在外界印象中，理想的智驾一直是追赶者的状态，但在ALL IN端到端后，理想竟自信地说已经超过特斯拉了。

日前，理想汽车智驾团队详细发布了“端到端+VLM”方案，不同于国内同行的“分段式端到端”，理想的方案是被称为“One Model”的一张大网。

这是目前自动驾驶架构演进的最终形态，该阶段不再有感知、决策规划等模块的明确划分，从原始信号输入到最终规划轨迹的输出，采用一个深度学习模型，完整无损地应用于自动驾驶。

1ONE

死磕端到端“最终版”

在理想智驾研发副总裁郎咸朋看来，死磕“最终版”的端到端，正是理想得以弯道超车的秘密。

“过去的智驾方案，不管是轻图还是无图，底层技术架构都是有人为设计成分的，如果想将一年四季各种情况都跑一遍，没有一两年时间是不可能实现。所以我们迭代了端到端+VLM技术架构”，郎咸朋认为，该架构是AI自己生长的，“真正变成车自己在开”。

不仅如此，理想开始打造“世界模型”来加速智驾AI的训练，“世界模型可以生成、模拟场景，这是几千万个场景测试”，理想智驾高级算法专家詹锟表示，这是实现智驾快速迭代最重要、且最必要的保证，并且“世界模型”还成为碾压端到端的存在。

“它可以根据当前的环境预测未来，能推理出未来的场景。比如球滚到路中间，端到端只会刹车，世界模型会想后面是不是还有小孩冲出来？它对世界有更宏观综合的判断”。詹锟表示，理想在上车端到端的同时，就已经预研下一代技术了。

因此郎咸朋凡尔赛地表示，“我们跟特斯拉没有太大差别，甚至更领先一点”。

敢于与特斯拉FSD这个全球智驾标杆掰手腕，不仅在于理想双系统架构的超前，更在于理想在新势力当中领先的销量和财力。郎咸朋说真正做到端到端要看两个能力，“有没有足够多的数据和充足的算力，因为它是AI训练”。

他表示，为了训练好自家智驾系统，理想对数据质量要求极高，只精选3%“老司机”数据喂给AI，而在80万车主基数下数据量已经足够庞大；为了消化这些数据，理想到今年底要将算力提升至8亿EFLOPS，“这是一年20亿人民币的花销”。

在郎咸朋眼中，高阶智驾是巨头才能玩得起的游戏，“未来到L4阶段，数据和算力的增长都呈指数级，每年至少需要10亿美金，一家企业的盈利和利润不能支撑投入的话就很困难”。

靠着端到端的初步上车，理想已经获得了销量的快速转化。接下来它还要持续发力这个“头号工程”，这或许将是带领它未来比肩比亚迪、特斯拉的关键一环。

2TWO

“我们已经进入智驾行业的第一梯队。鸿蒙智行是我们在市场上最强的竞争对手。”第二季度财报电话会上，理想汽车CEO李想对公司在智驾领域的表现充满信心。

几天后的成都车展上，理想汽车宣布了智能驾驶的最新进展和未来规划，也再次验证了李想的说法。7月15日，理想汽车完成了无图NOA向全量AD Max用户的推送，截至目前，全量推送全国都能开的无图NOA的车企只有华为、理想和小鹏三家，而在已开放无图NOA的车企中，理想的智驾累计行驶里程最多，达到了22亿公里，今年年底预计达到30亿公里，有望在全球范围内位居领先水平。

无图NOA的发布，进一步加强了理想在售车型的竞争力，理想汽车智能驾驶满意度调研显示，用户在满分10分的调研中，对理想智能驾驶给予了9分的高度评价。理想全国门店开启无图NOA试驾后，门店NOA试驾率实现倍增，30万元以上车型AD Max销量占比达到近70%。

更为重要的一步，是理想汽车在端到端智驾领域的进展。不同于其他车企普遍采用的分段式端到端，理想汽车的全新智能驾驶技术架构基于端到端模型、VLM视觉语言模型和世界模型，采用了更先进的One Model一个模型，是真正意义上能够与特斯拉站在同一起跑线上的端到端。

7月底，这一全新智能驾驶技术架构成功在车端落地并开启千人内测，不到1个月的时间用户总城市NOA行驶里程达到21.1万公里，单日城市NOA驾驶最长里程391公里，单次零接管城市NOA最长里程81.6公里。车展现场，理想汽车宣布正式开启万人体验团的招募，新一代产品将进入有监督自动驾驶的新阶段。

无论是无图NOA的全量推送，还是领先的端到端技术架构的推出，都帮助理想汽车构筑起了智能化领域更深的品牌护城河，抢占了未来发展的先机。而自动驾驶研发的核心竞争，取决于是否有更多更好的数据，和与之配套的算力去训练模型，理想汽车超90万用户提供的超22亿智能驾驶里程，以及5.39EFLOPS的训练算力，是保证全新一代智能驾驶高速迭代的核心要素。

这背后必然离不开大手笔持续的资金投入。据悉，理想汽车每年在训练算力的投入超过10亿人民币，而根据理想汽车的估算，最终实现自动驾驶需要的训练算力要达到100EFLOPS的量级，相当于每年在算力上的投入就要超过10亿美金。

在研发上，理想汽车从不吝啬投入，第二季度研发费用达到30亿元，同比增加24.8%，并且连续三个季度的研发投入都达到了30亿元。截至第二季度末，理想汽车的现金储备高达973亿元，近千亿的资金储备也让其能够更加从容地应对技术研发的高投入。

当然，想在智驾上保持领先，只有资金投入还远远不够，端到端智驾本质上是人工智能方案，背后需要海量的训练数据和训练里程做支撑，这些是车企用钱也买不到的，而理想汽车不断扩大的用户规模，为智驾技术的迭代提供了丰富的数据库。预计到2024年底，理想汽车训练数据超过30亿公里，训练算力超过8EFLOPS。

3THREE

当前，随着以智能驾驶和智能座舱为主的智能化功能成为用户购车重要因素。智能化功能具有技术迭代快、投入规模大、协同开发要求高等特点，智能汽车的竞争已转移至以核心软硬件协同开发、生态企业合作共建等方面，这对软件开发、供应链管理都提出了更高要求，技术门槛也显著提升。

不独企业，行业智库及相关专家也在始终密切关注智驾产业的发展。

在中国电动汽车百人会日前举办的“智能汽车产业生态发展路径高端研讨会”暨百人会2024年度第11期高端研讨会上，与会专家就就一致认为，自特斯拉FSD v12正式应用后，端到端技术成为汽车智能驾驶发展新方向。端到端技术无行驶区域限制、模型迭代泛化能力强，可通过学习人类司机驾驶行为和周围环境，实现更流畅的驾乘体验。端到端技术结合丰富高质量的驾驶数据、充足的车端与云端算力资源、更大的模型参数量，将有望实现真正在物理世界中驾驶的大模型。此外，经过不断训练与迭代，端到端智能驾驶模型有望成为通用人工智能大模型，并有可能移植到其他物理世界的跨领域模型中，如人形机器人等。

但是，汽车智能化产业链复杂，覆盖集成电路、人工智能等多个产业，任何单一企业都难以独立承担并实现所有智能化环节。为此，与会嘉宾建议，一是加强芯算融合，实现云端、车端的芯片与算法企业协作与适配，提升人工智能云端训练效率与车端算力利用效率。二是加强端云协同，推动车企、AI企业合作，通过端侧大模型部署减少云端推理的延迟、隐私与成本问题，结合云端大算力提升大模型智能化水平，共同促进大模型应用落地。三是加强跨域融合，舱驾一体、车路云一体趋势下，现有硬件与算法分工方式将发生改变，需要以用户为核心，加强智舱、智驾、整车企业协作。

同时，汽车智能化正从以功能增长为特征的1.0阶段走向以拟人化为特征的2.0阶段，技术上正从传统规则式软件走向以大模型为基础的人工智能算法，汽车操作系统架构正面临一系列新挑战。与会嘉宾建议，一是跨芯片、跨操作系统适配，AI大模型框架正逐步确定，需开发标准化底座，帮助开发者在不同架构芯片上快速灵活部署。二是软硬解耦，目前由于芯片驱动依赖，无法完全实现系统软硬件解耦，需开发SOA（面向服务架构），将系统服务原子化，以嵌入AI原生应用。三是跨域融合，基于AI的智能驾驶任务与其他车内AI智能交互系统相互关联且随时可能切换，操作系统需实时进行不同任务的调度与编排，并提供新的通信与数据共享策略。

中国电动汽车百人会副理事长兼秘书长张永伟在总结发言中指出，我国应用类企业丰富，消费电子、互联网、ICT企业集聚，在发展智能座舱及车辆空间应用方面具有很好的优势。尤其是随着大模型在汽车领域的应用，将推动汽车向更好用、更有趣、更舒适和更安全方向发展，实现引领。

但在下一代端到端智能驾驶领域，相比传统规则驱动的智能驾驶研发，端到端智能驾驶对算法、算力、数据及人才的要求更高，国内现有供应链仍面临诸多不足。为此，张永伟副理事长建议，一是构建汽车电子与消费电子、ICT产业融合创新平台，加强跨界协同，加速技术融合，推动新技术快速上车；二是推动数据与算力区域性共享共用，构建支撑智能汽车发展的基础智能生态体系；三是理顺整车企业与供应链企业之间的关系，在提升整车企业的智能化能力的同时，探索双方多元化合作模式。