2025年10月31日理想微博表示： 与此同时，我们也立即展开内部调查与分析，并对云端预警系统记录和专项验证数据进行了复核。结 果显示，与事故车同批次的理想MEGA 2024款车辆中，由于该批次冷却液防腐性能不足，特定条件 下会导致冷却回路中动力电池和前电机控制器的冷却铝板腐蚀渗漏，导致车辆出现故障灯点亮、动力 受限及无法上电的情形，极端情况下会造成动力电池热失控，存在安全隐患。 2025年10月23日晚，上海发生了一起理想MEGA 2024款车辆起火事件，引发用户、媒体和社会的密 切关注。在此，我们首先向车主表示诚挚的歉意，并对广大用户的担忧和关切表示理解。 事件发生后，我们第一时间与车主取得联系，积极配合相关部门开展调查工作。由于事故车辆需要用 户、消防及相关机构共同完成勘验与检测， 这一过程必须遵循严格的程序，耗时较长。截至目前， 尚未形成最终的技术结论。 安全始终摆在理想汽车的首位。 本着对用户安全高度负责、对潜在隐患零容忍的原则， 我们已主动 向国家市场监督管理总局备案召回计划， 对事故车同批次所有的理想MEGA 2024款车辆进行安全检 测与更换维修。我们将全力以赴排查并消除每一处风险，确保隐患清 ...

原内容来自张小珺商业访谈录 原视频链接： https://www.bilibili.com/video/BV1fiybB4EDU/?spm_id_from=333.337.search- card.all.click&vd_source=d9ba11d74bdabd86bd80c5837a488c4f 2025年5月7日理想汽车官号播出了1h22min版 2025年10月30日张小珺放出2h43min版 张小珺：你说理想是人工智能公司，今天说的是人工智能终端公司，但是大家对于理想的业绩兑现还 是要看的是销量。你觉得这个合理吗？什么时候销量能够跟做人工智能这件事情能够挂钩？ 李想：我们的能力和给用户带来的价值还没有表现出来，所以相反给了我们这方面的估值，我们反而 心里慌。 两个方面来看。第一个先拿我们能不能率先做出来L4。真正的其实大家上下班的时候，不是坐在一 个方向盘前面，而是坐在一个桌子前面，吃着东西看着电脑然后就到公司了。这一刻我们能不能加速 它的到来。 另外一方面，从工作效率上而言，某车企是接近100万人，做到了七千多亿人民币的收入。要做到千 亿美金的规模，那当人工智能出现以后，我对我们能不能用10万人 ...

技术发展路线 - 自动驾驶技术正从基于规则的系统、模仿学习向端到端+视觉语言模型以及无地图方案演进 [6] - 技术性能的提升依赖于仿真效率、数据规模以及人类工程师的经验 [6] - 视觉语言模型和世界模型是构建L4级训练闭环的关键组成部分 [15][16] 数据闭环的价值与规模 - 公司已积累15亿公里的驾驶数据，数据片段长度为15至45秒 [8] - 数据闭环基础设施包含超过200种触发条件，能够实现分钟级的数据反馈 [8] - 数据规模呈现显著增长，从2020年的数据点增长至2025年的规划 [8] 端到端视觉语言模型的数据缩放定律 - 模型性能随着训练片段数量的增加而提升，从100万片段到1000万片段均有对应性能指标 [10] - 在引入“超级对齐”技术后，模型干预间隔里程数显著提高，例如从无对齐时的约20公里提升至超级对齐后的超过200公里 [10] - 性能提升过程具有明显的时间线，从2023年02月27日到2025年01月05日期间持续迭代优化 [10] 数据闭环的局限性 - 数据闭环技术无法单独解决所有复杂驾驶场景，例如交警指挥、车道变化、前方烟花爆炸、羊群突然切入等边缘案例 [11][12] - 行业共识是自动驾驶的竞争已进入下半场，重点从数据闭环转向训练闭环，核心在于评估和真实世界效用 [13][14] 训练闭环的关键技术栈 - 关键技术包括区域级仿真、合成数据、强化学习、世界模型、多模态生成与场景重建等 [17][18] - 仿真技术从重建向生成演进，结合了3D高斯泼溅+神经辐射场、3D高斯泼溅+扩散模型等前沿方法 [19] - 公司在该领域有明确的技术发展路线图和时间表，例如2024年2月的Hierarchy UGP项目至2025年9月的RLGF项目 [20][21][24][26] 生成数据的应用 - 生成数据主要应用于场景编辑、场景迁移和场景生成三大方向 [27][29][30][31][33] - 生成数据能够覆盖多种关键变量，包括车辆、自车行为、交通状态、天气、道路类型和行为等 [34] 强化学习引擎的系统能力 - 强化学习引擎的核心能力取决于世界模型、3D资产、模拟智能体、奖励模型以及GPU算力与效率 [35][36] - 构建多样化的场景、交互行为并提供精确反馈是提升系统泛化能力的关键 [36] - 与基础仿真环境相比，推理过程对计算资源的需求更为密集 [36] 训练闭环的核心挑战 - 交互式智能体是构建训练闭环过程中面临的主要挑战 [38][40] - 模拟环境中是否包含智能智能体对仿真效果有决定性影响 [41] 总结与展望 - 自动驾驶技术的发展方向是从数据闭环演进至训练闭环 [44] - 最终目标是建立由目标驱动、具备自我探索能力的学习方法 [45]

地平线HSD技术体验评估 - 2025年10月在杭州西湖对A车型的地平线HSD工程车进行了1.5小时试驾，辅助驾驶能力相当不错，明显优于理想L7 VLA在2025年10月的量产版本 [1][2] - 试驾路线为自选，除1次三点掉头外实现0次接管，在安心感、舒适感、丝滑度、时延及堵车连续启停舒适度方面表现均很出色 [2] - 地平线HSD技术架构为以车端视角信息输入、输出轨迹的VA式端到端，云端有语言介入，认为串联式VLA对算力带宽要求过高，VA式端到端尚有潜力可挖 [1] 与理想汽车VLA技术对比 - 2025年8月在北京顺义体验的理想i8 VLA工程车能力明显强于当时理想L7和i6的量产版本 [1] - 试驾地平线HSD过程中几乎没有通过调整滚轮调整速度的欲望，而使用理想VLA时则经常有此欲望 [2] - 难以直接判断2025年10月体验的HSD工程车与2025年8月体验的理想i8 VLA工程车孰优孰劣 [1] 地平线方案表现差异与团队沟通 - 不同车型搭载地平线HSD的表现差异显著，A车型工程车辅助驾驶能力很不错，而B车型工程车表现很一般，差异原因包括芯片算力不同以及主机厂配合度 [2] - 地平线智驾团队沟通诚实度高，主动详细说明方案在极端天气、非标场景、复杂博弈、必须加塞导航等场景下体验一般的局限性 [3] - 地平线相关人员非严谨评估其HSD方案可能达到特斯拉FSD V13约60%的水平 [3] 人机交互与主机厂合作 - HUD和车机构成智驾体验重要部分，但地平线与主机厂合作中，车机与智驾适配高度尊重主机厂意见，导致部分设计如SR界面位置、导航目的地更改按钮不符合直觉 [3]

核心观点 - 理想连山数据科学协作平台旨在通过建立统一的数据语言和协作模式，解决企业内部因部门分工导致的“部门墙”问题，将跨部门协作从临时性、重复性的“提数-给结果”模式，转变为围绕共同目标、基于数据事实的持续共创模式，并最终实现产品化和规模化推广 [4][5][9][10][11] 部门协作挑战 - 企业内部分工导致专业视角割裂，研发、质量、试验等部门目标存在天然冲突，缺乏跨部门常态化共同解决问题的机制 [3] - 数据口径不一、项目进度跨部门推进困难等问题直接影响产品质量和客户体验 [2] 协作模式演进 - 协作起点是从“提数-给结果”的临时支持模式转变为共享数据语言，通过将常用信号、工况逻辑、可视化方法沉淀为可复用分析框架（如通用工况分析仪），使业务团队能自行查询分析，实现用相同数据和口径对话 [4] - 协作方式发展为共创，基于高透明度的共同指标曲线进行问题根源探讨，协作从数据世界延伸至物理世界，例如与工程师共同开发连山自动化试验以减轻高温标定工作负担 [5][6] - 理想连山从外部支持者转变为与业务团队在一致目标下的共创伙伴 [6] 产品化能力建设 - 将协作模式抽象为可落地、可复制、可扩展的数据科学项目方法，在独立Site环境中配置开发工具和LADS框架，统一数据感知与计算标准 [9] - 项目流程包括立项共识、场景拆解、特征沉淀、模型共建、小步验证、能力下沉至一线团队（如质量工程师）、工单接入闭环，最终实践经验回灌平台形成标准化能力 [9] - 三年积累83个数据科学项目、3545个预警模型、1060个产线关键特性监控等成果，浏览量达1,103,602次，形成平台化、产品化的七步能力 [10][11] - 数据科学项目本质是跨部门、围绕数据的持续协作模式，而非一次性IT系统或部门内部分析 [10]

本文参考了微博用户本诺、大雁jassy，知乎用户刘斯坦的观点。 本文核心4个观点： 1. 很多人不知道实际上VLA/世界模型/端到端其实压根就没有一个公认的怕他性定义。 2.头部智驾车企在自动驾驶探索上共同性的部分大于互联网上营造出来的差异性。内核 是宣传分歧, 不是技术路线分歧。 3.语言在自动驾驶上的作用是长推理/用户交互价值观对齐/理解世界。 4. 越认为predict the next token不只是概率分布的人，越容易认可语言可以理解世界。 以下为更细化论述： VLA/世界模型/WA/端到端的共同点是都指向需要具备生成看起来和真实世界的一样的道路视频数据 的能力，都指向是视觉信息进入（不区分是否是纯视觉），最终要能控制车辆行动。 区别点在于语言在其中是否参与，参与深度，以什么架构形式参与，将来语言相关的token是目前 LLM的text token，还是潜在的photon token。 目前互联网上充满着好像VLA/世界模型/端到端是不同技术路线，选了A就不能选B的氛围。特斯拉公 布一个自己关于自动驾驶的思考，大量人就急于去判定这个是不是VLA，如果是，就说明理想路线 是对的，如果不是，就不对。 ...

理想智驾与特斯拉的技术发展关系 - 理想智驾从V10-11时期的跟随特斯拉转变为V12及以后的参考特斯拉，跟随尺度显著降低[2] - 转变的核心锚点是理想在VLM后进行了大量特斯拉未公开提及的原始创新，其VLA创新度达到DeepSeek MoE水平[2] - 理想VLM由快系统（系统一）和慢系统（系统二）组成，快系统部分可视为跟随特斯拉，但慢系统部分为理想独立创新，因为特斯拉直到ICCV 2025才提及该概念，而理想在2024年X月已发表相关论文[3] - 理想VLM到VLA的演进是基于VLM的自然发展路线，而非追随特斯拉[3] 特斯拉端到端自动驾驶技术框架 - 特斯拉转向单一、大型的端到端神经网络，直接输入像素和传感器数据，输出控制动作，不再有显式感知模块[4] - 转向端到端的原因包括：人类价值观编码困难、传统模块接口信息丢失、易于扩展处理长尾问题、实现同构计算与确定性延迟[5] - 面临三大挑战：维度灾难（30秒窗口达20亿token）、可解释性与安全保证、评估难度[6][7] - 解决方案包括：利用车队数据挖掘高价值场景、通过辅助输出（如3D占用、自然语言决策）实现可解释性、使用神经网络闭环模拟器进行评估[7][8][9][10] 理想与特斯拉技术路线的对比与创新时序 - Ashok在ICCV 2025提及的系统2自然语言应用、高斯溅射生成仿真、仿真评估等概念均为理想率先公开[13][16] - 理想在2024年1月2日发表的论文已包含3D高斯表征相关内容，早于特斯拉ICCV 2025的公开介绍[18][20] - 特斯拉架构图中明确标注系统2和LLM应用，进一步验证理想在相关技术方向的先行性[22] - Ashok此次演讲未提出突破性概念，因此不能认为特斯拉再次引领行业研究方向调整[13]

952字压缩版： 特斯拉转向单一、大型的端到端神经网络，输入像素和其他传感器数据，直接产生下一个动作控制作为输出 。 不再有显式的感知模块；感知可以是隐式的或作为辅助任务训练 。 转向端到端的原因 ： 1.将人类价值观（如驾驶平顺性、风险权衡）编入代码极其困难 。 2.传统感知、预测和规划之间的接口定义糟糕，可能丢失信息 。 3.易于扩展以处理现实世界的长尾问题 。 4.实现同构计算，具有确定性的延迟，这对于实时系统至关重要 。 学习"像素->控制"的主要挑战 ： 1.维度灾难 (Curse of dimensionality) 。 2.可解释性和安全保证 (Interpretability and safety guarantees) 。 3.评估 (Evaluation) 。 挑战1 维度灾难的解决： 输入的上下文极长（例如30秒窗口可达20亿token）。 利用庞大的特斯拉车队数据 。 通过复杂的、基于触发器的数据收集（例如用户干预、状态空间大变化、小型NN捕捉特定场景）来挖掘有价值的 corner case 数据，而不是海量的"无 聊"数据 。 车中唯一重要的是控制动作；其他都是辅助性的 。 示例1： ...

文章核心观点 - 文章是对理想i8车型为期40天、行驶1470公里的深度用户体验总结，核心观点为该车型在超充效率、辅助驾驶、乘坐舒适度及车机智能化方面表现优异，整体符合或超出用户预期 [2][23] 换车背景与驱动因素 - 换车周期符合行业普遍的6-8年规律，叠加购置税及置换补贴政策退坡预期，加速了换车决策 [3] - 家庭结构变化导致5人出行成为常态，是换购空间更大的6座车的主要驱动因素 [3] - 5C超充技术10分钟补充500公里续航的普及以及充电站网络完善，彻底打消了用户的续航焦虑，促使选择纯电车型 [3] 电耗与充电效率 - 累计行驶1470.3公里，驱动耗电量234.4kwh，驱动电耗为15.9kwh/100km [7] - 城区电耗约为14.9kwh/100km，与官方宣传的14.8kwh/100km接近，川西高海拔地区满载6人电耗为17.6kwh/100km [7] - 计入哨兵模式等电器耗电后，综合电耗约18kwh/100km，实际可用续航（95%-10%电量）约为460公里 [8] - 5C超充站充电效率极高，两次充电分别用时13分35秒充电68.685度（24.77%-95%）、14分34秒充电75.592度（17.7%-95%） [10][12] - 4C超充站充电70.943度至95%用时17分44秒，5C桩比4C桩在充相同电量下快约6分钟 [11][12] 乘坐与储物空间 - 6座布局在6人满载情况下，第三排仍能提供较为舒适的乘坐体验 [13] - 主驾座椅舒适度显著提升，支持连续驾驶11小时而无明显腰酸背痛 [13] - 对于常见5人出行场景，6座车的第二排乘坐舒适性完爆5座车 [15] - 储物空间经对比体验，i8显著大于理想L8，能满足两家6口人长途出行的行李装载需求 [15] 辅助驾驶系统 - 辅助驾驶总里程为565公里，软件版本为8.0.1 [16] - 系统优点包括对前方交通环境判断准确、操作丝滑，特别是在小路绕行和高速超车场景 [19] - 系统缺点包括对侧后方车辆预判不足、偶发急刹、城区变道突兀以及面对障碍物时决策迟疑 [19] - VLA召唤与小理师傅帮停功能在非复杂场景下成功率超过90%，提供了极高的情绪价值 [19] - VLA召唤功能目前仅限车主账号使用，且App启动时信号连接耗时较长是主要使用痛点 [20] 车机及智能座舱 - 桌面大师功能解决了功能入口层级过深的问题，支持生成个性化桌面卡片，获得高度评价 [22] - 语音识别能力强，能准确识别口语化表达及带有口音的普通话 [22] - 无麦K歌和调音大师（支持分享码导入模板）等娱乐功能提升了旅途乐趣和音响体验 [22] 驾驶感受 - 车辆过弯稳定性与燃油轿车相比无显著差异，滤震效果更优，得益于CDC和空悬 [23] - 高速行驶时风噪控制出色，仅有轻微风躁，优于以往燃油车的风躁加发动机噪音 [23]

1.自研通信中间件：将全车几十个芯片的分布式系统（如车控、智驾、座舱）视为一个整体，通过自 研的（优于开源的）中间件像神经系统一样将其串联，实现了高效的通信和资源协调。（没在开源上 找到更好的） 2.打破"黑盒"实现跨域整合：传统车的各域控是来自不同供应商的"黑盒"，难以协调。星环OS打破了 这些壁垒，实现了端到端的整合，这使其在实时性、抖动控制和车身姿态控制上具有技术优势。 3.极致的软硬结合：类似于iPhone的A系列芯片和iOS的结合，通过软硬件的深度集成来放大系统性 能。 压缩版： 理想操作系统架构负责人黄震认为 4.高迭代效率：通过应用层解耦和各种工具，实现了更快的开发速度、更准的问题定位和更快的问题 收敛。 较AUTOSAR核心的优势是机制的跨域实时性，以及通信协议没有采用AUTOSAR的SOME/IP，而是 采用了更像机器人领域DDS的分布式通信方式，这在QoS能力、安全性和伸缩性上对AUTOSAR的传 统标准有所优化。 通过叠加时间链同步、优先调度和内核改造，在120公里时速下，能提前7米判断并作出刹车或避让反 应。 通过简化的适配接口和原生的多CPU架构支持，新芯片仅需两周即可高质量地应用起 ...