文章核心观点 - 自动驾驶技术正从依赖人类驾驶数据的模仿学习范式，转向基于世界模型和强化学习的新范式，这是实现高级别自动驾驶（L4）的必经之路 [3][7] - 小马智行自2020年起探索世界模型，其发展已进入2.0阶段，核心特征是AI具备自我诊断与进化的能力，大幅提升了技术迭代效率和系统性能天花板 [4][18][21] - 在AI驱动开发的新范式下，行业最稀缺的是能“驾驭AI”的人才，即能够为AI设置框架、分解任务并让其自我演进的能力 [5][47] - L4自动驾驶与L2辅助驾驶在目标和技术理念上存在根本差异，L2的积累对实现L4帮助有限，实现L4需要从零构建超越人类驾驶能力的新体系 [5][9][11] 技术路径与演进 - **技术范式转变**：行业普遍认识到，单纯依赖人类驾驶行为数据的模仿学习已遇瓶颈，平均接管里程（MPI）难以继续提升，必须转向基于世界模型和强化学习的训练范式 [7][8][11] - **世界模型定义**：世界模型不直接开车，其核心任务是模拟车端模型决策后世界的变化，包括其他交通参与者的反应和风险演化，为车端模型提供一个接近真实的虚拟训练环境 [4][26] - **世界模型1.0**：核心是构建高精度的虚拟环境、真实的交互模型以及健全的评价体系，让车端模型在其中进行“几亿次甚至几千亿次”训练，即“模型训练模型” [14][15] - **世界模型2.0**：实现了从“人裁判”到“AI裁判”的跃升，AI能够自动诊断车端模型的问题、驱动数据采集和场景优化，实现了开发过程的自我演进，迭代速度比前几年更快 [4][18][21] - **意图层（Intention）**：是世界模型的优势能力，能在虚拟环境中生成交通参与者无限的可能意图组合，让车端模型在“多重宇宙”中选择全局最优路径，确保对所有可能性安全 [21][23][24] 公司进展与规划 - **技术落地效果**：在世界模型新技术路线支撑下，小马智行Robotaxi在市中心区域的表现提升，能够处理更多复杂场景，计划在2024年将业务扩展到全球20个城市中心 [4][21][41] - **跨领域应用**：公司的卡车业务与乘用车（Robotaxi）使用同一套核心代码训练，但控制模型不同，卡车业务同样具有高行业价值，目前技术已非主要障碍，正在等待政策成熟 [44][45] - **高速场景挑战**：L4自动驾驶在高速场景的落地难度高于城区，因为极端事件频率低导致模型学习梯度下降慢，需要“千万公里高速公路里程积累”才能开得好 [44] - **商业模式**：Robotaxi已实现单车盈利，其商业模式不需要覆盖“百城”，聚焦关键城市即可；有安全员的自动驾驶卡车也已实现单车盈利，未来目标是提高车队人车比 [41][45] 行业竞争与壁垒 - **L2与L4的差异**：L2产品逻辑是在极端场景提醒用户接管，而L4必须解决所有极端场景，两者开发理念和对安全冗余的要求存在根本冲撞 [39] - **技术壁垒认知**：自动驾驶不仅仅是模型，还涉及整套运行框架、芯片部署、传感器冗余系统和线下运营，因此即便有多模态大模型等新技术出现，行业壁垒也不会降低 [46] - **对竞争对手的看法**：认为特斯拉等公司拥有百万辆有人驾驶车辆对其无人驾驶（Robotaxi）业务的扩展速度帮助有限，其无人车规模仍需从个位数开始积累 [42][43] - **算力观点**：认为算力差距达到100倍才会有本质区别，1000 TOPS与3000 TOPS从驾驶能力上看没有区别，可以通过模型结构设计来弥补数倍的算力差距 [40] 人才与组织 - **人才需求转变**：公司最需要的是能“驾驭AI”的人才，即具备在AI时代设计系统框架、分解任务并让AI自我演进的能力，这种能力需要在没有AI的时代培养出来 [47][50] - **组织范式变化**：开发模式从“工程师当导师和裁判”转变为“完成AI交给你的任务”，AI成为开发流程的驱动者，工程师则专注于帮助AI更高效地训练和部署 [32][33][35] - **工程师价值**：工程师的成就感来源于构建出比自己更强大的AI系统，这是AI时代的巨大成就 [36] 未来展望 - **世界模型3.0展望**：下一阶段是物理世界模型，将超越自动驾驶范畴，触及AI for science（人工智能助力科学），旨在理解更基础的物理定律和世界存在方式 [55][59] - **终局愿景**：希望通过构建微观世界的虚拟模型，来理解真实世界（如量子现象）的运转规律，这可能是人类充分利用AI后能做出的最大贡献之一 [60] - **物理AI应用**：认为当前机器人等物理AI应用尚在早期，还未达到需要“超越人类”而引入世界模型的阶段，因为引入基础物理定律（如重力）仍非常困难 [57][58]