對話｜小鵬智駕負責人李力耘：“我們不再是這條路上的孤勇者”
文丨趙宇
編輯丨宋瑋
今年 10 月，小鵬自動駕駛副總裁李力耘、自動駕駛產品高級總監袁婷婷和何小鵬開了一次年度規劃會。“我們幾乎是迅速達成了共識”，加入小鵬剛四個月的袁婷婷說。
何小鵬在這次會議中說了三個 “一定”：一定會持續加大對於智駕的投入；一定會堅持走 AI 路線，讓 AI 賦能小鵬所有的產品線；一定會堅持走全球化道路，讓智駕產品服務全球的小鵬用戶。
李力耘說，他和何小鵬的日常溝通形式之一，就是何小鵬在羣裡不斷報新軟件版本的 bug，或者報驚喜，他來解決。但他們的目標是一致的、不需要討論的，“以當前 L2 的 Bom 成本爲所有用戶提供類似 L3 的智能輔助駕駛體驗，做到不限城市、不限工況、不限路況。”
李力耘 2019 年加入小鵬汽車。此前，他曾在百度美研、京東美國硅谷團隊研發無人車。2020 年，他把家從美國搬回廣州。
在小鵬前自動駕駛副總裁吳新宙去年 8 月離職後，李力耘接棒成爲自動駕駛研發一號位。他在兩個月內完成 “瘋狂 200 城” 計劃，今年 1 月將小鵬無圖城市 NGP 的覆蓋範圍擴展至全國 243 座城市。
但不久之後，李力耘就迎來了更大的挑戰。
一方面，特斯拉在北美推出 FSD V12 版本，率先用 “端到端” 重塑量產智能駕駛的算法架構，智能駕駛行業的技術風向再次發生轉變，國內其他廠商意圖藉此機會實現彎道超車。
另一方面，小鵬內部的智駕人才流失。近一年，除吳新宙外，至少有 5 位小鵬智能駕駛技術高管加入英偉達。而吳新宙曾在去年 7 月告訴我們，小鵬的智能駕駛方案之所以總是能夠按照規劃好的時間迭代版本，技術只是一部分原因，更重要的是團隊、體系。
今年 5 月以來，何小鵬多次強調，小鵬是國內首家、全球唯二實現端到端大模型量產落地的車企——另一家是特斯拉。
但也有業內人士提出質疑：特斯拉的端到端方案，從感知到決策都採用一個模型（one model），而國內廠商往往採用 “分段式” 端到端模型。雖然在決策模塊內部用數據驅動取代了一些規則，但整個流程裡還是有大量規則，因此不夠先進。
小鵬很快嗅到危機，隨後在組織架構、人才招募、算力儲備等方面做出一系列調整：
李力耘告訴我們，小鵬在今年 5 月量產的端到端大模型也屬於 one model 架構，因爲 “三張網絡互相交疊、重合，且彼此之間採用神經元連接，而不是通過規則定義結構接口”。
本週，小鵬就將發佈天璣 5.4.0 系統。相比 5 個月前的版本，智能駕駛的算法架構和用戶體驗有望升級，或將影響中國智駕行業競爭格局。
以下是《晚點》和李力耘、袁婷婷的對話。
智能駕駛是算法、算力、數據的全方位比拼
《晚點》：智能駕駛已經開始影響中國消費者的購車決策，根據你們的觀察和感受，影響的程度有多大？
李力耘：智能駕駛現在即使排名不在前三，也比較靠前。一款售價在 30 萬元以上的車，如果不具備高階智駕能力，吸引力就很有限，並且這個趨勢正逐漸向 20 萬元價格帶滲透。
《晚點》：理想帶有高階智駕功能的 Max 版本選裝率過半，其中 L789 車型 Max 版本的選裝率超過 70%。小鵬當前的高階智駕版本選裝率如何？
李力耘：小鵬 X9 車型 Max 版本的選裝率目前在 73% 以上。除了選裝率，我們還會關注全方位指標，包括每一個版本智駕功能的啓用率、用戶滲透率、里程滲透率。5 月，端到端大模型量產上車後，小鵬 XNGP 城區智駕月度用戶滲透率基本保持在 83%-86%。
《晚點》：X9 是一款起售價在 35 萬元以上的車型，售價比 X9 更低的 P7、P5、G9 和 G6 車型 Max 版本的選裝率如何？
李力耘：從即將在 11 月上旬上市的 P7+ 這款車開始，小鵬的高階智駕會在全系車型上標配，以後也就不存在選裝率的問題。
我們會以一套軟件來提供全系標配的高階智駕，屆時所有新車型高階智駕版本的選裝率都會是 100%。
袁婷婷：用一套智駕軟件標配全系車型，這是一件很難的事情。雖然我們只是講了這麼幾個字，但其實需要很強的能力積累。這是大多數廠商想做而實現不了的。
《晚點》：特斯拉就堅持用一套智駕軟件標配全系車型，其智能駕駛能力也在行業中領先。有人認爲，原因之一是特斯拉車隊規模更大、可供訓練的數據量更大。國內的一些廠商也將車隊規模和數據量作爲競爭優勢。對此你怎麼看？
李力耘：不能說完全是無稽之談。一家車企的基本盤就是你有多少車、算力投入有多少。但這不是完全等效的。特斯拉之所以領先，是因爲它在自動駕駛三要素（算法、算力、數據）上都做到了領先。
第一，車隊規模是一個很重要的基礎，但是它不直接代表你的訓練數據有多少，因爲只有高質量的駕駛數據纔有用。一是車端數據質量要高，二是要有很強的工程能力，甚至在車端就需要算法或者 AI 介入，否則即使有再多的數據，能不能有效利用也是一個問題。
第二，其實小鵬也有多樣化的數據，這是更有利的。我們小鵬的車從 A 級到 B 級到 C 級，從轎車到 SUV 到 MPV，車型覆蓋更加豐富。這些都決定我們在高質量數據上，以及高效地利用算力上，都是國內 Top。當然，跟特斯拉比，我們承認仍然存在差距。
《晚點》：車隊回傳的大量數據一般需要在雲端處理，關於雲端算力的擴展，特斯拉計劃今年花費數十億美元購買 AI 芯片，理想今年在智能駕駛雲端算力方面的支出超過 10 億元人民幣，將來可能達到 10 億美元。小鵬在雲端算力方面的投入如何？預計未來會增長到多少？
李力耘：考慮到小鵬參與的是全球競爭，到 2025 年底，我們的雲端算力會達到 10EFlops 以上，相比 2024 年的規劃增加 2.6 倍。
但實際上，我們不應該比拼算力的絕對數字，就好像不應該單純比拼 Orin 芯片上能部署多少參數的模型，因爲這和量化、模型結構等選擇很有關係。在算力方面，我們除了關注絕對值，還要關注利用率。小鵬雲端訓練集羣的利用率常年保持在八九成以上的水準。
《晚點》：可供模型訓練使用的數據量與銷量緊密相關。今年 1-9 月，小鵬累計交付新車 9.9 萬輛，少於理想、蔚來、零跑等國產新勢力車企。
袁婷婷：何小鵬之前說過一句話，我非常認可，他說 “我們看的不是這一個周，也不是這一個月，看的是最後的結果。”
李力耘：如果說我們完全不關心短期銷量，肯定是假的。但是相比短期銷量，我們更關心終局：高階智駕全系標配之後小鵬在全球市場的發展，以及小鵬如何從 L2 走向 L3、L4。
《晚點》：爲了促進銷量增長，陸續有國產廠商開始採用 “高階智駕終身免費” 的市場策略。何小鵬近期也說，小鵬 P7+ 的智能駕駛軟件不收費、不訂閱。這是否意味着小鵬以後也會跟隨這一策略？你認爲智能駕駛收費這條路在中國能走通嗎？
李力耘：這個問題非常尖銳。現階段，小鵬藉助 AI 大模型，已經可以用合理的 Bom 成本爲給用戶提供接近自動駕駛的體驗，即便硬件仍然是 L2 級別，以此實現科技普惠。
既然是普惠，我們希望軟硬件標配，不收費且不訂閱。無論是小鵬的自動泊車，還是停車場的記憶行駛，或者高速和城區的智能輔助駕駛，以及帶點個性化的 AI 代駕，小鵬都會採用這樣的模式。至於這是否意味着智駕收費這條路在中國走不通，我們沒有考慮這個問題。
《晚點》：高階智能駕駛功能之所以要收費，一個重要原因是硬件成本高，激光雷達就是其中一個成本項。對於一款車是不是搭載激光雷達，有哪些因素在影響小鵬的決策？
袁婷婷：我們的業務決策並不完全是從成本上來考慮的。第一，端到端落地後，小鵬的技術能力有很大的提高，讓我們有信心提供這樣的產品。第二，我們有能力做到平臺化，把高階智駕的能力搭載到旗下所有車型上。
李力耘：客觀上來說，激光雷達確實是一個比較昂貴的精密儀器。但它其實也比較容易壞，且對天氣很敏感。比如我自己的車就會在下雨天氣出現部分功能不可用的情況，或者出現 “幽靈剎車”。但這並不是說激光雷達不好，我們也沒有完全拋棄主動傳感器。
在我們看來，無論是激光雷達，還是毫米波雷達，都屬於主動傳感器。主動傳感器雖然好，但是人類開車並不需要主動傳感器——人類的眼睛是一個被動傳感器，因爲光產生反應，我們的眼睛纔對大腦有信號。本着第一性原理，我們和特斯拉一樣，希望以輕雷達、輕地圖的方式，做到 “全國都好用”。
但是我們沒有拋棄主動傳感器，我們也沒有說一定會完全拋棄激光雷達。有了激光雷達，可以做出更好的功能。即使沒有激光雷達，我們也會使用毫米波雷達、超聲波雷達等主動傳感器。它們其實在物理學上跟激光雷達沒有本質區別，都是發射、接收。
《晚點》：剛纔你們提到，小鵬的車型覆蓋多個級別、多個種類，所以能收集更多樣的數據，這對小鵬的智能駕駛研發有利。但對比特斯拉，他們只有兩款主銷車，model 3 和 model Y。
李力耘：其實有多樣化的數據是更有利的。小鵬雖然車型五花八門，但智駕是平臺化的。平臺化並不是說，每款車都要長成一個樣，類似套娃，只是大小不同。對於不同車型，小鵬在特定的傳感器選型、算力配置方面，也秉持平臺化的思路。
當然，爲了 “平臺化” 短短三個字，小鵬做了很多工作，包括軟件的發佈鏈條、算法模型的通用適配等。它需要做到對每款車型都適用，之後每增加一款新車型，只需要做一點補充的數據採集，而主模型非常通用、泛化。這讓小鵬的駕駛數據裡既有偏大車的駕駛數據，也有偏小車的駕駛數據，包含更豐富的用戶行爲。
“我們不再是這條路上的孤勇者”
《晚點》：小鵬研發端到端，和特斯拉去年四季度在北美推出 FSD V12 版本的關係有多大？
李力耘：我們的變化並不是因爲 FSD V12。當然 FSD V12 更加讓我們感到欣慰，因爲我們不再是這條路上的孤勇者。
從突破上來看，FSD V12 最大的特點在於，V12.5 版本的體驗會提升非常多。我們明顯地看到，由於數據驅動，FSD 進化的加速度在變快。
《晚點》：小鵬在自動駕駛技術路線方面跟特斯拉是一致的嗎？
李力耘：不能說小鵬完全跟特斯拉一致，但是大家都是朝着同一個方向在努力，即以數據、AI 爲核心生產力，來驅動智能輔助駕駛的發展。
只不過，小鵬身處國內激烈的競爭環境中，我們更需要以產品功能的推陳出新爲導向，所以我們此前使用了高精地圖、使用了規則算法，這都是爲了先給小鵬的用戶提供嚐鮮體驗。
《晚點》：從今年初到現在，小鵬在 AI 方面最大的技術架構調整是什麼？
李力耘：今年初以來，小鵬智能駕駛既有技術架構的調整，也有組織架構的調整。從技術的角度，端到端聽起來很容易，但其實很難，稍不注意就會走錯路。
早在 2022 年，我們率先完成城市導航輔助駕駛在國內一兩個城市的落地。當時我們就在想，是不是需要更多地提升泛化能力，因此在 2022 年 4 月，小鵬就開始了端到端 AI 化的研發。
從那時開始，對於傳統自動駕駛中感知、融合、預測、規劃、控制和定位等小的模塊，我們已經在做一些 AI 化的嘗試，用規則的邏輯把它牽引起來。此外，我們也嘗試在車端部署端到端模型。
到了今天，我們的認知上升了一個層次，會更看重類似 ChatGPT o1 這樣部署在雲端、更強的大模型，並且在智能駕駛領域做我們的實證和 Specialization（定製化）。然後，我們推出了現在這樣一個 “三網合一” 的架構，其中 XBrain 類似於人的大腦、XNet 類似於人的眼睛，XPlanner 類似於人的肌肉和小腦。
其實，這不是一個分段式的架構，因爲三張網絡是互相交疊、互相重合的，他們在網絡原生層面有很多共享的部分，是一個既有側重、可以分開預訓練，又可以聯合訓練的網絡。
小鵬的 “三網合一” 端到端架構，注重安全，各有側重。事實上，華爲和小鵬兩家的端到端架構有很強的相似性。華爲的端到端架構中也有一個感知網絡、一個規控網絡，以及一個本能安全網絡。其實大家都希望既能夠充分利用 AI 的能力，同時也希望算法模型有很好的可解釋性，這樣便於管控。如果真的完全用一個 AI 開車，端到端中間是一個大黑盒，將是一件非常挑戰的事情。
《晚點》：你是說，小鵬現在已經量產的端到端智駕版本，不是分段式，而是 one model？
李力耘：對，我們是 one model，這是我們想澄清的。我們是一個 one model，但是這個 one model 不代表在訓練的過程中就要整體搭建出來。這類似於拼一個複雜的機器人，它有兩條腿、兩隻手，還有一個身體，這些部分可以預裝，然後聯合調試。這是我們的方法論，因爲我們對雲端一個更大的 one piece 模型有很好的認知。我們爲了把端到端做得更可解釋、可管控，才選擇這樣的方式。
袁婷婷：分段式是先完成 A，A 的箭頭指向 B，B 的箭頭指向 C。我們現在做的 “三網合一” 模型有三個圓，它們其實是耦合在一起的，既有重合的部分，又有分開的部分，並不是各自做一張網。因此它不是分段式的邏輯，可能此前大家有一些誤解。
李力耘：如果說得更基礎一點，網絡之間是通過神經元連接的，而不是通過規則定義一個結構接口，然後往裡面一條條地添加規則。其實這是一個很大的模型，但是由於算力的限制，現在是用兩塊 Orin 芯片，我們需要做一些預訓練跟組裝。
《晚點》：之前業內有聲音認爲，必須是從感知到軌跡輸出都用一個模型，才叫 one model。如果感知模塊先輸出一個結果，再去做決策規劃，就不是 one model。
李力耘：對，因爲那樣的一個 one model，它中間的某些部分可能是不可解釋的。使用 “三網合一” 的架構，我們仍然可以通過調試，看問題具體是出在哪個方面。
我們更重要的投入，是一個雲端的基礎大模型（foundation model）。因爲這個模型部署在雲端，不受算力的影響，它會是一個當前車端模型 80-100 倍大小的模型。我們的 “三網合一” 架構是一個基於第一性原理，既有算力的妥協，又有可控性的實際考量，從高維到低維的一個技術呈現。
《晚點》：從分段式到 one model，這個跨越的難度有多大？
李力耘：小模型的級聯，也就是通過規則把小模型牽引起來，這跟原來的每一個模塊用優質算法工程師的規則寫，需要的能力都是類似的。
以前的規則或者小模型時代，我傾向於將其比喻成冷兵器時代，它侷限於解決自己模塊的問題，沒有全局的考量和訓練。所以在這個階段，無論規劃模塊，還是感知模塊，都會有自己的算法工程師來解決問題。在當時，我們更希望這些武林高手有很好的數學能力、一定的模型能力、好的業務理解，這樣他們就能把分配到自己領域的問題解決。
但是到了 one model 時代，需要用端到端的方式來解決問題，其實就相當於從冷兵器時代變到熱兵器時代，不再是希望找一些武功高強的人組成一隻部隊，萬軍之中取上將首級，而是通過雲端算力、車端算力的部署，加上大量數據，通過訓練模型來解決問題。這更像在熱兵器時代，我們要通過開採礦物、冶煉鋼鐵、造槍造炮、排列部隊陣型，去贏得勝利。
所以在端到端時代，解決智能輔助駕駛問題變得更難，因爲整個鏈條變得更長。從單點來看，不排除有一些組織力很強、特別有資源的廠商能夠跟上這個轉型，但是對於更多車企和供應商，端到端之後的智能化競爭其實變得更難，既需要人才厚度、密度，也需要算力、大量數據，還需要更長的工程鏈條。以前，只需要每個模塊有一些武林高手，現在需要有一個流暢的工程體系，用來每天承接數以百萬甚至千萬計的數據，把它們流轉成算法。
《晚點》：端到端落地之後，各家廠商都逐漸把大模型部署到車端。國內有些廠商稱其參數量爲 20-30 億，小鵬車端大模型的參數量是多少？
李力耘：參數量這個東西具有一定的欺騙性，因爲一方面要看你的量化維度是怎樣的，另一方面也要看你解決問題的方式。如果用越大的參數量去解決越小的問題，反而顯示不出技術能力。
袁婷婷：我們不評價友商大模型的參數量大或者小，但我們能夠確認兩點：第一，小鵬在雲端的算力還在以幾何級數增加。第二，無論是雲端大模型，還是車端大模型，小鵬整體的參數量是引領行業的，具體數值我們不方便現在就公佈。
“週期短、見效快的端到端方案，類似於預製菜”
《晚點》：我們今天談論的很多內容都關於端到端，但在去年下半年，國內廠商都還在研究怎麼做無圖城市 NOA、比拼開城數量。今年以來，端到端熱度陡然升高。這個節奏是否超出你們的預期？
李力耘：端到端其實很容易走錯方向，像我們之前提過，小鵬和華爲的方向大致一致的，是正確的。然而有的廠商會有一些混淆，把一些小模型通過規則的連接看成是端到端，或者直接做一個車上的端到端模型，其實這些都會有問題。例如，藉助規則堆砌小模型來做端到端，會導致你仍然需要大量優秀的規則工程師；如果是在車上部署一個端到端模型，短期內可能見效很快，但是它長期的能力會受限於模型本身的大小。
在雙 Orin 芯片上能夠佈置的模型大小是有物理極限的，這對於每家車企都是一樣的。如果 AI 的基礎架構和雲端的數據飛輪只侷限於雙 Orin 能夠承載的模型，顯然是一個短視的行爲，未來會遇到更多的瓶頸。小鵬是更拔高地看這件事情，一定要先在雲端有一個更強大的模型，無論是從模型的數量、參數的數量，還是數據量上，都要有幾何級數的增長。在此基礎上，我們再來做車端模型的選型跟部署。
《晚點》：你曾說，端到端就像一座冰山，外界能看到的是水面以上的 5%，但更重要的是水面以下的 95%。具體應如何理解這句話？
李力耘：大家看到的水面以上的 5%，更多集中在車上的能力，包括駕駛行爲更加擬人化、算法更加模型化。但是，水面以下 95% 的部分，其實是把這個模型運行起來，更多的工作在於花大量的人力、物力和財力，去採集數據、標註數據，挖掘和存儲數據。因爲這些數據是海量的，要把它流轉起來，讓它進到機器學習系統裡，系統要在若干天內迭代一個版本，然後這個模型還要經過驗證、量化，部署到車上。
原來可能遇到的問題集中在水面以上，只需要工程師設計一個新的算法，或者拍腦袋想出一個更新穎的數學模型，就能把問題解決。現在解決問題需要走更長的流程：找到類似的高質量數據，加強模型在這塊的理解，然後把它印在腦子中，不再侷限於設計算法。整個鏈條變得更長，工作變得更重。
《晚點》：現在不同廠商對於端到端的定義有所不同，如果簡單描述你認爲的端到端是什麼？
李力耘：我是第一性原理的忠實信徒。在我看來，真正的端到端在設計上一定要以終爲始，以人類的方法論開車——人有自己的眼睛、肌肉、大腦，並且都在一個結構中完成。但是端到端畢竟要考慮算力在車端的部署，這時候要腳踏實地，並且能夠做到更可控、更安全。
現在不同的智駕團隊都發展端到端，但會選擇不同的發展路線。主流路線現在分爲三種：一種是通過大量規則小模型堆疊的 “大模型”；一種是 “車端大模型”；還有一種與 OpenAI 一致的雲端大模型。
“車端大模型” 的特點是見效快，但是上限低，隨着後期訓練的數據量增加很容易遇到瓶頸，有可能面臨重新設計，小鵬曾考慮過這個路線。
我們篤定地選擇，把雲端大模型（foundation model ) 做大做好，用雲端大模型蒸餾部署到車端模型的方式。雲端大模型是決定能力上限的關鍵，它會有幾百億參數，甚至千億級參數，這是車端模型的幾十甚至上百倍，是隻做車端模型遠不能及的。
小鵬的雲端大模型不只服務於自動駕駛，更是國內首個泛機器人領域的基礎大模型。它能夠實現一套模型架構，甚至一套環境數據輸入，用於訓練小鵬生態中的一系列產品，涵蓋自動駕駛 / 智能座艙 / 機器人 / 飛行汽車等。
從終局來看，這纔會是制勝關鍵。
《晚點》：相比以前基於規則的方案，端到端在技術開發上的難點主要在於哪裡？小鵬是怎麼克服這些難點的？
李力耘：以前，我們更希望有一組冷兵器時代的優秀算法工程師，讓他們去解決每一個模塊的問題。但現在，由於它變成了一個更長的鏈條，我們轉而希望有系統性思維的人，他對技術的演進有自己的思考，看重的能力點從對數學的直覺變成對數據的直覺、對數據效率的直覺。
研發端到端時，很多時候是非常有趣的。比如，設計端到端的神經網絡，它更像一個實驗科學——工程師需要設計各種各樣的神經網絡結構，然後去做實驗，看怎麼樣才能夠解決實際問題。
端到端落地之後，我們要處理更海量的數據，也要更高效地處理數據。我們篤定：慢就是快，一定要等待火候上來，把更大的鍋做好，把更多的燃料堆好，才能做出上限更高的端到端方案。
所以在某種程度上，週期短、見效快的端到端有點像智能駕駛的預製菜，但是我們不想受到這樣的瓶頸約束，更希望能夠有一個更高的認知，自上而下地做這件事。
《晚點》：端到端帶來的變化給一些原本進度落後的廠商帶來了彎道超車的機會嗎？
李力耘：端到端由於鏈條更長，實際上變得更難。原來，一家廠商爲了補足能力，招一個好的規劃 Lead、一個好的感知 Lead，或者一個好的定位 Lead，就可以搞定這件事，因爲他們可以很快帶來算法結構的提升。
現在解決問題需要大量收集好的駕駛數據，然後把這些數據做標註、處理、挖掘，然後提供到訓練平臺中。此外，還要有很好的模型結構、很大的算力，才能訓練出模型、部署到車上。整個鏈條變得更長，其實對於廠商的要求變得更高，所以彎道超車會變得更吃力，第一梯隊廠商跟後面廠商之間的差距會拉得更開。不排除有個別廠商因爲轉型非常堅決，可以實現彎道超車。但是總體上看，這件事會變得更難。
舉個例子，就單從數據來看，供應商的數據來源於不同的車企，本身是異質化的。另外採集數據本身需要做得更加高效，然後還要在雲端把如此大量的數據運維起來，這些都需要極強的工程能力，而能力需要時間培養。
在端到端之前，如果一家廠商沒有積累，但是能夠把工程能力補上，就可以直接產生業務效果。現在，一家廠商把工程能力補上，只是讓它有積累數據的可能，所以端到端整體變得更難。
以 AI 爲核心招攬人才、調整研發組織架構
《晚點》：去年 8 月吳新宙突然離職，你接手小鵬自動駕駛中心負責人這個職位。當時你是如何穩定軍心的？
李力耘：正常的人員良性流動，對整個行業是有利的。我們也在持續吸引更好的人才，包括我們的 AI Lead，也包括你們這次見到的產品 Lead 婷婷。
回溯到去年 8 月，那時我們正在推進 “全國都能開”，屬於小鵬智駕 AI 化的初期。後面我們做的所有東西，其實都是在擁抱 AI 這樣一個新質生產力帶來的變革。這種變革不以誰主持小鵬自動駕駛中心而變化。
《晚點》：何小鵬當時讓你帶領整個團隊，具體是怎麼跟你說的？
李力耘：事實上，我是從新宙那先知道這件事情的。
《晚點》：你和何小鵬平時是如何溝通的，溝通頻率怎樣？
李力耘：他會第一時間給我們報新軟件版本的 bug，或者報驚喜。現在這也成了我們之間溝通互動的方式。
《晚點》： 何小鵬之前說，小鵬今年在 AI 研發方面的投入一共是 35 億元人民幣，其中有多少是用到智駕方面？
李力耘：整個是非常大的投入，具體多少會用到智駕方面，我不能說出具體的數字。何小鵬給我最大的感覺是，他是 “因爲相信，所以看見”，願意先投入，然後期待結果，而不是說一定要有什麼樣的結果出來，他再去投入。
袁婷婷：這筆投入也包含小鵬其他的 AI 研發板塊，但智駕的確是其中最重要的部分。
《晚點》：團隊架構上，端到端對於智能駕駛的感知、規控等不同部門造成了什麼影響？有業內人士認爲，端到端落地後，規控部門變得沒有以前那麼重要，這個說法你認同嗎？
李力耘：完全不是這樣。我們在 8 月份做了組織架構的調整，原來小鵬的技術部門也有預測、規劃、定位、感知、控制等串行模塊的技術部門，現在我們已經把組織架構調整成以 AI 爲核心，新組建了 AI 模型開發、AI 應用交付、AI 效能三個部門，希望充分發揮 AI 的生產力。
如果我們把組織架構看成生產關係，生產關係總是要適配生產力的變革。雖然這些冷兵器時代的武林高手不再是直接解決問題的關鍵，但是，一來他們的 domain knowledge（基礎知識）能夠很好的去幫助模型選擇數據，在規劃方面尤其如此；二來他們對於應該用什麼樣的數據設計什麼樣的模型結構，以及怎麼做仿真驗證，都有巨大的用處。
我們希望內部激發那些原來冷兵器時代的優秀人才做轉型，把他們培養成新時代的 AI 人才。
小鵬沒有去裁人，沒有說規則的工程師不再重要，而是覺得他們具備的基礎知識可以很好的地指導 AI，因爲 AI 在發展早期仍然需要人類老師。這是小鵬跟一些急功近利的車企很不一樣的地方，希望這點也能幫助我們吸引到更多人才。
《晚點》：近期有消息稱，小鵬計劃擴充 Robotaxi 團隊，正在高薪招聘有全球一線 Robotaxi 公司工作經驗的員工。可以分享一下小鵬對 Robotaxi 業務的總體規劃嗎？
李力耘：Robotaxi 業務其實會跟隨小鵬整體的車型發佈節奏。2026 年，小鵬會推出自己的 Robotaxi 車型，我們提供軟件和硬件能力，但不會去做運營。
無論是雲端大模型，還是世界模型，或者生成式仿真、強化學習，這些都是最終做成 Robotaxi 的必由之路。端到端的 AI 大模型也許不是最終做成無人駕駛的充分條件，但會是一個必要條件。如果沒有極強的泛化能力、場景處理和博弈能力，很難高性價比地把 Robotaxi 的能力作爲一個運力產品提供給外部。
《晚點》：今年 7 月底，何小鵬說，“經過最近幾個月，我非常相信端到端是未來，不僅把 L2 幹出來，將來還要把 L4 幹出來”。你認爲小鵬距離實現 L4 級自動駕駛還有多遠？有人說，端到端無法直接實現 L4。要實現 L4，需要 “世界模型”（world model）或者更先進的算法模型，對此你怎麼看？
李力耘：如果不把端到端 AI 大模型做好，等到未來去做 L4，其實是一件性價比不高或者很有挑戰的事情。至於在做好端到端之後，能不能直接達到 L4，我認同你說的，可能我們還需要做世界模型，以及強化學習領域的自我博弈（Self-play）等。
《晚點》：假設有一天，小鵬沒有能達到心目中 L4 的終點，可能是什麼原因？
袁婷婷：我是不做這個假設的。悲觀的人也許正確，但是樂觀的人能走到最後。
李力耘：小鵬一定是最堅持的那一家廠商。我相信我們一定能夠最終看到 AI 真正改變人類的出行方式。
《晚點》：有一部分觀點是，要成爲一家真正的 AI 企業，就必須自研人形機器人，小鵬內部也這樣認爲嗎？
李力耘：這個問題很有趣。我們現在並沒有說要做 AI 企業，就一定要做人形機器人。自動駕駛和機器人在方法論上比較接近，它們都是對大量複雜不確定環境的博弈。汽車有四個輪子和方向盤，就已經很複雜、很難用規則寫；人形機器人有那麼多關節，更難用規則寫。兩者的相通之處，可能是都會用數據、用端到端模型來驅動。
題圖來源：《洛奇》