核心观点 - 公司选择长期主义技术路线 自研VLA司机大模型 通过强化学习实现机器理解决策逻辑 区别于行业主流端到端架构的模仿学习模式 [1][3][11] - VLA模型具备持续进化能力 可实现事故预防率提升至人类驾驶10倍(600万公里/次事故) 并支持个性化驾驶风格学习 [4] - 公司构建数据/算法/算力/工程四位一体护城河 包括43亿公里辅助驾驶数据积累 自研MoE架构模型部署 以及日均30万公里仿真测试能力 [9][12][5] 技术架构优势 - VLA采用CoT思维链技术 实时呈现决策逻辑 解决端到端模型"无脑执行"痛点 [11] - 通过强化学习实现"越开越像用户"个性化体验 未来支持Face ID自动切换驾驶风格 [4] - 模型部署突破: 4B MoE混合专家架构 轨迹生成时延仅15毫秒 32B云端大模型蒸馏至3.2B车端模型 [12][15] - 算力优化实现700TOPS有效算力 采用QAT量化感知训练与底层指令重写技术 [15] 数据与测试体系 - 累计43亿公里辅助驾驶里程数据 12亿公里有效回传数据 经过严格"老司机数据"筛选标准 [9] - 仿真测试替代90%实车路测 2025年上半年累计测试超4000万公里 单日峰值达30万公里 [5][9] - 仿真一致性达99.9%以上 基于150万公里实车测试进行验证校准 [10] - 建立超40万个场景评测体系 形成技术壁垒 [7] 性能目标与进展 - 当前辅助驾驶事故率350-400万公里/次 人类驾驶约60万公里/次 [4] - 目标2025年底将MPI接管里程提升至400-500公里 2026年达1000公里 [8] - 智能驾驶试驾率72.4% 试驾满意度92% 30万以上车型AD Max交付占比75.4% [8] 行业技术痛点 - 端到端+VLM架构训练数据超1000万Clips后性能增长缓慢 [3] - 实车测试无法复现极端场景 接管里程数字存在统计缺陷 [3] - 人工采集数据成本高昂 部分企业雇佣数百人实车路测 [3] 价值观与原则 - 安全绝对优先原则: 拒绝危险指令执行 即便牺牲初期体验保守 [22][25] - 技术发展三原则: 安全优先/有效算力至上/用户共建迭代 [25] - VLA架构被评估为长期技术路线 可持续延续至机器人技术时代 [25]