*神玑NX9031芯片*
对于车主来说，可能只是随手点了一次OTA升级。但在智能驾驶行业里，这事可没那么简单。它的主角不是车机多了几个功能，也不是座舱体验做了小优化，而是整个智能驾驶能力的代际更新。最关键的一点在于：它不只是给最新款车型准备的。2022年3月交付的蔚来ET7，也在这个升级名单里。
四年前的老车，也能吃上新一代世界模型的红利。这在过去几年里几乎成为行业的一种“潜规则”——新能力先给新车，老车能OTA就不错了，但通常只能拿到降级版、延迟版，或者直接被拦在下一代能力之外。特斯拉是行业里最早把OTA玩明白的公司，它让市场相信车买回家还能持续生长。但当FSD向无监督自动驾驶演进时，硬件边界的冷却效应开始浮现：算力、内存带宽、传感器、车端计算平台的代际差异，重新把软件拉回到硬件的笼子里。
蔚来这一次，则是把一套全新的智能驾驶能力同时推到了跨品牌、跨平台、跨芯片、跨车龄的真实用户车上。这给整个行业竖起了一面新的镜子，而这背后，其实是这家公司六年技术路线的一次集中反馈。
### 1
### 智驾的竞争，归根到底是基础设施的竞争
过去几年，智能驾驶的迭代都是以算法名词为标签往前推的。从BEV到OCC，从无图到端到端，再到VLA，每隔一段时间就出现一个新词，然后整个行业就像开启一场技术迁移。车企要证明自己没掉队，供应商要证明自己跑在最前头，行业也习惯于用最新模型架构来给一家公司的智驾水平打分。
算法当然极其重要，而且会越来越重要。但到了今天最热门的“世界模型”阶段，光比算法已经不太够了。模型越大、越统一、越接近真实世界，它对底层系统的依赖就越深。它需要更充分的感知输入、更适合大模型的车端芯片、更高效的部署工具链、更持续的数据闭环、更大规模的验证网络，以及能把几十万辆量产车有效组织起来的云端调度能力。
智驾下半场的硬仗，拼的是模型迭代的吞吐量。
一家公司能不能更快训练模型、更快部署到车端、更快验证风险、更快找回Corner case，再把这些新问题喂回系统里，决定了它的模型能力能不能持续增长。蔚来智能驾驶研发负责人任少卿在一次内部工程系统沟通会上，把这套系统拆成了四个部分：传感器、芯片、AI Infra和数据Infra。前两个是硬件，后两个是软件。硬件决定车能不能看见世界、跑动模型；软件决定模型能不能上车、数据能不能回来、验证能不能闭环。
**第一层：传感器**
车要理解世界，首先要看见世界。蔚来在NT2时代做出了一些后来被反复讨论的选择：高线数激光雷达放在车顶，采用瞭望塔式布局；上800万像素摄像头；再到NT3平台引入4D毫米波雷达。
*瞭望塔传感器*
现在回头看，这些配置已经不算新鲜。但在2021年NT2发布时，它们每一个都是非常重的决策。激光雷达放车顶，算法性能最好，站得高看得远，低速碰撞也不会轻易带来高昂维修成本。但代价是直接挑战整车造型和风阻。高像素摄像头意味着更高的成本和更大的数据处理压力。4颗Orin-X也不是简单堆出来的，背后是一整套复杂的AD域控工程。
*4xOrin-X*
任少卿回忆车顶激光雷达的决策时提到，当时内部讨论非常激烈。行业都知道要上激光雷达，但放保险杠、座舱还是车顶，每种方案都有代价。车顶方案在算法性能和维修成本上更优，却对设计和风阻提出了很高的要求。蔚来最终的选择逻辑是：如果判断未来五年、十年的方向是对的，即使今天有问题、有冲突，也应该去做，然后让时间证明。
这不是说车顶激光雷达是行业唯一答案。有人坚持纯视觉，国内也有越来越多的轻雷达、弱激光雷达甚至去激光雷达的方案。蔚来选的是一种更偏工程冗余和长期兼容性的思路。
但传感器的难点还不只是“配得高”。行业发展太快，不同平台之间必然有差异。NT2和NT3的摄像头不太一样，因为Orin和神玑芯片里的ISP发生了变化；NT2用3D毫米波雷达，NT3开始上4D毫米波雷达；蔚来和乐道车型之间，传感器组合也有差异。如果每款车、每套传感器都单独开发一套模型，智驾迭代会变成一场工程灾难。
蔚来的解法是用同一个网络去接入不同传感器。不同摄像头进入同一个网络，用神经网络能力把性能拉平；激光雷达和毫米波雷达则像接口一样工作——有这个传感器，就输入对应信息，没有它，网络也能正常运行。任少卿把这种能力形容为“热插拔”。
这也是解释为什么蔚来可以在四个平台、十几款车型上同时推送世界模型能力的关键。基础设施的本质，不是每一辆车硬件完全一样，而是系统能吸收差异。
**第二层：芯片**
神玑NX9031常被放在“自研芯片”的故事里来理解。但如果我们从世界模型的角度切入，它更值得讨论的一点，是蔚来在2022年设计这颗芯片时，对下一代智能驾驶模型的形态做了一次提前判断。那时候，行业还没有完全进入Transformer智驾模型时代，很多网络仍然以CNN为主。但蔚来内部已经下了判断：下一代智能驾驶模型会越来越Transformer化，甚至走向纯Transformer。
这个判断直接影响了神玑的芯片设计。任少卿提到，在同样的计算量下，Transformer对内存带宽的需求是CNN的8到70倍。进入大模型上车阶段，芯片的瓶颈不再只是TOPS高不高，还包括数据能不能搬得动。他举了一个7B模型的例子：如果一个7B模型按30Hz运行，每赫兹解码5次，就需要500GB/s级别的内存带宽。神玑单颗芯片超过500GB/s的内存带宽，正是为这种模型形态准备的。这让神玑的价值变得很直观——就是为了让车端大模型真的跑得动。在那些以Transformer为主、受内存带宽强约束的模型上，一颗神玑的实际运行表现相当于甚至超过四颗Orin。
智能驾驶上半场，大家习惯用TOPS来衡量芯片。到了世界模型阶段，芯片的竞争开始转向“模型友好度”：内存带宽、编译器、算子优化、跨芯片部署效率，这些都会成为更隐蔽也更为关键的约束条件。
**第三层：AI Infra**
模型训练出来，只完成了任务的一半。真正痛苦的部分，往往发生在上车阶段。云端训好的模型，要跑到车端芯片上。问题是车端芯片不止一种：有Orin，也有神玑；有蔚来，也有乐道；有NT2，也有NT3；不同平台的传感器组合也不完全一样。如果每一套芯片、每一个平台、每一种传感器组合都要单独适配，模型迭代会被工程部署拖慢。越到大模型时代，这种拖慢越致命。
蔚来从2020年开始，就没有完整使用英伟达的软件工具链。它只用到CUDA层，CUDA之上的部署框架、推理引擎、AI编译器全部自研。直接使用英伟达全家桶，短期当然更省事，尤其是在Orin时代，这是最自然的选择。但蔚来很早就判断，未来一定会进入多芯片平台阶段，Orin只是一个阶段，自研芯片迟早会上车。如果工具链一开始就被单一芯片绑定，后面每多一种芯片，软件系统就要被撕开一次。很多公司自研芯片真正上车时，会遇到“芯片能跑”和“软件生态能用”之间的鸿沟。蔚来提前把部署栈抽象出来，等于在2020年就开始为多芯片时代交学费。
另一边，AI编译器解决的是更具体的问题。任少卿描述过曾经的协作状态——“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。”过去，一个模型架构改动，工程团队要手写优化、做部署适配。用通用工具链，模型部署可能需要一到两周。蔚来自研AI编译器后，通过自动算子优化和图优化，把这个过程缩短到一到两天，推理效率提升了20%以上。
后来，蔚来又把部分模型上车流程进一步用AI Agent自动化，包括量化、集成、Pipeline、CI/CD、跨芯片误差校验、发版部署，过去需要工程师全程盯着跑，现在全自动情况下可以压到两个小时以内。
**第四层：数据Infra**
蔚来对数据有一个非常有启发的判断。任少卿说，“数据的本质是算力。”过去行业聊智能驾驶数据，通常会说车队规模、行驶里程、数据量，认为车越多数据越多，数据越多模型就越强。在传统理解里，数据就是文件：车跑过一段路，摄像头、毫米波雷达、激光雷达记录下来，上传到云端存起来，就完了。
但进入大模型阶段后，真正有价值的数据不是普通录像存量，而是模型真正需要的Corner case——某个模型在哪些场景会犯错，在哪些边界会犹豫，在哪些异常状态下回不来。这些才是训练和迭代最需要的东西。要找到这些Corner case，不能靠简单拷贝数据，必须让模型在真实车端、云端仿真和扰动场景里反复去跑。本质上，数据是模型跑出来的，是算力筛出来的。不同模型需要的Corner case也不一样，这意味着数据不是可以零成本复制的通用资产。所以，数据即算力。
这也是蔚来建立群体智能系统的逻辑基础。几十万辆用户车，不只是数据的来源，同时也是一张车端算力网络。通过云端调度量产车的闲置算力，蔚来可以在用户无感、不影响安全的前提下做验证、筛选和闭环。
目前，主动安全每周验证里程超过4000万公里，整体每周验证里程超过1亿公里。这样的规模如果靠传统测试车和测试人员去跑，几乎不现实。更重要的是，验证和数据筛选在这里开始合流。新的模型在真实车辆和仿真场景里跑，暴露出问题，再把这些问题变成新的有效数据，形成一个持续滚动、自动化的闭环。
智驾后半场的规模优势，也开始向这个方向转移——能把多少量产车变成安全、可控、可度量的验证节点，才是真正的壁垒。车多只是入口，能把车组织成有效数据和验证网络，才是核心能力。
表面看，各家公司都在讲世界模型；底层真正拉开差距的，是谁能搭起一套能持续生产模型能力的基础设施。世界模型不可能在发布会舞台上突然冒出来，它只能生长在传感器、芯片、工具链、数据闭环和车端算力网络这些土壤里。
### 1
### 六年技术路的未来赌注
蔚来这次世界模型能力升级，拉长看是六年持续技术投入的结果。今天的共识，在当初都是赌注。
简单回溯一下时间线：
- **2020年**，蔚来组建非Mobileye芯片和非Mobileye算法的全栈自研团队，同时开始搭建自研工具链和数据闭环。
- **2021年**，NT2发布，车顶激光雷达、800万像素摄像头、4×Orin-X一起上车。
- **2022年3月**，ET7量产，Orin平台真正落地，同一年，蔚来开始设计自研智驾芯片神玑。
- **2024年**，神玑Bring Up。
- **2025年**，神玑量产。
- **2026年**，世界模型能力跨品牌、跨平台、跨芯片推送给超过70万用户。
这个时间表今天看似乎很顺，但每一个节点在当时都并不轻松。2021年NT2发布时，1016 TOPS是一个很抓眼的数字，也很容易招来质疑：一辆量产车要上4颗Orin-X？这么多传感器是不是过度？用户当下能不能感知到？最直接的质疑是：这些算力是不是浪费？
在汽车行业里，硬件冗余都会变成真实成本。多一颗芯片、多一个传感器、多一套散热和布线方案，最后都会进入BOM、车价和毛利率。但智能车的矛盾也在这里：一代车要卖很多年、用很多年，模型却可能每一年都换一次范式。任少卿说，车从硬件上看是一个“五年、十年的事情”，蔚来内部希望硬件部署能“坚持两代以上”。ET7在交付四年后还能进入世界模型能力迭代，说明当年的传感器、算力和系统架构，确实没有被新模型轻易击穿。
今天看起来的冗余，正在变成明天的余量。
神玑也是同样的逻辑。蔚来在模型形态还没有完全变化之前，就把芯片设计押到了下一代模型真正要克服的瓶颈上。当时行业还在习惯用TOPS讨论智驾芯片，但蔚来相信Transformer会变成主流，那芯片竞争就不再只是算力数字，而是大模型能不能在车端高效流动、部署和运行。那些在当时看起来很重的设计，今天刚好卡在车端大模型运行真正需要的关键位置上。
数据层面的预判更隐蔽。2020年，蔚来开始搭建数据闭环和群体智能体系时，判断未来真正稀缺的不是原始数据规模，而是持续生产有效Corner case的能力。一个模型在哪些场景会犯错、在哪些边界会犹豫、在哪些异常状态下回不来，必须让模型在真实车端、云端仿真和扰动场景里反复跑，才能被找到。所以蔚来没有只建数据仓库，而是更早开始建车端算力调度系统，把几十万辆用户车变成分布式验证网络。车多只是入口，能不能把车组织成安全、可控、可度量的验证节点，才决定车队规模能不能变成模型迭代速度。
这些判断没有发生在公司一帆风顺的周期里。2021年ET7发布时，蔚来还在高端智能电动车故事最有想象力的阶段。但2022年到2023年，供应链压力、交付节奏、销量波动和产品切换陆续出现，外界开始质疑蔚来的投入效率。2024年之后，乐道推出、降本增效、换电网络扩张、自研芯片量产同步推进，蔚来一边承受经营压力，一边继续把重投入的路线往前推。
顺风时做长期投入不难，难的是在销量波动、组织调整、品牌扩张、资本市场质疑和行业价格战同时出现的时候，继续把那些短期很难解释的地基往下打。技术预判的残酷之处就在这里：判断错了就是纯成本，判断对了才可能变成壁垒。
到2026年，答案开始显影。四年前交付的ET7能继续升级世界模型，Orin和神玑能够同步发版，蔚来和乐道能共享同一代能力——这些结果都不是突然发生的。六年前看是成本的东西，六年后终于开始变成系统能力。
### 1
### 中国智驾的蔚来启示
如果我们把这条技术线拉长，再回看蔚来这家公司，会发现它经常在做一类选择：短期不太容易解释，但长期才可能显影。
NOMI是一个例子。2017年ES8亮相时，那个放在中控台上、会转头、会说话、有点情绪表达的车载AI，很容易被认为是一个可爱的配置，甚至有点像过度设计的玩具。几年之后，大模型进入座舱，车载语音助手从命令执行走向连续对话，AI陪伴、主动服务、座舱智能体成了新叙事，NOMI当年的超前感才有了新的解释。
换电也是同一种逻辑。它长期被理解成一件重事：建站、备电池、调度、运维、选址，每一项都是成本。但换电真正改变的，是车和电池的关系。它把电池从一次性绑定在车上的固定资产，变成可以被调度、升级、运营的能源资产，也让一辆车的生命周期拥有了更多弹性。到2026年，蔚来已经完成1亿次换电，换电站数量达到数千座。它仍然很重，但它已经成为蔚来用户体验和车辆长期价值的一部分。
自研芯片、AI Infra、群体智能和世界模型，也可以放进这条线里来理解。它们共同指向一种公司气质：蔚来经常愿意为一个远期判断先承担当下的成本。它不总是选择最轻的路，也不总是选择最好讲的路。它更像是在答案还不够清楚时，先把自己认为重要的地基打下去。
这种气质有风险。重投入不天然正确，长期判断也不天然等于远见。高规格硬件会压缩毛利，自研芯片会拉长回报周期，换电网络会吃掉大量资本，工具链和数据系统也很难在短期变成发布会上最亮眼的功能。所以，蔚来的技术气质不能被简单美化成长“长期主义”。更准确地说，它是一种愿意为长期用户体验承担系统性成本的公司风格。难点不在于敢花钱，而在于能不能把这些钱花成一套可以复用、可以演进、可以穿越车型周期的系统能力。
这种系统能力平时很难被看见。在一场发布会上，用户更容易看到一个新功能、一个新模型、一次体验优化；资本市场更容易盯住销量、毛利和亏损；行业舆论也总是喜欢追逐最新的技术名词。基础设施很少成为聚光灯的焦点，因为它笨重、昂贵、周期长，而且只有在下一代技术浪潮来临时，才会突然显出价值。
智能驾驶现在就是在进入这样一个时刻。当特斯拉FSD在中国市场持续推进，整个行业参照系会被重新校准。FSD带来的压力不只是某几个功能体验，也不是某一次城市道路表现，而是算法、数据、工程、验证体系的一整套代际压力。中国企业面对这种压力，不能只靠单点功能追赶，也不能只靠发布会上讲新模型名词。
下一阶段真正的竞争，会落到底层系统上。谁能让老车继续承接新模型，谁能让多芯片平台同步发版，谁能把量产车组织成数据和验证网络，谁能把技术预判变成用户长期体验，谁才有机会在更长的周期里不被代际差距拉开。
蔚来提供的信心就在这里。它未必在每一个局部战场都最轻盈，也未必每一次技术表达都最锋利。过去几年，它也承受过销量压力、价格战、资本市场质疑和投入效率争议。但这次世界模型推送至少证明了一件事：那些曾经看起来昂贵、笨重、难解释的选择，并没有停留在愿景里，而是开始回到真实用户车上。当一家公司想得足够清楚，又有足够定力穿越周期去执行，技术才不会停在愿景里，而会在一代又一代用户车上继续生长。
在近期的workshop里，蔚来高级副总裁、智能驾驶研发负责人任少卿、智能驾驶研发产品系统负责人佘晓丽、蔚来智能驾驶研发端侧工程负责人林伟，也难得做了很深入的交流，以下为部分对话摘录，供参考。
*蔚来高级副总裁、智能驾驶研发负责人任少卿*
**Q：您之前分享提到了VLA和世界模型的路线之争，现在竞争是不是有一个清晰的走势？**
**任少卿：** 算法有不一样的想法很正常，这才是人工智能或者AI时代、新技术时代有意思的点。如果大家都第一天就走上同一条路，这个世界也不会发展这么快。从物理世界AI的角度来说，过去三年也是快速在发生变化的。我们从2016年开始做智驾，从2016年到2021、2022年，其实智驾算法、物理世界的算法是很慢的。最大的变化就是BEV，最多再加一个OCC。但是从2022年开始，整体技术又从非常确定变成非常不确定，或者说有各种各样的机会。我们给大家发布世界模型是2024年，但我们是2023年下半年开始研发的。当时想法比较简单：第一个，模型能够有一个更好的方式去做训练，不需要再去标这么多数据，以及有的数据你标也标不出来；第二个，希望它能变成一个多模混合的方式，统一的网络。这两个可能是最核心的事情。当然从应用角度来说，也可以用在仿真里面，用在其他加速AI进展的方式里面。过去三年，我们赶上了物理世界人工智能快速变化的时期。整个模型架构、训练架构和数据工程架构，其实都在一体化地发生大的变革。我们从2023年底开始，在内部坚决去走一些新的方向，从2024年开始做一些组织变革，让大家从原来流水线的状态，变成有更多创新想法、创新组织、创新机制的状态。到2025、2026年，我们逐渐把这些结果拿出来。
**Q：最近两年行业有两种做法，一种是用新训练出来的模型筛选有效数据，去跑原来成熟模型；第二种是尽量保留新训练出来的模型架构，通过权重或裁剪做小模型。蔚来更倾向哪一种？**
**任少卿：** 我总结一下这两个方式。第一个，拿原来的数据重训一个模型；第二是拿大的模型蒸馏一个小的模型。这两条路，在各种大模型里面一直在不断切换，有时候重新训更好，有时候蒸馏更好，跟模型大小、训练方式都有关。因为这对我们来说都是成熟的技术栈，所以我们会针对这个模型看哪一个效果更好。对于现在车上的模型来说，它更偏向于蒸馏的概率更大一些。但这两个本质上，对于现在的算法体系不会有太大变化。现在大语言模型更多是蒸馏，原因跟我们遇到的不一样，因为它没有数据，它要把数据“蒸”出来。但是我们的状态是，我们有数据，对我们来说，简单地两边都跑一下。
**Q：自研大算力芯片，友商也在做，为什么是蔚来能首先在多平台落地？**
**林伟：** 我们在过去几年，尤其是2025年做自研芯片量产过程中，2024年流片回来，2025年3月份量产，做了大量工作。我们也考虑到AI Infra层面，从2020年就布局，做了大量工作，尤其是推理引擎、部署框架和AI编译器。因为有了2020年起家时的一些积累，所以自研芯片上来之后，很多工程效率达到了一个程度，芯片流片回来之后，很快就做到了跨芯片兼容。第二是这两年大模型开始出现，尤其是我们自己的世界模型走上量产之后，发现早几年布局的高带宽起到了非常重要的帮助。
**Q：现在9系上面是两颗9031，这两颗9031的工作逻辑是什么？是为了L3备份，还是分别跑不同模型？**
**任少卿：** 我们芯片大概是2022年开始设计的，那时候就知道Orin如果去做L3只有一种办法，就是把两个芯片都跑起来。L3最终希望在毫秒级接管，如果一块芯片有问题，另外一块芯片接管，只能说这两块芯片都在运行。但是这件事情对于算力和功耗，尤其是功耗，其实不太优。绝大多数情况下芯片没有问题，但你要在99.9999%的时间里面，为了那0.0001%的问题去耗一倍功耗。所以我们在芯片里面设计了一个温备逻辑，有一块芯片可以不完整跑起来，它不需要消耗那个功耗，但是可以备在那里。另外，也会有伴生的一些数据筛选逻辑、验证逻辑跑在另外一块芯片上。那个芯片就干两个事情：第一是所有数据筛选验证的逻辑，第二是温备再去跑一个冗余。
**Q：我们有没有对一些竞品车型进行体验，比如FSD？对于这个版本行业位置的预期大概是怎样的？**
**任少卿：** 特斯拉确实在数据体量和训练资源上是世界领先，远远大于国内公司，不是一个量级，有可能高一个量级以上。对我们来说，面临的问题是怎么在资源更少，尤其是算力更少的情况下，达到类似结果。现在大家也在说延迟问题。从350版本，就是马上要发的NT2版本，我们已经开始优化延迟。我们把建模方式从轨迹变成方向盘、油门，就是在优化一定延迟。但这还不够。原来的控制体系，从模型控制体系到真正底盘、电机有很多层，每包一层接口延时就会变高。所以我们会跟底盘同事做非常深入的打通，把底盘自研优势和智驾自研优势拼起来，最终产生一个对于智驾控制里面最小的延迟。这里面会变成主机厂独特的优势。
**Q：有没有可能未来经过预训练之后的模型不再需要数据了，可以通过更强的AGI能力直接实现更强的自动驾驶能力？**
**任少卿：** 我想说数据才是这个时代AI的根。除了算力提升之外，各种模型、端侧算力、云端算力，过去五年、十年提升了非常多，甚至百万倍提升。但是所有基础模型，包括语言模型、智驾和后面更新的模型，最根本的问题还是数据。语言模型是个上帝恩赐的特殊领域，因为没有任何一个AI应用天然躺在这么多数据在互联网上。做语言模型的时候，把互联网上的数据下载下来，简单清洗就有几十T甚至更高的数据。但是其他所有应用，都需要产生数据，解决数据问题。尤其是智驾，我们今天说这么多关于数据的事，本质上都是为了解决像互联网上直接可以下载下来那些数据的问题。互联网数据有两个点：第一是量大，第二是这些数据是十亿网民花了十年上传的数据。上传过程是一个Corner case过滤过程，因为上传是为了获得流量、获得关注度，所以大家天然会上传一些新奇的、更有价值的东西。但是智驾有什么？智驾首先没有这么大的数据量，第二是哪儿来十亿网民？所以智驾首先要解决的是产生这么大的数据量，第二是产生等价于十亿网民做筛选的能力。显然没有这么多人工干这个事，只能通过自动化去做。只有这一类数据，就是又量大、又Corner case明确的数据产生之后，神经网络才能发挥作用。直到今天，越大的模型对于数据的结合性越强。所以在真实世界，在数据角度要解决的问题，也是我们今天讲的这些所有事情背后的原因。
**Q：为什么我们首先要做的是一个AI基建，然后打通一个数据闭环，而不是直接研发一个上层算法模型？**
**任少卿：** 因为我们认为人工智能时代最关键的是算法和数据。数据比算法更底层、更稳定，算法会一代代迭代，从BEV到端到端到世界模型，名词不断在变，但数据体系底层不需要跟着变。所以我们从最早期就开始搭建数据闭环和群体智能体系。这些所有东西，是从第一天搭建的时候就想清楚了。只是说我们在不断完善它，不断使得它能在更多车用到，不断使得它能跨平台。但是它底层的稳定性，比算法要稳定得多。
**林伟：** 算法在不断演进。今天我们看到的VLA、世界模型，过两天可能数据界又有新的算法出来了，大家也会参考。但基建是不变的。基建的意义在于，有更多更新的东西，我们以最快速度和最高效率能够尽快量产，而且可以尽快跟用户见面。
