是何小鹏和腾讯新闻《潜望》对话，摘录了一些核心信息和大家分享｜
1｜未来 18 个月把自动驾驶提高 30 倍。
我们要在未来18个月把自动驾驶提高 30 倍，记住不是 30%。
两年内如果你每周开车，除了上下车，只用抓两三次方向盘，而且很安全，你会不会用? 你会形成惯性。今天做不到，我的第一个目标是要让它做到。第二，我要做到另一个是，便宜。能够让 20 万以内的车，把这些能力全部用上去，这非常难。
2｜下半年训练费用超 1 亿多美金。
比如你写一个程序说右转弯，假设右转弯有 1 亿个场景，你起码能写覆盖 100 万个场景的能力，因为它比较简单。
但对不起，大模型是前 100 万个场景它覆盖不了，很久还是 0 或者非常接近 0。你就不断调模型，核心是数据量，巨大训练。
我们今年下半年训练费用超 1 亿多美金。从 5 月份之后，整个训练规模加速。
3｜大模型：靠人编程解决不了，但是“大力会出奇迹”。
我们并不是把你了解的什么模型放到车上。很多人说大模型很好，我把它放进来就可以用，你问他怎么放？他连自动驾驶都没搞通，放进来，根本搞不通。
很简单的逻辑。你把它 paper 都读完，我们团队了解我们的架构，有一些底层类似，比如全是基于 Transformer。
以前它的推理逻辑跟我们的数据执行流不一样，你就应该按照它的逻辑重写我们的数据流逻辑，增加数据的收集，做预训练。训练出来得到的引擎，在仿真环境里面去 testing（测试）。我们有一个非常大的仿真环境。
我们为此还重写仿真，因为原来的仿真没有适应那么大数据量的测试逻辑。大模型给大家开了一个口子，在无限场景内靠人编程是解决不了的，但是“大力会出奇迹”。
这个时候，人的规则打败不了。
4｜靠规模、靠效率超越 AI 差距，是一种误判。
这话说起来有点伤人，中美 AI 差距其实在放大。去年只是看到硅谷很多人转AI（内容），但没看到太多变化。这三次（到美国）累计隔了1年多，变化比想象大，特别是这次体验 Tesla 和 Waymo。
Waymo 还没转成大模型，是用原来的算法体系。以前我用 Waymo 从体验上比 Tesla 领先非常多，但这次，感受到 Tesla 的加速度。
打个比方，以前中国靠面积、靠体积——就是靠规模、靠效率（规模是钱的规模、人的规模，效率是做事效率）。但在AI智能创业，想用靠面积或体积变化快速追赶AI，很多人会产生错误判断——也就是说，以高度为导向会带来巨大变化。相比互联网时代，AI 变革的猛烈度会快很多。
5｜明年 Tesla 会超越 Waymo 的体验。
我认为明年 Tesla 会超越 Waymo 的体验。自动驾驶有几点逻辑：第一体验，第二成本，大家比拼的还有算力、数据、最终整个能力的体验。
今天Tesla成本比Waymo低，算力比它大，数据比它大，范围比它大，体验在局部比它差，但广度远远超过Waymo。
6｜FSD 落地 Robotaxi？
我完全不相信 FSD 在最近 1 年能在 Robotaxi 上做什么，有可能局部场景试行，但大规模做得更好，可能性为0。
第一，你需要一套云上管理体系。这个管理体系在不同国家、区域，完全不一样。
第二，如果要做到Robotaxi，硬件要巨大变化——绝大部分做AI大模型的人都忽略了一点。
将来，真正巨大的AI公司都不可避免（做）硬件。类似以前我们做好分工，你是Windows，我是Intel，有概率，但概率越来越低。
7｜不是只要钱，就能干好智能驾驶。
底层有算力，算力更底层是 Bom (Bill of Materials，物料清单)，算力往上一层有模型或者 AIOS (AI Operating System，AI 操作系统)。
再往上，在模型的 AIOS 上层是数据。数据再上一层叫自动驾驶全球化的政策。再往上是体验。今天，Waymo只在一个能力上强: 体验。
足够多的钱只是在算力角度，算力下面是Bom，算力上面是OS。没有一个人能直接拿普通大模型去跑自动驾驶。
8｜赢者通吃。
就算留下7-8家，也是一个赢者，它不会100%通吃，但可以通吃一个大比例的饼。
9｜人才管理。
我们之前犯的一个错误是:切忌不要在人的方面，“一脚油门、一脚刹车”。
“一脚油门”招很多人进来，当有挑战，“一脚刹车”把人踢出去--这不对。我们起码犯过不止一次这样的错误。希望我以后尽量少犯，为什么说“行稳致远”，否则员工会被你影响。
10｜品牌策略的反思。
从汽车角度，品牌应该往上打、再往下。但互联网不是。互联网一般要不切腰部，要不切底部。当时我没有汽车的品牌逻辑。如果我有汽车品牌逻辑，我会切得再高一点，这都是其中的反思。
再比如，如果我更懂汽车体系，我会先从P7入手，再到maybe G7的体系。切角不一样。
11｜硬件研发比想象中更难。
很多人说一个新技术能让电池更牛逼，这个技术 90% 对。但这个技术并不能让电池更牛，因为电池可能是 15 项技术的组合，他把 AI 技术提高了，可能 B、C、D、E、F、G 技术都下降了。核心问题是你怎么解决掉它。
就算你解决了，你也可能不牛，为什么？因为要把它从量产到规模量产，需要工艺设备吧？需要建厂吧？需要有人、有订单吧？需要订单使用之后产品是可靠、稳定、可维护的吧？然后才能降价，才会有更多人进来吧?——软件从科研到规模使用很快，硬件非常难，特别是安全性硬件。
我当时最大 concern 是，这玩意是未来，但它怎么落地？特别在我们这个行业怎么落地？摸着石头过河。这一块我不能讲太多，我们现在快“黄埔军校”了。但我非常believe 这个事要做。
12｜机器人的训练比自动驾驶还难。
我们做 robot（机器人）好几年，robot 对大模型是另一种要求，不一样的能力。
去年上半年以前存在的大部分机器人公司，是用过去的技术。一个 robot 有 30 多个关节，你想让手、眼、足、思想和嘴协同。如果让程序员编程，他编到 1 万个、编到死，只能解决 5% 场景。1 万个人，都不能解决，因为规则是无穷的。你必须全用AI。
你怎么让一个大模型看到这个世界，它就不断学习它对的，淘汰它错的。打人是错误动作，要把它淘汰掉。你怎么清洗它、训练它？巨难，比自动驾驶还难。但是，这将来是其他大模型要去做得更好。