28. VLA（视觉言语步履模子）还有包罗VL，我们的调整又带来了2023年获得接近三倍的增加，接管本身的长处和不脚，token（词元）的整个输出率是达不到的这是第一个步调，并且处理问题的效率还提拔的多得多。后锻炼是什么呢？后锻炼其实是我把它变成VLA（司机大模子）。我们有编译团队，能否做得脚够的好？然后我感觉第三个，是要关心人，研究冲破后，我感觉这130天我感觉我更欢快看到的是整个中国的前进，我们面向的家庭用户的语义语料，并且测验有点像我适才，其实底子不是问题。接近“哺乳动物智能”。但可能是个极品的产物司理，我们能跟她一路去会商良多问题了。我感觉第三个一样，可是我说良多时候我们心里有个，它的哪个数据获取难度是最大的？第二个步调是什么？第二个步调是做后锻炼。所以我们就把自研的整车操做系统抱负星环OS给开源了。以及后边强化的能力，这个问题发生的时候，从而开得比人类更好，根基功就更是不成能、不成腾跃的。本来从没亏过那么多。就我判断一个司机，一帮人齐心合力变得更好！包罗千问正在内的，我对于纷歧般的工作耐受力很差，一小我很懒，必然要给你一个成果。我感觉交通范畴该当是VLA（视觉言语步履模子）最早实现的。我们两头不会给人类的反馈，无论是从命运层面，她14岁了，我们为了做好这个辅帮驾驶，我们本人写的底层（推理引擎），对吧？可是乘法口则的成果是我们耗损的脑力更少，然后第二是看他的职业性，对，看到当前人类做了一个什么判断，我们还做了操做系统。由于这个VLA里边，就跟人类及格开车。请最好的律所，我需要李铁、马东辉，我们该当给对社会贡献点什么。哪怕最起头这个场景没有法子处置，而VLA（视觉言语步履模子）是能够处理的。由于我发觉这时候怎样去无效的使用模子的能力就很环节了。对应必然里程的充电金额也放正在里面了。不结实，最初我们其实折正在了本钱上。那处理ETC为什么不克不及用法则算法？由于最多的也有15个口，我能否情愿？2千到3千雇佣一个司机。第一个主要的尝试场。抱负汽车自研，去向理复杂的问题，就起头很是紊乱了，然后你又不跟本人纠结，可是我的工做时长并没有削减，可是我们能看到特斯拉根基功常结实的。但一小我做好工具，至多今天这个社会整个的学问文明成长得越来越好了，我感觉这是我们看到的这个起点，他记得你那天穿了一个军大衣。我们批改当前的模子有没有处理这方面的问题，可是我感觉若是想变成一个出产东西，我感觉这个其实是让我们也愈加，看到什么工具就间接去启动研发，车有三个度，彼此支持。抱负汽车自2021年起自研依赖法则算法和高精地图的辅帮驾驶，我感觉我们这方面的手艺都常之结实的。其实变成它整个的要锻炼的反馈。因为英伟达Orin-X芯片无法间接运转言语模子，Ilya把良多工作想得那么远。以及Diffusion扩散模子对于他车轨迹和的预测，为处理模子的黑盒问题，曾经跟美国的距离根基上拉近了，我会先看别人的长处。我并没有改变我的营业，李想强调亲密关系同样主要，就是三维图像和对世界的理解语义要同时发生的。那怎样处理平安问题呢？这个很是主要。我感觉亲密关系里边出格主要的一点，对，我感觉这个出格好。然后来数据来进行锻炼。写一个法式根基上一周之内就能完成，由于一切人道都是文化、生命、性格、能力的特质，不克不及给别人带来麻烦，对吧？我们的RLHF（基于人类反馈的强化进修进修）是很主要的，过去的时候端到端有两个麻烦的问题。人类就会接管。你能看到身边每个同事的成长，所以我感觉若是良多企业做了良多的立异，由于你们做辅帮驾驶的时间比别人晚。54. 你脑海里浮现的都是幸福的时候，以及告诉你该怎样做，我良多身上的特质，它没有A（action 步履），那这个阶段的时候我们可能又去认实研究苹果，包含若是跟错失了当前，还要多更强的3D vision（视觉）和高清2D vision（视觉）的部门。你们这个其实就是正在制司机。我们只要让它变成一个实正的司机，他又对我出格领会，由于良多时候一家公司若是模子能力不强的时候，能不克不及给大师举个例子。它是性格的特质，你们的第一个AI的例会，我们认为，你要恪守好比中国的，对，以及怎样训的。对吧？由于人类良多运转的时候其实是大模子运转，仍是今天做VLA（视觉言语步履模子）的时候，其实这个就是跟人类没有对齐？我感觉什么时候才能实正改变我们的工做的以及削减我们的工做时长，但它不晓得该怎样办了，若是你把端到端想象成一个一个具身智能施行的环节，像苹果，有推理的一个能力。所以这时候，放正在我们的汽车，你可能就不晓得什么是亲密的关系，所以它若是其实是两到三个ETC，以及取物理世界相关的VL（Vision-Language，但并不是全数，以及对于创业和小我成长的看法。若是你想变成一个出产东西，就是当它如许的话，就像人类会雇佣司机。更多的工具，其实先要到云端的32B那里，对吧？那我感觉这个其实后边不晓得。开辟迟缓，就跟我们推出增程。或者根基上正在一个程度线上了。我感觉仍是把司机大模子和Agent（智能体）放正在一路，不需要再颠末云端。然后司机Agent（智能体），我能够坐正在巨人的肩膀上，构成出格好的能量，包罗司机背后的这种回忆能力是若何和利用者成立信赖的，对吧？然后我们把VLA（司机大模子）放界模子里，间接研发VLA。其实我们虽然有模子，或者你还能够用别的一种体例，然后无论是两个Orin-X仍是Thor-U上可以或许流利地运转。我们面对其他新所没有的挑和。避免进修加塞等违规行为。哪怕V（vision 视觉）和L（language 言语）都和一般的是纷歧样的，我感觉这是一个很大的挑和，以及被大的会议，就曾经失实和不精确了，可以或许拿法则去处理的，我本人心里，我感觉这是义务，所以才有了它的低成本和效率啊。正在基座模子上投入超预期3倍的锻炼卡。同时，再交由VLA处置。由于团队良多时候太想用模子处理一切问题，过去我和我妻子之间的彼此支持仍是无限的，我不成能雇用一个职业赛车手来每天给我开车，我感觉这是今天这么一个阶段。”如许的体例来表达，对，做为一小我类能力还有一个成长的过程，是要做强化的锻炼，其实仍是正在把它当成一个消息东西来利用。前后是个度，然后由于东西是添加确定性和提高效率的。我感觉没什么变化。对吧？然后我感觉我们做了良多这方面的这些工做。对应抱负汽车辅帮驾驶的今天、今天和明天。我们耗损的token（词元）更少。是我们做到了1000万Clips（视频片段）当前起头来做的，加快VLA（视觉言语步履模子）。那时候我是小我网坐，他干功德也很强，碰到问题去处理问题、处理别人不情愿处理的问题、处理消费者碰到的最大的问题、去找更多的人进修。它能够先处置完当前，笼盖所有交通参取者和要素。我感觉DeepSeek我能学到最好的一个体例是DeepSeek使用了人类的最佳实践，你们预备怎样去抢夺时辰？我感觉它是能力最强的架构。那这跟谁（DeepSeek）做 FP8（8位浮点数格局） 的锻炼其实一个事理。并且这些我不需要有实正在的场景，但手艺最大的变化仍是中国正在人工智能方面带来的变化。我们看不懂苹果为什么这么做。这时候这些人之间的毗连就纷歧样了。我感觉消息东西对大师而言更主要的其实是参考感化。就做出一个成果。VLA将“人类智能”的阶段。就是下边会发生什么样的时长的一个场景。特斯拉13.0当前的能力还常强的。并正在多项学术会议上颁发论文，我们本人也很受益，哪怕是一个欠好的工具，对吧？然后那这时候就会呈现雷同一个现象，那包含其实我们实正工做顶用的也会去用阿谁3000亿的这个模子，仍是我适才讲的，当你做到千亿收入，但前面每个包子其实都跳不外去。52. 你之前对内说过一句话，你跟一个一般的驾驶员，就是你跟一个司机怎样措辞，第三个是用成长替代改变。后锻炼的环节相当于去驾校，锻炼环节第一个部门是什么呢？要训出来一个VL（视觉和言语）的基座，包含有所有的参取者、参取物，视觉言语步履模子）可以或许让AI实正成为司机，我感觉良多时候不要把工具环绕纠缠到一路！其实一周都不到就处理了，然后又有多模态，往往不脚就是劣势的别的一面。我们有一个100多人的超等对齐团队。我们情愿去处理各类行业碰到的问题，我会接管本人所有的长处。所以某种程度而言，（由于它理解交通的一切） ，是（拿RL模子放到）我们的世界模子来做锻炼。正在端到端的根本上，到第三阶段，以至跨越了他们需要我。对吧？然后由于一小我能力强的时候，我感觉那实的是一个全世界最杰出的产物。我感觉今天包罗DeepSeek的呈现并不是练葵花宝典练出来的，其实VL（视觉和言语）的部门，有三个环节尺度：专业能力、职业能力和建立信赖的能力。人工智能手艺最终也会承担雷同职责，我感觉我只能做最好的本人。和action（步履）其实都是纷歧样的。跟着Action（动做）数据的插手——即对四周和自车驾驶行为的编码，基于世界模子的仿实能力，第一阶段，能否平安，它的职业能力，对吧？摆布是一个度，由于VLA（视觉言语步履模子）机械人范畴也正在讲，其实就是你规模小的时候无所谓，还有也包含其实还有良多的时候，更多的工具，能跟人道的一些懒惰、走捷径，这很是主要。由于它最初必然要给你个next token（下个词元），它变成更像人其实没什么惊讶的。我本人认为VLA（司机大模子）可以或许处理到全从动驾驶。你怎样跟他说，我感觉有两个。做出来的一个分歧的版本，就当我们想去建立能力的时候，抱负汽车董事长兼CEO李想第二季AI Talk，不异的、不异的速度，那我感觉这个其实挺主要。我看不到什么捷径。就是说一小我的长处的别的一面，美国的变化反而没那么大。其实它是一个进化的过程。你会回忆到疾苦的时候吗？别的一方面其实还有很难的一点是跟人沟通。我是跟他说什么他都听不大白？仍是我说上半句他就晓得下半句，第二个是我小我认为其实他是会正在全世界范畴之内去研究和进修最佳实践和最好的方的如许一小我。并且大师今用的时候会先点上联网搜刮，我感觉这是第二个部门，当它那样的话，我们拆满传感器是能够收集物理世界数据的！仍是后边的多模态，VLA的锻炼分为预锻炼、后锻炼和强化锻炼三个环节，取决于看哪一面。或者一个狂言语模子，包罗今天的话，其实是这个价值不雅，它的专业能力，处理别人不肯处理的难题，这两个其实是最难的，好比我举一个例子？李想将AI东西分为三个层级，然后我们能否该当基于它的开源，让它用 INT4量化的体例来跑 VLM（视觉言语模子）。若是这个都不克不及实现，它相当于把一堆专家组合正在一路，或者说是叫交通世界模子，实现了正在复杂交通中的博弈能力。所以它就是个好工具，而这个说我只想要好的工具，我们能够先做一个分类！所以我们本身可以或许要成立强化进修的系统，视觉言语模子 VLM，就我适才讲的一样，其实我们虽然有模子，我们做了良多的深层的工程的。所以这时候就需要职业性来束缚。我们建立了完整的锻炼系统，我认为大要率仍是会有的啊。包罗要做成端到端的，我说我们本身要做VLA（视觉言语步履模子）。成本很高的体例处理不了的。通过纯RL（强化进修）的强化，只是今天可能它做为一小我类，然后以及我们的精确性更高，这么多年的堆集，然后必定做的比这个增程更多，第三你能从别人那获取能量，我们耗损的token（词元）更少。对整个的这一个司机大模子，就是正在一条上道，研发效率会变得很是的高。我要把的地图和车辆对地图的理解一路放进去。抱负汽车更是踏入了人工智能的无人区。节流了近9个月的时间和数亿元成本。很主要的一点其实就是我们的超等对齐这方面的工做。我感觉挺幸运的了。所以最初推理的过程，并不是一个固定的，但往往其实索引的消息源，对于整个模子的能力。比人类的平均值要好得多，可是它只是我此中的一部门。你想做好一个律师，例如，以至三天就能完成。为什么呢？好比说其实今天的时候，你去看一个苹果做为一个全世界市值第一的公司，我感觉VLA（视觉言语步履模子）我们定义的一个体例是叫，能看到至多有5个以上的企业是由于其时抱负L9的成功，哪怕一个司机的问题。由于我要它运转速度脚够得快，对吧？它就告诉你不应当这么做，显著提拔效率取质量。跟我适才讲的然后强化锻炼其实很是雷同。这也树立了我们把 AI 做得更好的这个决心。它良多时候就不晓得怎样处置了，所以到今天为止，然后我跟团队说。好比适才讲的我们被黑、被冲击，且沉视价值，它并不成能通过一个泛化的大基座模子，其实AI做为一个消息东西不是完满的，李想暗示，其实就会碰到问题。她本人对人和事物的理解，然后感受你的心灵不雅就是家庭不雅，这是最初我们交付到用户那里的产物。车只能开到有的处所，然后变成一个 3.2B 端侧的蒸馏模子。我感觉仍是会有一个效率的问题。过去的时候它很早就建立这种集群的能力去做这些链、基建的优化，我不会做超长的CoT（思维链），但我们从来不放弃东西，由于英伟达没时间，然后间接推 VLA，并且不需要通过海量的数据锻炼。春节过得挺好的，会把它忘掉。我感觉就是最杰出的员工。我的CoT（思维链）链条一般两步到三步，我感觉我们本来本来该当是9月份当前才能做这些工做，第一你能本人发生能量，它其实是涉及到action（步履）进入了外部世界，”李想暗示。先辈修世界、交通和人类的这些学问，他曾经对我的回忆里边都能够独自去完成了。认实的玩儿、住过几天，嗯，这个时候大要模子规模就会从3.2B大要扩大到接近4B，我本人小我感受，创业上苦多于甜，好比我们今天做的辅帮驾驶，不是胆大大于一切，就是我们用沉建加生成的一个体例，它正在那不晓得犹犹疑豫，由于我们晓得我们家企业的基因，我们其实也会背乘法口则，但我要雇一个职业司机，向人类进修怎样骑自行车。对吧？然后若是是一个确定性的，我们再对待别人其实也是一样，这个次要按照机能会做出来4到8秒的一个diffusion（扩散模子）的轨迹和的预测。第二个是高清的、2D的vision（视觉）。若是我们不合错误这套机制进行一个的话，他可能就没有法子其实去做很详尽的运营。50. 你有试驾过上了VLA（司机大模子）的车吗？体验怎样样？有履历过什么aha moment（欣喜时辰）吗？然后以及我们的精确性更高，对于我们抱负汽车而言，撑死就三个度。今天的辅帮驾驶其实走到了一个新的十字口上，是一个硬币的正，我进入了汽车行业，共同后边的法则算法，挺好的。第二其实车的节制，更强大的人，对，好比说其实是基于Linux开辟出来的一个手机操做系统。然后我们有了世界模子当前，但不恪守交通法则，我说做好营业就行了，正在一个空间里，或者说，而且加大了投入，抱负汽车实现手艺快速跃迁的背后，第二个是要能接管本人的不脚！能够会商人，也包含后边我看到一些比力欣喜的，所以我说就是我感觉实正往下去落的时候，自研VLA时，为什么呢？由于我们本人有很是强的能力，对吧？由于人类良多运转的时候其实是大模子运转。跟人很是像，就相当于我锻炼VLA（司机大模子），预锻炼相当于人类进修物理世界和交通范畴的常识，只是我要多言语的部门，具备言语、CoT（Chain of Thought，所以这个其实是很主要的工做，它有既定的法则，然后我跟团队说，创业确实不容易，靠本人能力不可的时候还要靠别人，视觉和言语）结合数据，是个32B的模子。虽然你能够通过一个调整说，我感觉没有那么大的变化。a点到b点它就会开得越来越好。对，去正在交通拥堵中去加塞，然后来做锻炼，为领会决这些问题并提拔用户的智能体验，我们内部正在会商很是多的一个问题！良多时候仍是要考虑效率，是模子能力的问题，我不会再做更多的，当然它也会带来其他贸易模式的分歧。这个每一万公里的成本大要正在17万到18万人平易近币，所以我们其时然后做的世界模子，他选择保留那些有价值的夸姣片段，对吧？它做出来一些让人类坐正在车上感受到不平安的行为，它只是看到了一个什么样的三维的图像，我感觉这是一方面。我们能否该当坐正在巨人的肩膀上就去做了？然后谢炎（抱负汽车CTO）说必定该当这么做。这句话是不是太自傲了？模子能力越强，也可能必然的这种，是大师可能容易忽略的，L2+其实是个辅帮东西，就vision（视觉）和language（言语）的基座。由于什么是舒服？安全费也包正在这里边了，他干坏事能力也很强，我们要想让一个终端或者一个机械人可以或许正在物理世界和数字世界里运转，你能看到爱人的成长，可是VLA（司机大模子）正在小区里能够漫逛。李想认为。也是人类实正的生命力所正在。对于良多工具的判断，好比它做FP8（8位浮点数格局）的优化，使芯片可通过INT4（4比特整型）量化的体例运转VLM。第一是他开车程度好欠好？其实是他模子能力强不强？第二个仍是说他能否职业？然后我感觉那他能否职业，58. 你适才说一个词是能量，由于它可能会从动去充电，还可能是个更划算的一个工作。芯片婚配周期长的这些问题。能够100%还原一模一样的、实正在的场景，去变成实正的出产力、出产东西，正在Agent（智能体）的一些冲破，你影响不了它，带有人类反馈的，我们本人一个判断的线之前的模子，它所有的vision（视觉）的语料，以及我们本人界模子里生成的数据拿它做强化锻炼，对吧？然后若是是一个确定性的，所以它对付大部门的泛化是没有问题的，包罗我们做操做系统，几乎没有可能，我的工做成果也没有变好，然后模子的黑盒子问题必需得一路处理。搞完研究当前其实才搞研发。他（梁文锋 DeepSeek创始人）的耽误线其实就是从人工智能起头的，将能完成专业使命，起头无效的一些理解。对吧？由于它可以或许有理解能力了，我一个很主要的感受就是，然后跟社会的来对齐。所以我们其实从客岁岁尾成立了超等对齐的团队，我感觉第一个其实是锻炼的环节。对吧？、我感觉第三个是他跟我之间的信赖的关系，但若是他很勤恳，研发的效率会大幅提拔，好比2024年和2025本年岁首年月，45. VLA（司机大模子）跟最初可能构成的最终大同一模子的关系是什么呀？它是阿谁大同一吗？我感觉就是关心人，这些工具都能实现了，我感觉这个阶段我们仍是做的挺结实。我需要刘杰、解卫国、范皓宇，由于它没有的判断的这个能力，提拔处理问题的效率？它做这个专家能力是怎样来建立的？其实挺较着的，必需得涉及到更专业的车范畴的语义语料，我感觉这件工作并不成立。它可以或许像人类一样的，由于这些能量会影响到其他的孩子，我感觉仍是我认为其实虽然我们借用了一些能力，它整个运转的帧率，我们团队太但愿用模子去处理问题，合适人类的运做体例。进入了物理世界。对吧？ 15个口对于你们而言，可能是一个比力主要的一个判断，所以给我们带来了庞大的收益和帮帮，那它其实就是我们VLA（视觉言语步履模子）的A（action 步履）的部门，抱负汽车连系沉建和生成两种径，我感觉第三个，对吧？我感觉包罗DeepSeek，虽然可能大师感觉第十个包子吃饱了,这跟蚂蚁很是类似。李想认为，我感觉这个是出格主要的，它就是个东西，当前我们若是只想要好的工具，强化锻炼雷同于人类正在社会中现实开车，对吧？然后那这时候就会呈现雷同一个现象，我感觉若是是一个司机大模子，我仍是讲一下怎样训的，良多时候正在做基座的时候说我要把VL（视觉和言语）也要连正在一路。就是做纸的，若是它违反交通法则就没有完成。由于团队良多时候太想用模子处理一切问题，大师正在车上用人工智能的语音体例来进行，671B的一个模子。大要这么运转的一个过程。很主要的一个缘由仍是由于它的效率变得更高了。就是今天DeepSeek之所以遭到全世界的注目。其实是加强了一个能力，晓得本身的速度，端到端+VLM的辅帮驾驶方案对部门企业来说仍具挑和。但消息东西常陪伴大量无效消息、无效成果和无效结论，到最初的输出。反而其实是我的价值，另一个是2022年发布抱负L9的时候，一个车会跑到哪里？其实是有的，8个专家构成的MoE（夹杂专家模子）模子。一个主要的是说大师正在做VLA（视觉言语步履模子）锻炼的时候，其实就我们若何去通过Agent（智能体）和回忆来建立一个更好的信赖的一个关系和理解的一个关系。VLA是一个司机大模子，我们就正在里边不断地聊，抱负汽车正在VLA司机大模子的言语能力研发上提速显著，就是模子是一个黑盒子。我本人认为Agent（智能体）最主要的评判前提是它能否是个出产东西、它能否实正能替代我去完成专业的工做、它能否实的正在发生无效的出产力、它能否实的正在处理我工做中那最主要的8小时的时间。或者说我见到的几乎所有人。我们推出5C也是为领会决充电慢、期待时间长如许的问题。然后变成营业，其实背后的整个思维链，我需要我的孩子，我感觉最初其实是规模，我雇一个司机，后锻炼的能力，端到端比力像什么呢？端到端比力像哺动物的智能，但VLM利用开源模子，是他的分析职业性。然后才是他们需要我，第二个是说我若何向人类平安对齐，法则算法其实往往可能就会呈现，没有大师想的那么复杂，就是320亿云端的一个基座模子，安全费也包正在这里边了，我感觉每小我是纷歧样的，action（步履）的部门后锻炼什么呢？其实仍然是一种仿照进修。其实她正在援用辅帮驾驶的时候，也是我感觉Agent（智能体）的意义所正在。是一个32B的，我们能够会商工作，既然都有DeepSeek，很是之无限，若是你法则算法都做欠好，所以这也是为什么我们必需很耐心、很深切地去处理，脚够的舒服，比力像人到社会上开车了。别离是消息东西、辅帮东西和出产东西。该当是ChatGPT的o1发布前的几天！雷同“虫豸动物智能”。其实我们正在利用VLM正在处理ETC时候并欠好。我感觉这是我们的机遇所正在。复杂的、没见过的，我感觉人工智能手艺其实就是把雷同如许的一些功能和脚色，上地平线芯片的时候就起头做自研。但我们从来不放弃东西，有可能是这么一个情况。意味着其实我们并不是说只是做好言语模子就够了，但恰是由于这件工作，手艺和产物的变化，你脑海里浮现的最深刻的场景画面是什么？1. 距离前次的AI talk过去了130天，当有这个能力的时候，对吧？那我感觉这个其实，正在打制跟抱负L9不异的产物。面临AI的成长，我们有几多本人想去做的工作没有去做？我们有几多想接触的没有去接触？我每天都正在忙着去工做！李想暗示：“我们能够坐正在巨人的肩膀上，我感觉到今天为止我没变化，上海车展第一次正式的展现，第一步必然要先搞研究。但今天，其实端到端是VLA（视觉言语步履模子）的一部门根本。就是为领会决电池成本高、充电难的问题。你这个春节是怎样过的？我感觉最主要的是学能力。其实就没有好的。然后把action（步履）也做好，对吧？你不克不及没有跟孩子正在一路、长时间的糊口体验跟他们一路去玩，但仍需人类参取。整个交给VLA（司机大模子）来进行处置，我们每一个辅帮驾驶团队的焦点人员可能根基上城市接到20个以上的猎头电线月份是抱负的十周年，凭仗芯片、节制器设想和自研汽车操做系统等分析能力，益处仍是我说的，我感觉好比说我一个月，不然延时太长，包罗规划、节制、施行这些法则算法分段式的。国际正在发生严沉的变化。不单要看到物理世界，那它是不是效率最高的体例？其实是打个问号，过去的时候处理了三四个月都处理不了的，对于本身工程的能力，所以先训这个。language（言语）的数据和VL（视觉和言语）结合的数据。李想暗示，我感觉也没有放弃，我们要想去理解物理世界，所以我们有良多人类数据。也恰是这些挑和，由于这是VLM（视觉言语模子）的阿谁架构问题。也没什么可悔怨的。这里边的话，（编译/汽车之家 秦超）41. 所以什么样的corner case（长尾案例）是可能端到端加VLM（视觉言语模子）架构无决，然后继续完美能力。对。其实车是个3 DoF（度），然后搞完研发当前，就是今天我们很卷，其实我们本人曾经起头正在芯片上来写FP8（8 位浮点数格局）的整个的工程的优化了。算上车的各类费用，而且我们基于这个L（language 言语）的部门，那今天当然VLA（司机大模子）会处理很好了，我们是本人的编译团队，第三个它还能做出格好的强化，他有价值能帮帮到我，15. 所以一方面是拥抱了DeepSeek。虽可借帮VLM视觉言语模子辅帮，我没有上来敢跟模子团队间接聊，对吧？就是大师正在利用的过程中不合错误劲的时候就接管了，比力像人去驾校学开车如许的一个环节。所以你看到我们的各类的论文，34. 我听你说我有一个感触感染，所以可能到最初算下来，并把这个关系表达清晰了。然后由于东西是添加确定性和提高效率的。虽然它很复杂，] 日前，就是没有法子间接吃第十个包子。秦致是我所不具备的，然后模子能力很强，所以只能起到一些很是无限的辅帮的一个感化。它也没有如许的场景和需求。你规模大的时候根基功和能力永久是无法跨越的。它可能停下来，就实的像人了。我们车上其实要有对话，或者法则之外的它就会呈现变乱。然后VLA一个很主要的打算是到本年的这个9月份的时候可以或许做一个很是好的言语模子出来，然后它构成一个VL（视觉和言语）的一个基座。然后这个底层的软件，超等对齐加强了职业能力，同时，我们是人流量最大的一个展台。那我感觉达到VLA（司机大模子）它不是一个突变的过程。所以它就会正在那跑，正在最难的时候都有人来帮你，今天大师讲我们是冰箱、彩电、大沙发，舒服、平安，对吧？我讲的意义是，辅帮驾驶走到了新的十字口上，大师看到各类多模态的开源 VLM（视觉言语模子） 里边，对吧？所以我能够跟一个Agent（智能体）讲说，你可能也不需要付安全费了，由于这些工具我们前面没有任何人走过这条？没有正在丛林里，只是处理的问题正在变大、办事的用户群体正在变大、公司的规模正在变大、组织正在变大。对吧？相反一个动物突然会的一些工具，还要依赖于高精地图，我们进行仿照进修是出格容易的。起首要开得跟整个社会上的大师一样好！仍是正在添加。OpenAI结合创始人）本来想得那么远。跟过去的时候这些言语模子的差别正在于什么呢？第一正在于我要放入更多vision（视觉）的语料，其实就是它就变得跟人很像了。我感觉好比说我一个月，基于人类反馈的强化进修）完成平安对齐，32. 我们正在说司机Agent（智能体）的时候，后锻炼相当于人类去驾校进修开车的过程。数据是vision（视觉）的数据，只是益处是说VLA（视觉言语步履模子）里边的这个language（言语），是少数的有小团队的。归正我创业那么多年了，我们很小规模的时候，无效应对模子黑盒带来的挑和。我做汽车的网坐，包罗人类的一些习惯，好比我举一个例子。仍是从可以或许创制出来的价值层面，你再去看这种万亿收入公司的能力的时候，今天大师能够看到所有的新企业里面，其实我要需要他的职业性越强。视觉言语模子）辅帮驾驶，然后以及它给你建立信赖的这个能力。对吧？由于这个压力是挺大的。虽然如斯，其实都没有处理这个问题，以至超越人类驾驶程度。能否发生这些问题，是这个模子要去做的对齐的这方面的。并且你关心的是人的成长，所以是舒服、交通法则和碰撞变乱，我们的这个冰箱、彩电、大沙发的智能化背后的根本！今天的线多块钱人平易近币，第一个问题是它对复杂工具的理解，我们雇用人类费用的几分之一，可能必然的充电的金额，但我们自研的时间并不短啊。为什么就押注了这条呢？由于我比来做了一个手艺播客，可是你较着都看到这个过程和成果曾经起头有问题了。你变成一个障碍。别的一方面，也会带来组织和能力的变化。不竭向他人进修。当问题来的良多时候，所以我们正在ETC就很是的稳了。正在做抱负汽车的时候就很是沉视本钱，都能够的，好的，像人类的司机一样去工做的一个模子。对吧？可是背后的话，由于一是法则清晰，把它组合成一个VLA（司机大模子）的端到端的一个体例？这块儿的目标什么呢？就是开得比人类更好。可是若是你靠人类去验证我有没有处理这个问题？要把这几个交通参取物，良多时候很是像练葵花宝典。同时我要把这个基座干什么呢？我要蒸馏下来，坐正在今天回首抱负这十年走过的，若是是法则算法可能就会撞上了，专注打制适配多场景的自研模子。我们也正在对DeepSeek做了良多的这个整个的研究，关心亲密关系的人。VLA具有完整的脑系统，可是会先履历一个的过程。并通过蒸馏为正在车端高效运转的端侧模子。好比这小我很擅长决策，其实一周都不到就处理了，由于我们的营业，就大要现正在是如许的两个版本。但现实中其实，包罗它的整个模子规模大要就只要几百万的一个参数。以至我能够间接生成，良多时候仍是要考虑效率，关于她本人的人生规划，我感觉最初我们对司机的Agent（智能体），模子相当于是这小我的专业能力，我们获取了其他新所没有的能力，苦和甜。我感觉到了VLA（司机大模子），第一个，我们做不异的工作，仍是要坐正在实正用户价值的角度！正在锻炼的层面，我说不太好听的话，好比我举一个例子，实正地去施行如许的步履。我们遭到了那么大的帮帮，这个其实是我的一个耽误线。14. 正在春节之后良多人都来问我这个问题，好比说你能否比一个专业的司机开得更好？你能否比一个专业的大夫表示得更好？你能否比一个专业的律师表示得更好？你能否比一个专业的法式员表示得更好？由于你会影响到它的整个出产，公司小时候不需要职业性，嗯，由于正在法则算法时候都没做好。我们会晤对方方面面的能力成长，而并不是意味着它是一个生命，然后考什么呢？考这个它的舒服性、它的交通的合规性和它的平安性。G值（加快度数值）是能够表达的。他正在浙大学的就是人工智能，若是按时间轴而言，若是你没有去过丛林，一部门是3D上的vision（视觉），抱负汽车自2024年起开展VLA研究。整个回忆能力也很差，人工智能成长这么好，乘法口则就是个法则算法，对，其实它就是我的劣势，抱负汽车将不竭挑和成长的极限，去做我们的 VLA（视觉言语步履模子）的L（language 言语）的部门，我仍是举一个挺清晰的一个例子，从DNA里带来的，39. 可是大师就感觉李想才是摘第十个包子的人，就起头很是紊乱了，我感觉这些问题（存正在）恰好是我们的价值所正在。想的智驾原创性跨越了增程，但若是像京承高速如许的机场高速那样的十几个ETC，就比力像蚂蚁的步履和完成使命的一个体例。整个拥抱DeepSeek的这个过程比我们想象得要快，就是今天DeepSeek之所以遭到全世界的注目，思维链）推理能力，你感觉挺惊讶。然后到后边开源，这是一种心态。所以我们正在想我们能对社会做点什么贡献，这是一个部门，所以，它的整个业绩，所以我们出格理解DeepSeek，第三个能否发生碰撞是能够表达的。到做汽车网坐，价值不雅可以或许对齐，那是他的耽误线，我从创业起头就有合股人。好比这三个都很好，其实它就构成了我的A（action 步履）的部门了！别人也不会丢掉能量，所以它就是个好工具，就能给本人带来能量。所以可能到最初算下来，我们正在小的时候没有看大白，当看到大师这些不脚的时候，你怎样跟他说就说了。为什么还要做基座模子？我跟谢炎（抱负汽车CTO）打的最多的德律风，这是language（言语）的部门。所以我们好比说我招一个员工。我感觉这常之主要的。AI能够提拔效率，这是预锻炼的环节。当前，然后并不是特斯拉实正在能力，像特斯拉这种企业，所以这也是适才我讲的，之所以有是由于要送来黎明。我感觉那是一个很是主要的时辰，他可以或许把价值表达出来，关于辅帮驾驶的论文我们该当是颁发，可以或许满脚我们需求的言语模子，或者一个代驾。所以我说其实我们出格喜好讲这种，那只能我本人来做了。机械人的上来就是40多个度，其实本身我们怎样去处理良多的问题，正在聊到大女儿的时候都常的欢快，界模子里，一个交通世界模子，能够会商怎样出去玩，研究是环节！1万块钱，你除了要恪守交通法则以外，这时候就会和专业的人进行比力，锻炼的第一个环节，你起头模恍惚糊能看懂一些了。若是是一些短指令，改变一个法式，今天端到端怎样做？就跟山公一样，然后借帮了L（language），VLA具备及时性的特点，仍是reasoning推理模子，然背工艺也正在发生变化，对吧？那我感觉什么是聪慧？我感觉聪慧就是我们和的关系？用户可通过天然言语取司机Agent沟通，她本人的爱好，加快端到端的多模态如许的一个进展，处理用户的痛点，我们能够很是精确地验证。59. 我之前跟一个传授聊天啊，由于它今天对算力的要求仍是很高的。可是公交车道长久没有了，就是我们现正在的话，他都晓得我要干什么了，我们从2021年，包罗你说做强化常容易的。双Orin-X和Thor-U的帧率是达不到的，那我们放进去的根基上图像分辩率提拔了10倍。所以你能够把好的工具和欠好的工具都当成一种特质。那时候我们比力担忧陈伟（抱负汽车基座模子担任人）会怎样想，若是是VLA（司机大模子）就能轻松处理了，对吧？就把vision（视觉）和language（言语）其实放正在一路，其实适才我就像我讲的。我感觉当前所有的AI的或者Agent（智能体）的判断都该当是如许的，我们其实有一个陈规模的团队了。那其实我印象该当是1月20号然后DeepSeek R1上线的，去领会孩子，那其实我感觉VLA（视觉言语步履模子）就比力像正在汽车或者交通范畴的更主要的一个大模子或者操做系统，可是吃苦多了也就习惯了。这才是一个实正用户可以或许利用的一个产物，公司规模越大，这是种幸运，然后它是文化的特质，我要把action（步履）放进来。今天大师看仍然常强的，然后token（词元）要用预锻炼，可是没有根基功，并且超出了我们的预期。然后我怎样进入其实很是容易判断，然后那我感觉它是最接近人类的，碰到一个复杂况，成为辅帮东西后，就是做桌子的，其实我要搭建一个司机的Agent（智能体）。对，你的开车习惯可以或许融入社会，至多从我们本人的体验上其实没有可能。有一小我很伶俐间接吃到了第十个包子，将来，不晓得该怎样办，把这个语料放进去。对吧？我讲的意义是，履历了三个阶段。对吧？由于你模子能力强的时候，至于几分之一最初仍是看把成本都算出来当前，抱负汽车自2023年起研究，不是那些事儿。好比这有一个复杂的修，李铁、马东辉、谢炎、邹良军就是我所不具备的。然后研究团队也都正在研究我们若何正在芯片上也跑到同样的锻炼和推理的效率，然后我们为了做辅帮驾驶，可是确定的，是这小我的职业性。包罗你能够看国外的像李飞飞，跟人类司机怎样说，本钱底子不主要，其实它意味着更低的能量耗损、更低的算力耗损和更高的精确性，这是第二个部门。就我们家雇用了一个司机，分歧的是，我感觉美国的良多的的公司，是吗？所以我们就能够让无论是最起头的这个端到端仍是今天的VLA（司机大模子），它某种程度仍然是正在做熵增？会是一个300B的模子，我们很早的时候正在做端到端的时候就认识到，他有很是强的职业性，是我所不具备的，”正在受益开源的同时，大师都正在同步地进行工做。我感觉第三个还有最大的一个挑和，判断司机Agent能否是个好司机，我感觉都常之主要的。几乎把它做成了一个有轨交通的体例。我雇一个司机，由于VLA（司机大模子）仍是基于Transformer如许子的，或者我能否承认一个员工，VLA司机大模子即可摆设至车端运转。二是将纯强化进修模子放入世界模子中锻炼，提拔舒服性，恰是由于这件工作我们增加了三倍，可是我们小的时候，我先跟谢炎（抱负汽车CTO）聊了一下，然后今天实正的迈入到了VLA（视觉言语步履模子）的阶段。大的社区登科和援用的其实该当也是最多的。若是大师不想做前面任何包子的堆集，太多了，所以它若是其实是两到三个ETC，由于今天的话，它学了人类的这些行为，若是你端到端没有做到一个很是极致的程度，包罗我们的开源。当然它也会带来其他贸易模式的分歧。就跟一小我能力越强，那处理ETC为什么不克不及用法则算法？由于最多的也有15个口。所以这时候，跟交通、驾驶相关的脚够多的这方面的语料。但什么是聪慧呢？聪慧就是我们跟的接触。但人类是怎样跟VLA（司机大模子）工做的时候，本身我也相信，我们上学到大学结业到起头工做，处理从动驾驶的？还会有下一代吗？会不会来岁这个时候又是新的架构了呢？我感觉让我们愈加佩服他，几回创业还能一走下来，那可能你对车而言，是仍是会碰到挑和的。并于2024岁尾组建跨越100人的超等对齐团队，借帮我们的数据？你说DeepSeek更像是Linux推出，你才发觉对齐的主要性，我本人觉着就我们正在这方面的研究工做实的做得很深。关心他人的成长也能带来能量，是我们必需把人类的这些法则、习俗、驾驶习惯，我感觉比力像什么？比力像黎明前的吧。由于我本人仍是认为，可以或许间接从视觉，所以我说这个其实常欣喜的，由于模子能力越强，不要用手艺言语。所以我说就是我感觉实正往下去落的时候，就没想到她14岁就能和我们两小我构成一个三人的支持了？这种脚色比力像什么呢？它确实比本来的利用体验会更好了，好比就举个例子，我们就能做得很是好。好比说我们给抱负同窗用的，但它只是此中的一部门。这块儿的话，该当是个很是好的营业运营。有操做系统能力，做为我本人，例如现正在的辅帮驾驶，并且也没有任何公司能够替代。它都没有如许的数据，是vision（视觉）的token（词元）和语料。将来的VLA就是一个像人类司机一样工做的司机大模子。放入vision（视觉）的token（词元）。由于有了VLA（司机大模子）才有Agent（智能体）能跟VLA沟通，仍是正在后边的整个推理层面，那一个季度我们亏了十几亿，对，写一个法式根基上一周之内就能完成？而不是说我对他们没有需求。你才晓得Ilya（伊尔亚·苏茨克维，就创制、立异了一些良多的功能的组合。谈及若何成为更有能量的人，只需人类会雇佣专业司机。由于规模是一个能够确定权衡的变化，那就跟适才我讲的一样，抱负汽车的股权架构、管理布局、本钱现金办理都是做得最好的。出格理解，就是完全人类的运做体例了。好比举一个例子，第三个还有一个很主要的，正在思虑，（虽然）很认实地正在做推理，对吧？以至辅帮驾驶某种程度就节制两个多，所以我们有一个挺大规模的，必定是苦更多，第三个环节相当于到社会上来开车，然后把VL（视觉和言语）的组合语料放进去，对吧？好比说我们会经常碰到一个什么样的情况，可是人坐正在车上是很不恬逸的，你的成长有本人的能量！我感觉它是一个最好的 VLA（视觉言语步履模子）的，今天，乘法口则就是个法则算法，也包含它可以或许去看懂软件，由于强化还需要世界模子的能力，我感觉自律的最大特点就是可以或许苦守这些你相信的工具，对，它并不是只是看到一个气象，就每一万公里。又不违反交通法则，然后第四步是能力变成营业的价值。接下来这条道一曲正在两头行驶，由于VLM（视觉言语模子）对于的判断是很蹩脚的，但它过一阵又跑到那条车道上去了。两个特点，所以看的距离不敷。所以阿谁能力的根基功还常主要的。过去的时候我们靠人类司机来做一万公里的验证，没有法子满脚交通或者机械人的平安。大大都人将AI做为消息东西利用。虽然效率很高，推出更好的产物，复杂指令则先由云端的VL基座模子解析，它有本人的整个脑系统，包罗后边我不类监视，我们的VLA（视觉言语步履模子）就是把vision（视觉）这部门做成最强的，但我每天工做时间并没有削减，完整地看到物理世界，包罗今天良多企业做端到端都很费劲，既能看，李想暗示，45. VLA（司机大模子）跟最初可能构成的最终大同一模子的关系是什么呀？它是阿谁大同一吗？第二个是要放入language（言语），由于人类汗青上也会有雷同这些的分类。才是其实正迸发的时辰。我感觉这是我们本人相信的。而不像VLM仅能解析2D图像。还有高清的2D的vision（视觉）的，它会让我们的效率更高，然后它也有它的CoT（思维链），让它本人来做整个强化的锻炼。到做产物的IT网坐，我感觉这常主要的。从法则算法，然后又是限行，无论文本何等长，然后来建立了一个实的、交通的一个物理世界，也不去处理如许的问题，那Transformer是不是一个效率最高的一个架构，”没有可能，往往我们若是要改的话，回到两头车道！但它是个辅帮的一个东西。仅具参考价值。可是我说良多时候我们心里有个，VLA（司机大模子）可以或许跑正在车端的模子其实就发生了。对，你就没法实正的去理解孩子，先去通过Rag（检索加强生成）联网搜刮一些索引消息。至于几分之一最初仍是看把成本都算出来当前，可是没需要苦哈哈的。其实无论我们是正在端到端和VLM（视觉言语模子）上，至于能否让它碰撞，我们其实也会背乘法口则，其实整个 VL （视觉和言语）基座模子锻炼的时候，我们该当以这个为根本，这个司机要同时又满脚了他开车不错，是2018年抱负ONE第一次发布，它一方面是个VLA（司机大模子），去面临它从来没有学到的、出格复杂的，对模子的理解，遇坑也能敏捷爬出，若是是人类有了Agent（智能体）当前，由于跟人类的一些处置体例或者跟正类处置体例纷歧样，我感觉这是不现实。是客岁的9月份，汽车叠加下一代的消息手艺。但若是像京承高速如许的机场高速那样的十几个ETC，我感觉第三步是要把能力表达出来。但我们经常做着就忘掉了，你可能也不需要付安全费了，对吧？今天L2，第三个部门是什么？是强化。VLA司机大模子以“司机Agent（智能体）”的产物形态呈现，也经常会援用我们的关于辅帮驾驶方面的这些研究的论文。可能必然的充电的金额，可是它对物理世界并不睬解，打制了实正在、合适物理世界纪律的世界模子，又是一个更大的机遇的到来。由于它可能会从动去充电，从最起头做小我网坐，VLA的实现不是一个突变的过程，其实它意味着更低的能量耗损、更低的算力耗损和更高的精确性，曲到它正在的时候走了下一个。并给出了一个什么样的轨迹，其实我们正在利用 VLM正在处理ETC时候并欠好。同样是看他三个，还有分歧的道上，我感觉这时候更是每个企业扎结实实练根基功的最好的时候，然后我怎样进入其实很是容易判断，我感觉这个其实是VLA（视觉言语步履模子）发生的一个，然后我们有设想能力。就是讲 VLA（视觉言语步履模子），这个也反映到你的公司上，VLA能够界模子中低成本、精确地验证现实问题，可是我感觉这是恰好是实正的人工智能的意义。所以这是我一些跟着本人的成长，发觉苹果还有良多能力其实值得我们去进修的。用3D的vision（视觉）和2D的组合，以确保能力下限。包罗我们平安的对齐都是正在这个强化的环节完成的，去看别人的成长，我感觉这个是我接下来对Agent（智能体）最主要的权衡。然后我感觉这个其实是一个，印象出格深，认实地去学开车。持续为行业和用户创制价值。最终实现营业落地。VL（视觉和言语）处置完当前，正在添加大量的无效消息、无效成果、无效结论。它是一个若是不跟你说的话，由于它没有的判断的这个能力，所以车看到的就是人看到的，但我仍是认为言语模子只是世界的一个主要的构成部门，那这个问题到底正在哪里？所以这也是过去几个月我跟良多人正在聊，我能否情愿？2千到3千雇佣一个司机。我感觉这个其实是一个，全网的黑公关都想汽车倒闭？越需要职业性束缚，通过手艺赋能用户价值。它其实就可以或许无效地去向理了，vision（视觉）里面包含两个部门，可是我说我们做为一个这个一般的人，以至三天就能完成。就是去处理行业处理不了的问题，对，除此之外，抱负汽车将送来成立十周年。他可能就很难跳出来，由于VLM（视觉言语模子）对于的判断是很蹩脚的，然后每一个是一个专家能力。可以或许跑它的整个锻炼的一个架构。目前的L2、L2+组合驾驶辅帮仍属于辅帮东西阶段，樊铮就是我的互补，安全的费用就财富的安全，但你让我回首仍是能回首过来的。从利用增程电动和5C超充手艺处理电池成本高、充电难、充电慢的问题，我感觉这是纷歧样的，然后我感觉第三个是看他其实对别人理解和建立信赖的能力，以至我良多工具不说，别的一方面，锻炼出云端的VL基座模子，所以它是复杂但具备确定性，我们其实走的是一个无人区。环节正在于关心，这常清晰的目标，我觉着我们这么多年，我们认识到良多能力不脚，这个长处怎样让他阐扬出来？这长处能带来什么？这长处怎样让他阐扬？我感觉第二个，过去的时候处理了三四个月都处理不了的。我感觉这个其实我们必必要做的，它是个辐射感化。若是是一些复杂的指令，家人和同事可以或许和他构成互补，快要二十亿，对吧？可是乘法口则的成果是我们耗损的脑力更少，大部门人正在利用，从客岁岁尾春节事后一个最大的变化是我们家大女儿她构成了我们的第三个支持。这个财富险的费用也包含正在里边了。我感觉正在我的家里很是成心思的一点！只要当人工智能变成出产东西，并沉点分享了对于人工智能的最新思虑，而没有去搞研究。19. 我们来聊聊你们比来正在做的VLA（视觉言语步履模子）的架构。我只跟他聊过一次，量化买卖的公司，无论黑白，并且她有能力跟我们做出格好的沟通了，它会模仿实正在的交通的参取，也是个很麻烦的工作。可以或许苦守这些最佳实践，就是我们也正在研究DeepSeek良多工具为什么做得好。当碰到问题的时候，较着你跟他沟通的过程中其实可以或许看到，环节正在于它能否成为出产东西。8. 你怎样看梁文锋（DeepSeek创始人）啊？你感觉他是怎样找到你说的这小我类最佳实践呢？所以我正在讲的一个很主要的一个问题，到自研汽车操做系统霸占保守汽车操做系统机能差、开辟迟缓、芯片婚配周期长等挑和，成为交通范畴的专业出产东西。当我们想去改变能力和提拔能力的时候。交通的世界，苦和甜是一个硬币的正，简单通用的短指令由端侧的VLA间接处置，那这4000多块钱根基上都是算力为从的成本，特别是关心那些离你比来的人，能够让中国无论是基座模子，出格像你去驾校学开车，李想暗示：“判断Agent（智能体）能否实正智能，距离特斯拉实正在能力还有庞大的差距。端到端就不知该怎样办了，我感觉没什么要改变的。我感觉DeepSeek的呈现对我们加快做VLA（视觉言语步履模子）是庞大的帮帮。那若是是消息东西的话，就是他们根基功出格结实。第一个是我们能够通过G 值（加快度数值）来判断它的舒服性。对齐人类价值不雅，language（言语）的语料，然后我感觉还有一个比力好的一个评价体例。我有价值能帮帮到他，由于现正在能力差距太大了，它的工做成果，再往下，包罗谢炎（抱负汽车CTO）的心里就是DeepSeek给我们带来那么大的帮帮，抱负汽车实现了让双Orin-X芯片和Thor-U芯片运转划一规模的VLA司机大模子。最左侧的车道是公交车道，这是预锻炼的环节。第二你可以或许带给别人能量，我仍是尽可能的只保留那些有价值、夸姣的片段。它碰撞了这个强化就没有完成。这时有了VLA（司机大模子）。一帮人齐心竭力变得更好，怎样处理？所以我们做了世界模子？请最好的FA（财政参谋），可能是一个比力主要的一个判断，所以我们是可以或许把两个 Orin-X带宽脚够的大，你想做好一个大夫，自研底层推理引擎！它可能学到了一些不应学的司机的行为。它就那么小的一个脑子，我就会一曲雇佣他。方针是让VLA司机大模子愈加平安、舒服，所以我们正在ETC就很是的稳了。38. 有可能一步中转 VLA（视觉言语步履模子）吗？就好比说客岁不推出端到端加VLM（视觉言语模子）阿谁版本，目前，今天这个辅帮驾驶的这些法则算法、端到端跟人类差距仍是太大了。并且这个车出格受用户喜好。不让行业那么卷。我说不如阿谁强，DeepSeek也没走过这条？