技术战略与路线选择 - 公司认为无法通过模仿领先者（如华为）的方式实现超越，必须开辟新的技术战场，因此选择研发下一代技术如“端到端”和VLA（视觉-语言-行动模型）以实现代际提升[3][13][16][17] - 2023年底公司决定从规则方案转向“端到端”架构，使智驾能力进入第一梯队；2024年初进一步选择VLA路径，目标是让系统具备类似人类的推理能力，而非单纯行为模仿，以争取成为没有争议的行业第一[3][16][19] - VLA被视为实现L4级自动驾驶的关键路径，其核心优势在于无监督训练和更高的迭代效率，预计最晚明年初用户可体验到显著提升；公司认为反对声音恰恰验证了VLA方向的正确性[3][18][23][24] 组织架构与团队演进 - 2024年9月公司对智驾团队进行重组，将原有4-5个二级部门拆分为11个部门，负责人直接向研发高级副总裁汇报，旨在打造更扁平的AI组织以提升决策效率和适应性[6][7][8] - 团队自2018年成立以来已更换三代骨干，早期成员多因资源投入分歧离职；当前核心管理层强调从内部培养，二级部门负责人均具备业务和技术背景，而非纯管理出身[8][46][47][49] - 公司取消大规模封闭研发模式，转向各部门发挥专长共同协作，反映其从追赶者到领先者的角色转变，同时注重员工关怀与可持续能力建设而非单纯压榨工时[8][9] 研发历程与关键节点 - 自研起步阶段（2019年）资源极度匮乏，团队曾使用碰撞测试报废车辆安装激光雷达进行预研，单个激光雷达成本达60-80万元，总投入约300余万元[3][50] - 2021年启动首个全栈自研项目“卫城”，团队不足100人，通过连续封闭开发（如每天全员到岗、凌晨加班）在90天内交付基础ADAS，并于同年12月交付高速NOA，奠定自研基础[10][44][45][46] - 数据积累从2021年前不足1亿公里快速增长至近年每年数亿公里，2023年有意控制数据采集量，聚焦高质量数据，当前保有量约十几亿公里，为模型训练提供支撑[34][35] 技术能力与资源投入 - 公司构建以数据闭环为核心的护城河，2023年“端到端”方案上线时通过“超级对齐”解决安全性问题，但过程痛苦，需核心团队持续数月每日早晨8点晨会[11][12] - 云端算力投入巨大，2023年约8 EFLOPS（对应10亿元人民币量级），当前训练算力达10 EFLOPS，推理算力3 EFLOPS，未来计划提升至32B参数模型，且投入不设上限[31][32][33] - VLA车端模型参数量为4B，通过工程优化部署至非大模型定制芯片；自研芯片将按AI需求设计，支持多芯片并联扩展算力，以应对存储带宽限制[23][33] 竞争对标与行业展望 - 公司认为与特斯拉FSD当前差距未拉开，但VLA加强化闭环实现自我迭代后，将形成代际优势，并有望凭借本土数据环境在中国市场超越特斯拉[39] - 针对特斯拉FSD V14，公司认可其表现（如修复95%犹豫变道问题），但指出其技术框架已包含Language模块，与VLA理念一致，双方路径趋同但实现细节不同[39][40] - 实现L4的最大挑战并非技术，而是大规模商业化落地，包括用户教育、法律法规和公众接受度；公司计划先聚焦国内市场，已设立创新业务部探索海外适配[40][41] 业务理念与领导力 - 公司坚持LSA（理想战略分析法）框架：认知决定战略、战略决定业务、业务决定组织与资源，强调在高峰时不膨胀、低谷时不放弃的长期执行力[52][53][54][62] - 研发高级副总裁将工作时间分配调整为50%管理、30%战略规划、20%技术业务，反映其从技术专家向业务管理者的转型，并深入参与L4商业化战略设计[58] - 公司培养人才注重全面业务理解，核心负责人需经历多岗位锻炼；校招生管理强调战略目标传达而非经验灌输，给予资源空间自主发挥[49][60]