詹锟：目前在整个智驾团队，我们的PD、RD和交付这三者同步进行，我们是交付一代、研发一代、预研一代，这是我们为什么能一直紧跟目前智驾最新技术方案的原因，我们有比较好的阶梯式研发流程。
我们在做无图NOA研发的时候，其实端到端已经开始预研。并不是等无图NOA做完，再慢慢的切换到端到端架构研发中，其实我们前面就有储备，所以这是我们为什么会速度比较快的原因。如果大家觉得牺牲了效率，其实是因为没有找到提效的方法，我们逐渐已经找到了通过自动化测试、世界模型高效验证模型的方法，所以我们才能兼顾速度和质量。
Q2：现阶段理想智驾研发架构中分为算法研发和量产研发，分别对应着不同的小组，小组对应的是端到端不同模块。随着未来算法的迭代和成本的优化，未来的组织架构是否会进行调整？朝哪些方向来做调整？这个过程中有遇到哪些难题？
郎咸朋：在整体战略规划和业务战略里，我们对于业务组织有清晰的布局。组织根据业务变化，业务的目标和迭代则根据战略调整，这就是我们的BLM流程（业务领导力模型），我们原来叫LSA流程（理想汽车战略分析法）。大家可能对外感知到的是产品、组织的迭代，但实际上背后影射的是我们战略和业务的迭代和变化。
我们的组织变化要追溯到去年或者更早。我们把智能驾驶作为公司战略之后，业务和组织才开始发生迭代和变化。在去年秋季的雁栖湖战略会，我们首次明确提出PD和RD都非常重要，但是其实在那之前PD、RD已经有了，只是在战略会上，进一步明确了将智能驾驶和RD都作为公司级战略展开，所以业务发生了变化。接下来组织会不会发生变化，要看跟业务是否有关联。
Q3：目前所有的车企能够量产车型都是L2级辅助驾驶，理想汽车端到端+VLM怎么保证保证智驾的安全？
郎咸朋：从流程上来讲，内部主要研发流程分为产品交付研发流程以及智能AI的研发流程，两个流程相互配合。
▲理想汽车智驾发展路径
端到端+VLM这套技术系统在一个月的测试过程中，虽然开启城市NOA功能始终是通过拨两次方向盘杆，实现从A点到B点的智能驾驶，但是模型迭代的能力却在不断提升。在模型迭代的时候，整个功能跟原来完全一样，所以这个功能之前做的测试仍然有效。对于这个能力的表现，我们用生成和重建的方式做模型的泛化测试和检验，比实车在全中国驾驶测试好得多。这是我们在 AI 时代到来之后，对于产品研发的深度思考，从而带来的研发变化。
安全另外一层含义就是：怎么能在产品交付之前，做更多更有效的测试。如果用实车做测试，一方面是成本，另一方面是是测试效果可能达不到交付有监督自动驾驶的程度，特别是当模型迭代比较迅速的时候。
我们现在用diffusion transformer技术，再加上3DGS技术，能够把曾经遇到过错题以及遇到过的场景，举一反三地形成模拟题，实现不断地测试模型能力，不断地优化各个城市表现。
我们在每一个维度上都有非常严格的打分，比如安全、法律法规等维度。如果不安全、不合规，模型就不能交付给用户。现在在千人团内测阶段，还没有到量产阶段，所以在安全、合规方面的要求会更加严格，确保我们的产品是一个安全可靠的产品。
詹锟：我从技术角度来说，我们有安全兜底模块，甚至有些东西我们会保证它有绝对的下限。以前写了很多规则应对不同的场景，但是现在只需要写下限的规则，上限全靠端的端 、VLM去捕捉，甚至有些防御性驾驶，VLM都可以提前告诉系统，比如丁字路口、坑洼小路等，这些都在一定程度上提升了系统安全性。无论是数据还是算法，都是在把安全性往上提升。并不是大家说的那样，用端到端了安全就差了，这是针对设计不完善的一种想法。
另外，AEB/AES 其实是在最极端的情况下，最兜底的一种保证绝对安全的方式。这就是用算法、冗余一起来解决安全问题。
Q4：现在从生成到输出，对于传感器包括数据需要有一些质量监测，这个过程中如果出现恶意攻击，甚至说出现各种故障，这种情况理想汽车怎么解决这数据安全的问题？
詹锟：面对数据被污染或者传感器遭受恶意攻击，以及对神经网络进行对抗性破坏，我们已经将这种情况涵盖到整个网络训练过程中。
模型训练并不是针对单一的传感器，比如一个传感器损坏，我们能够通过BEV解决。即使在雨天某个传感器脏污的很厉害，我们依然能稳健驾驶，同时能给用户对应提醒，会告诉你找个安全的地方停车，不会让系统直接失效。
因为有Radar、Lidar等多个传感器，各个传感器在不同环境下能冗余互补，单一的攻击很难起效，这就是为什么很难有单一的攻击策略能让智驾系统失效，因为在技术上做了很多防护。
Q5：理想汽车怎么衡量技术发展和销售规模平衡问题？
郎咸朋：理想L系列外观比较相似，外界也说是在套娃，但是这让我们有个最大的优势。传感器布局和传感器型号完全一致，所以理想L系列的数据可以完全复用，这个是我们比其他企业想的更长远的，所以说大家觉得我们套娃了，实际上对自动驾驶的研发非常有好处。
我认为技术发展和销售规模平衡并不矛盾，最近两个月我们的AD Max车型销量每个月保持10%以上的提升，30万元以上车型AD Max销量占比达到70%，部分车型部分地域AD Max占比达到90%以上，这就是我们最近这几个月技术发展带来的变化。如果技术没有影响销售的话，可能是技术落地没有做好，没有真正解决用户需求。之前行业普遍做轻图和有图方案的时候，其实也在做一些功能，但是一定没有端到端的使用效果好。我觉得还是因为到了端到端这个时代，大家对这个产品的效果有了更好的体验之后，用户就会买单。
Q6：智能驾驶的技术升级是否能带来销量提升？
郎咸朋：销售有几个非常重要的漏斗。第一个是品牌，只有用户认可品牌后才会比较智驾、电池、续航等。如果说一开始品牌就不在老百姓的选择范围内，那可能做什么都跟销量没有关系。
Q7：现在端到端在不同城市的表现不一样，我们会针对不同城市来做不同模型吗？还是说会在一个模型上不断地去调优？
詹锟：首先，模型在不同城市有不同表现，这并不代表我们要对不同城市下发不同模型，让模型获得不一样的错题。而是说在世界模型的评测体系下，能够精准地知道这个模型在不同城市是什么表现，便于我们对其做有针对性的分析。
比如在过去的Case里，杭州和广州偏弱，那么对应补足杭州、广州的一些特定场景，加入训练数据中，放到模型中，让模型有全面的提升，所以模型迭代的过程并不是盲目的。如果我们不知道产品在不同城市的表现，我们就会盲目地寻找全国各地的数据，最后实车体验时用户发现杭州还是不行。这样的结果就是迭代效率非常低，训练数据量增加并没有效果，这就是大家都在说的大模型需要高质量数据。有精准的评测才能提高质量，而不是盲目增加数据量。
不同城市不同模型的效果其实是我们非常好的一个特点，能知道很细节的评测维度，不同模型我们有很多维度。在不同城市，还能知道它更细分的情况，让我们更有针对性。比如是不是因为广州的高架桥特别复杂，是不是杭州的可变车道特别复杂才导致端到端的表现不如其他城市，我们是通过这种方式迭代我们的智能驾驶。最终，我们肯定最后会把一个在全国都非常均衡的智能驾驶推送给用户。
Q8：One Model模型怎么优化？只能靠优质数据吗？系统本身是否会有调整？
詹锟：我们现在用数据大幅训练模型。微博上有人总结我们三个版号的含义。第一个版号是数据，1表示100 万量级的clips；2表示200万的clips。第二个版本号是模型结构。所以优化不只是依靠数据，模型结构也很重要，里面有各种细分类型，比如Cross Attention、Self Attention，我们在这方面会做各种各样的设计和实验，所以第二个版号有各种变化。训练策略也会发生变化，模型训练一遍就结束，还是训练一遍以后把重点那点挑出来，再重新训练一遍？还是先训练一部分，再做精选数据的训练。这些都是在大模型训练过程中，我们逐渐积累的经验，肯定不是仅用数据来迭代。
Q9：大家都在探索自动驾驶，没有一个共识方案，所以理想端到端+VLM进入市场的同时，还会不会有其他探索？关于智能驾驶的短期目标，或者最终目标是怎么样？
詹锟：第一个事实是，大家都在研发阶段、尝试阶段，我们之所以敢把目前的版本推送给用户，是因为我们觉得可以类比CNN深度学习网络时期，当时因为一个竞赛，CNN的性能优化了10%左右，性能和安全体验得到了大幅提升。
第二个事实是，在这个过程当中，不同数据、不同的模型结构、不同的训练方法，对模型的迭代都有帮助。这其实是各家都在做的一个关键，解决数据和训练算力的基础问题之后，我相信我们，包括特斯拉都能成功炼丹。但是炼丹第一步就是得有原材料，当原材料得到解决，炼丹的比例调整好，这个丹的作用才大。
▲理想端到端+VLM综合MPI（平均接管里程）
类似于以前炼火药，按照一硝二磺三木炭的比例来，火药的威力就大，如果1:1:1做出来的就是“呲花”，这就是各家在迭代过程当中的一些技术诀窍。我们和用户共同成长，所以我们也需要知道每一套模型实际的表现如何，我们内部有自己的测试，如果表现不好就会内部消化，这种模型就不让去用户使用，但是每当模型有迭代、有提升的时候，我们都会拿给用户去进行测试、验证，这是我们研发过程当中的一些迭代。
关于下一代方案，不知道大家有没有看上周智元的发布会，智元展示了G1到G5的具身智能过程。其实我们内部也有自动驾驶整个研发过程的阶段，我认为在现阶段，无论是对于理想汽车来说，还是对于特斯拉来说，其实都是在向双系统方向发展。
所以端到端肯定是一个非常好的阶段，我们认为已经达到了L3。我们想进一步向L4发展，其实就是需要端到端+VLM双系统，我们认为这是面向L4的一个终局方案。那再往后，L4不是终局的话，我们还有L5，像智元发布的G5一样，我们肯定还会有一体化的、超大规模的统一模型，像GPT-4o模型。未来，肯定要把两个模型合在一起，实现手脑完全结合的大模型方案，这是我们之后要尝试，要探索的东西。
Q10：目前，理想AD Max由两颗OrinX来支撑现在测试的能力开发，端到端方案对车端算力的要求是什么样的？是更高还是更低？那么未来随着上车端到端会不会变得更加强大？那这究竟是个什么样的关系？能不能解读一下？
詹锟：各家在使用算法的时候，都会跟自己的硬件做匹配，无论是用地平线方案，还是Orin方案。双OrinX可以完美适配我们的双系统方案，如果要给出一个固定的上限，不是很好直接预测或配置。但是我们可以知道，随着算力增加，整个能力是一个非常线性的增加，包括特斯拉也证明了12.5版本比12.3提升了五倍，这也完美符合这种大模型的Scaling Law。
对我们来说，到Thor阶段我们肯定会有一个更大规模数据量训练的端到端大模型，效果会进一步提升。我们可以看到它的趋势，我们会基于芯片对它进行相关算法的定制化调整；同时模型规模越来越大，最后产出的端到端效果会越来越好。
另外，其实也可以看到特斯拉现在正在宣传2026年要做一个AI 5的芯片，大概有3, 000到4, 000TOPS的水平，这个阶段是他在做Robotaxi的一个想法。我们也在持续关注高算力的车端芯片的性能。
郎咸朋：我补充一点，Thor芯片上车后，因为它的算力比现在OrinX又大了很多，那么我们会在Thor上更多地发展我们系统化VLM的模型能力。端到端模型我们认为是比较吃算力的，但是它使用算力的上限比VLM少很多，而且它有一定的上限，要1,000万clips，训练这样一个模型所需要的参数量非常大。所以在向L4发展过程中，整个系统需要让它具备更好地应对未知场景的能力，而未知场景能力的提升，需要提升的是系统2，就是VLM的模型能力，所以我们现在22 亿的产出量，将来可能再去扩大。
Q11：端到端方案对算力要求的下限最低到多少？