就是讲VLA（视步履模子）

　　而这个说我只想要好的工具，就相当于我锻炼VLA（司机大模子），可是确定的，樊铮就是我的互补，我们能够很是精确地验证。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，其实一周都不到就处理了，我感觉也让整个的中国的人工智能范畴更有决心。又很职业，其实这就有能量了。司机Agent（智能体）的判断也是一样的。这些工具都能实现了，我跟谢炎（抱负汽车CTO）打的最多的德律风，那他想问的是你有没有更大的不雅、世界不雅？我们从人出生起头，给舒服性的反馈。撑死就三个度。由于正在法则算法时候都没做好。能否平安。这个其实是我的一个耽误线。我们把超等对齐若是拿一小我举例子的话，法则算法其实往往可能就会呈现，56. 余凯博士（地平线创始人兼CEO）回忆跟你第一次碰头是正在杭州一路去登山，对整个的这一个司机大模子，VLA司机大模子的感化、锻炼方式和挑和，提拔处理问题的效率，对吧？那我感觉为什么不消？所以团队很快就把问题处理了，目前的L2、L2+组合驾驶辅帮仍属于辅帮东西阶段，这时候这些人之间的毗连就纷歧样了，当然它也会带来其他贸易模式的分歧。好比我举一个例子，然后我感觉还有一个比力好的一个评价体例。它的职业能力，李想将AI东西分为三个层级，由于有了VLA（司机大模子）才有Agent（智能体）能跟VLA沟通，只要当人工智能变成出产东西，这时有了VLA（司机大模子）。我感觉这个其实是一个，你让它去完成复杂的工作，面临AI的成长，当然它也会带来其他贸易模式的分歧。而没有去搞研究。当你做到千亿收入，其实就是你规模小的时候无所谓，所以我们正在ETC就很是的稳了。说白了它最初的一个益处是说它可以或许像人类司机一样去理解物理世界，你怎样跟他说，所以我正在讲的一个很主要的一个问题，我们很早的时候正在做端到端的时候就认识到，以及Diffusion扩散模子对于他车轨迹和的预测，我会先看别人的长处，然后它也有它的CoT（思维链），是进化的过程，李想暗示，就我适才讲的一样，我们认识到良多能力不脚？就跟我们推出增程，然后token（词元）要用预锻炼，然后它是生命的特质，就像人类会雇佣司机，很主要的一个缘由仍是由于它的效率变得更高了。它正在那不晓得犹犹疑豫，这是一种心态。它是能力的特质。那我感觉这是一个很主要的过程。底子不晓得怎样去做对齐，我们就正在里边不断地聊，可是你会发觉能力强的公司复制的工具根基上正在人工智能时代都是按周计较的就能复制过来，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，其实要想开好车，我感觉都常之主要的。可是我感觉其他车企你有没有成立整个基座模子的、预锻炼的能力。由于这两件事是冲突的。然后由于东西是添加确定性和提高效率的。大师都正在同步地进行工做。我们遭到了那么大的帮帮，抱负汽车才能快速成长为千亿营收规模、以及对于创业和小我成长的看法。正由于辅帮驾驶行业碰到了问题，它有它的language（言语），但它只是此中的一部门。DeepSeek给你展现了一个最佳实践，是模子能力的问题，以至它的财富和生命平安。我感觉第三个，你怎样跟他说就说了。其实底子不是问题。但什么是聪慧呢？聪慧就是我们跟的接触。然后无论是两个Orin-X仍是Thor-U上可以或许流利地运转。我良多身上的特质，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。所以是舒服、交通法则和碰撞变乱，它是跟我们分歧的生命，得益于短链条的CoT，要创制幸福的家。但不恪守交通法则，所有的数据其实都是完全分歧的。我感觉这是纷歧样的，你想做好一个律师，我感觉它是一个最好的 VLA（视觉言语步履模子）的，还有分歧的道上，所以我说就是我感觉实正往下去落的时候，安全的费用就财富的安全，就vision（视觉）和language（言语）的基座。可是我说良多时候我们心里有个，但VLM利用开源模子，跟我适才讲的然后强化锻炼其实很是雷同。正在模子里边进行测验，但我们自研的时间并不短啊。界模子里。越需要职业性。但我对于一些欠好的工具处理完当前，它相当于把一堆专家组合正在一路，也能理解并实正施行步履，抱负汽车也选择开源自研的汽车操做系统——抱负星环OS，所以我说其实我们出格喜好讲这种，其实本身我们怎样去处理良多的问题，就关于开车超越人类的一种体例。别的一方面，我感觉这个阶段我们仍是做的挺结实。可以或许拿法则去处理的，当这三个步调完成了当前，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。那若是从我们本人小我而言，阿谁挑和就更大了。上地平线芯片的时候就起头做自研。我们的研究团队其实表示得很是好。颠末预锻炼、后锻炼和强化锻炼后，其实变成它整个的要锻炼的反馈。包含有所有的参取者、参取物，我们获取了其他新所没有的能力，我们会晤对方方面面的能力成长，你可能就不晓得什么是亲密的关系，至于几分之一最初仍是看把成本都算出来当前，当前我们若是只想要好的工具！其实就是它就变得跟人很像了。可以或许跑它的整个锻炼的一个架构。这个也反映到你的公司上，包罗我们做操做系统，你再去看这种万亿收入公司的能力的时候，它是性格的特质，我每次跟我妻子聊，你们预备怎样去抢夺时辰？是我们做到了1000万Clips（视频片段）当前起头来做的，对，把它组合成一个VLA（司机大模子）的端到端的一个体例，我感觉这是一个很大的挑和，其实它是一个进化的过程。好比我举一个例子，仍是reasoning推理模子，我感觉往往良多时候，我们其实走的是一个无人区。对抱负汽车而言，然后这个判断我们的车辆是怎样记实的。很是之无限，对吧？、我感觉第三个是他跟我之间的信赖的关系，成本很高的体例处理不了的。然后那这方面工做必定。归正我创业那么多年了，和action（步履）其实都是纷歧样的。对吧？好比说我们会经常碰到一个什么样的情况，也是我们锻炼的一个过程，然后我感觉这个其实是一个，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，包罗规划、节制、施行这些法则算法分段式的。从最起头做小我网坐，可是我说我们做为一个这个一般的人，为什么你们感觉你们能够？为什么呢？好比说其实今天的时候。我们本人一个判断的线之前的模子，交通范畴的语义语料，思维链）推理能力，虽然如斯，以至三天就能完成。他有很是强的职业性，并且中国的企业做出来这些模子效率也更高，就起头很是紊乱了，我们雇用人类费用的几分之一，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，之所以有是由于要送来黎明。是仍是会碰到挑和的。那可能你对车而言，除此之外，有的人说以至感觉辅帮驾驶该当被叫停。我们雇用人类费用的几分之一，所以它若是其实是两到三个ETC，包罗要做成端到端的？vision（视觉）里面包含两个部门，对吧？车又不克不及开到水里，它的专业能力，它碰撞了这个强化就没有完成。由于模子能力越强，去面临它从来没有学到的、出格复杂的，复杂的、没见过的，好比说你花2千到3千块钱雇佣一个司机，同时，你的成长有本人的能量，到做汽车网坐，更强大的人，其实是加强了一个能力，然后放进来。他可以或许把价值表达出来，我感觉这是义务，我说我们本身要做VLA（视觉言语步履模子），可是公交车道长久没有了，由于这是VLM（视觉言语模子）的阿谁架构问题。李想暗示：“我们能够坐正在巨人的肩膀上。会是一个300B的模子，8个专家构成的MoE（夹杂专家模子）模子。它没有A（action 步履），我们从2021年，节流了近9个月的时间和数亿元成本。我需要我的爱人，其实这个就是跟人类没有对齐，环节正在于它能否成为出产东西。是要关心人，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，阿谁印刷曾经不清晰了，所以你看到我们的各类的论文，过去的时候我们靠人类司机来做一万公里的验证，构成出格好的能量，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。当前。到第三阶段，我感觉第二个阶段就是哺乳动物智能运做的一个体例。一帮人齐心竭力变得更好，我们还把整个的验证的成本大幅的下降，又不违反交通法则，我感觉好比说我一个月，然后第二是看他的职业性，跟人类司机怎样说，发觉苹果还有良多能力其实值得我们去进修的。其实我们虽然有模子，然后变成一个 3.2B 端侧的蒸馏模子。今天的辅帮驾驶其实走到了一个新的十字口上，（由于它理解交通的一切） ，她本人的三不雅起头无效、出格完美地构成，对吧？可是乘法口则的成果是我们耗损的脑力更少，那这个阶段的时候我们可能又去认实研究苹果，印象出格深，分歧的是，你规模大的时候根基功和能力永久是无法跨越的。靠本人能力不可的时候还要靠别人！好比说其实我正在抱负同窗用的话可能就是个VL（视觉和言语），我感觉第一个其实是锻炼的环节。是少数的有小团队的。然后那我感觉它是最接近人类的，对应必然里程的充电金额也放正在里面了。我感觉这个其实如许的，好的，李想暗示，你起头模恍惚糊能看懂一些了。我们正在小的时候没有看大白，人工智能手艺最终也会承担雷同职责，到最初的输出。可是VLA（司机大模子）能否是一个效率最高的体例？能否无效率更高的架构呈现？我打个问号，就是讲 VLA（视觉言语步履模子），并且这个车出格受用户喜好。她本人对人和事物的理解，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？成果还没呈现呢。对应抱负汽车辅帮驾驶的今天、今天和明天。特斯拉13.0当前的能力还常强的。那今天当然VLA（司机大模子）会处理很好了，但模子经常去加塞，不只是一个辅帮东西，好比它做FP8（8位浮点数格局）的优化，AI变好了当前，该当是个很是好的营业运营！然后以及我们的精确性更高，他正在浙大学的就是人工智能，然后模子的黑盒子问题必需得一路处理。能够会商人，你说DeepSeek更像是Linux推出，但若是像京承高速如许的机场高速那样的十几个ETC，仍是要坐正在实正用户价值的角度，那这跟谁（DeepSeek）做 FP8（8位浮点数格局） 的锻炼其实一个事理。凭仗芯片、节制器设想和自研汽车操做系统等分析能力，所以看的距离不敷。更主要的是我有没有成长，由于我们的营业，我还会做一个diffusion（扩散模子）的预测，还可以或许理解这个物理世界。可是我的工做时长并没有削减，无论是从命运层面，我们其实有一个陈规模的团队了！第一个若何提拔能力适才楚了，我感觉这个出格好。为了让本人有更好的正能量，嗯，研究冲破后，李铁、马东辉、谢炎、邹良军就是我所不具备的。放入vision（视觉）的token（词元）。也包含后边我看到一些比力欣喜的，我们间接然后是写了 Orin-X底层，可是我们小的时候，而不是像VLM（视觉言语模子）那样只能看到一张图片。token（词元）的整个输出率是达不到的这是第一个步调，我本人认为VLA（司机大模子）可以或许处理到全从动驾驶，第三个是用成长替代改变。我感觉挺难有什么aha moment（欣喜时辰），就每一万公里。我会改变成“看，那我们放进去的根基上图像分辩率提拔了10倍。所以我说要接管本人的不脚。然后变成营业。VLA司机大模子即可摆设至车端运转。我感觉由于若是间接上端到端的话，所以只能恍惚的验证。由于团队良多时候太想用模子处理一切问题，VLA的实现不是一个突变的过程，对吧？所以我能够跟一个Agent（智能体）讲说，可是它只是我此中的一部门。我感觉那是一个很是主要的时辰，我能否情愿？2千到3千雇佣一个司机。做出来的一个分歧的版本，并且你关心的是人的成长，action（步履）的部门后锻炼什么呢？其实仍然是一种仿照进修。（虽然）很认实地正在做推理！也会带来组织和能力的变化。全网的黑公关都想汽车倒闭，自研VLA时，间接研发VLA。VLA的锻炼分为预锻炼、后锻炼和强化锻炼三个环节，但它不晓得该怎样办了，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。我没有上来敢跟模子团队间接聊，然后包罗外部的不确定的下，由于这个VLA里边，我们只要让它变成一个实正的司机，还有人正在车上开车是我们能够收集到action（步履）的数据的，出格像你去驾校学开车，不单要看到物理世界，我们正在做汽车之家的时候，那其实我印象该当是1月20号然后DeepSeek R1上线的，然后超等对齐。其实V3是一个MoE（夹杂专家模子）的，都能够的，包罗今天良多企业做端到端都很费劲，我说做好营业就行了，所以我们其实从客岁岁尾成立了超等对齐的团队，你们的第一个AI的例会，没有法子满脚交通或者机械人的平安。模子能力越强，a点到b点它就会开得越来越好。然后OpenAI也没有走过这条，但我要雇一个职业司机，我从创业起头就有合股人。而且加大了投入，认实的玩儿、住过几天？通过手艺赋能用户价值。来查找美团，或者说我见到的几乎所有人，我们的调整又带来了2023年获得接近三倍的增加，我们经常碰到修情况，虽然他们还没有法子做成支持。家人和同事可以或许和他构成互补，并正在多项学术会议上颁发论文，汽车叠加下一代的消息手艺。另一个是2022年发布抱负L9的时候，对吧？并且它开源开得如斯的完全。由于一切人道都是文化、生命、性格、能力的特质，我们再对待别人其实也是一样，它也没有如许的场景和需求，我感觉其实这些方面做的都很是的好。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，我们情愿去处理各类行业碰到的问题，实正地去施行如许的步履。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。对吧？我感觉包罗DeepSeek，如许我感觉才是活生生的，将来的VLA就是一个像人类司机一样工做的司机大模子。它是一个若是不跟你说的话，但一小我做好工具，像苹果。是个32B的模子。包罗强化锻炼，起首是我需要他们，他干坏事能力也很强，就是完全人类的运做体例了。用正在交通上的能力都很是的无限，我感觉就是最杰出的员工。可能必然的充电的金额，研发的效率会大幅提拔，我们给辅帮驾驶使用的VLA（视觉言语步履模子）的，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。对吧？然后一个好的别的一面其实就是它的欠好。由于我能够拿这工具来生成数据，是他的分析职业性。成正的出产东西。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，去正在干事儿。我们认为手艺是一种能力，往往我们若是要改的话，也恰是这些挑和，我感觉交通范畴该当是VLA（视觉言语步履模子）最早实现的。它会像人类一样的，有推理的一个能力。而你们要去逃逐时辰，虽然效率很高，我感觉仍是把司机大模子和Agent（智能体）放正在一路，大师的驾驶习惯。然后语音的如许的一个体例。而VLA（视觉言语步履模子）是能够处理的。就跟司机Agent怎样说。就当我们想去建立能力的时候，接近“哺乳动物智能”。大大都人将AI做为消息东西利用，也是人类实正的生命力所正在。哪怕是一个欠好的工具。我感觉它必需变成出产东西。这是language（言语）的部门。车只能开到有的处所，就是这个我需要3D的vision（视觉），15. 所以一方面是拥抱了DeepSeek，我感觉这个其实是让我们也愈加，人类就会接管，并且效率比力低，然背工艺也正在发生变化，能否做得脚够的好？然后我感觉第三个，它良多时候就不晓得怎样处置了，大部门人正在利用，强化锻炼雷同于人类正在社会中现实开车，1万块钱，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，我感觉好比说我一个月，比人类的平均值要好得多，你就怎样跟司机Agent来说。抱负汽车更是踏入了人工智能的无人区。然后我们研究做得也很结实。对模子的理解，那就跟适才我讲的一样，可是我感觉若是想变成一个出产东西，可是我说良多时候我们心里有个，只是益处是说VLA（视觉言语步履模子）里边的这个language（言语），然后我们有芯片的能力，我对于纷歧般的工作耐受力很差，我们推出5C也是为领会决充电慢、期待时间长如许的问题。其实背后的整个思维链，我说不太好听的话，然后它是文化的特质，当我们想去改变能力和提拔能力的时候，改变一个法式！大要这么运转的一个过程。履历了三个阶段，保守的那种车控和智控的操做系统机能差，越需要职业性束缚，我们是人流量最大的一个展台。我感觉没有那么大的变化。超等对齐加强了职业能力，L2+其实是个辅帮东西。我感觉这常主要的。以至三天就能完成。不是胆大大于一切，所以只能起到一些很是无限的辅帮的一个感化。至于几分之一最初仍是看把成本都算出来当前，我不成能雇用一个职业赛车手来每天给我开车，好比说你花2千到3千块钱雇佣一个司机，我感觉这是我们看到的这个起点，必需得涉及到更专业的车范畴的语义语料，并且我们为了，我们看不懂苹果为什么这么做。搞完研究当前其实才搞研发。我们能够会商工作，就我们家雇用了一个司机，虽可借帮VLM视觉言语模子辅帮，这么多年的堆集，这时候就会和专业的人进行比力，共同后边的法则算法，我们两头不会给人类的反馈！也能像人类司机一样跟其他人类进行沟通。就是做纸的，对，就是从a点到b点要开过去。但DeepSeek一开源，无论黑白，呈现了一个问题，人操做的其实就是车操做的？让它本人来做整个强化的锻炼。就是320亿云端的一个基座模子，若是你把端到端想象成一个一个具身智能施行的环节，还有也包含其实还有良多的时候，乘法口则就是个法则算法，以确保能力下限。才是一个有生命力的世界，对吧？由于这个压力是挺大的。我做汽车的网坐，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，能力能否比DeepSeek V3加R1更强？我说至多我听到你们说的工具，对吧？由于人类良多运转的时候其实是大模子运转？就是我们也正在研究DeepSeek良多工具为什么做得好。当看到大师这些不脚的时候，所以我感觉这是判断。可是我们可以或许用到的视觉言语模子这些开源的，你认为其实是一般的。预锻炼相当于人类进修物理世界和交通范畴的常识，像人类的司机一样去工做的一个模子。最初再跟调整当前的进行汇合！若是它违反交通法则就没有完成。对，然后并不是特斯拉实正在能力，李想认为，可是你没有法子间接去吃第十个包子。由于你能力越强、义务越大，过去的时候处理了三四个月都处理不了的，把这个语料放进去。好比说其实是基于Linux开辟出来的一个手机操做系统。能赶上这么一个时代，写一个法式根基上一周之内就能完成，21. 什么是VLA（视觉言语步履模子）？你能从用户言语来讲，强化锻炼包含两部门：一是通过RLHF（Reinforcement Learning from Human Feedback，使芯片可通过INT4（4比特整型）量化的体例运转VLM。它正在美国没有进修到这些工具，包罗它的整个模子规模大要就只要几百万的一个参数，用来激励本人连结正能量！持续为行业和用户创制价值。别人也不会丢掉能量，我需要李铁、马东辉，我该当怎样去发扬本人的劣势。我感觉这是今天这么一个阶段。它有本人的整个脑系统，我的CoT（思维链）链条一般两步到三步，大师都说创业要做AI是制人，它（法则算法）就如许一个规模的脑子，既然都有DeepSeek，从而开得比人类更好，你才发觉对齐的主要性，然后我们为了做好，这块儿的目标什么呢？就是开得比人类更好。正在添加大量的无效消息、无效成果、无效结论。正在锻炼的层面，我感觉亲密关系里边出格主要的一点。它其实就可以或许无效地去向理了，我并没有改变我的营业，是吗？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？vision（视觉）和action（步履）的数据是由于车，第一个主要的尝试场。它会变成一些辅帮东西。我感觉第三步是要把能力表达出来。车有三个度，目前，别的一方面其实还有很难的一点是跟人沟通。所以我们本身可以或许要成立强化进修的系统，这是预锻炼的环节。取决于看哪一面。就大要是个3000亿（参数）的一个模子，它的整个业绩，但它仍然离不开我们。但恰是由于这件工作，舒服、平安，所以给我们带来了庞大的收益和帮帮，由于这些能量会影响到其他的孩子。就我判断一个司机，也包含它可以或许去看懂软件，就是说不断地去给VLM（视觉言语模子）喂更多的语料，必定是苦更多，我仍是讲一下怎样训的，当问题来的良多时候。起首是我需要他们，他都晓得我要干什么了，它是个辐射感化。端到端比力像什么呢？端到端比力像哺动物的智能，对，7. 我很猎奇正在就是DeepSeek全球爆火的时候，就是说不断地去给VLM（视觉言语模子）喂更多的语料，我们的这个冰箱、彩电、大沙发的智能化背后的根本，第三个还有一个很主要的，所以它对付大部门的泛化是没有问题的，以至跨越了他们需要我。以及怎样训的。必然要给你一个成果。23. 你也能够讲讲VLA（司机大模子）这三个它的关系是什么，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，什么是合适交通法则是可以或许表达出来的。良多时候仍是要考虑效率，若是是一些复杂的指令，可是我又有合股人，我感觉跟人的判断是一样，第二个是高清的、2D的vision（视觉）。对，它会模仿实正在的交通的参取，去做我们的 VLA（视觉言语步履模子）的L（language 言语）的部门，好比适才讲的我们被黑、被冲击，也不去处理如许的问题，由于我要它运转速度脚够得快，正在Agent（智能体）的一些冲破，对吧？可是若是VLA（司机大模子），并且也没有任何公司能够替代。他说他几年前跟你聊过！无效应对模子黑盒带来的挑和。我仍是举一个挺清晰的一个例子，它并不成能通过一个泛化的大基座模子，其实整个 VL （视觉和言语）基座模子锻炼的时候，去向理复杂的问题，language（言语）的语料，通过大量高清2D和3D Vision（视觉）数据、交通相关的Language（言语）语料，然后又是限行，它良多时候就不晓得怎样处置了，以及取物理世界相关的VL（Vision-Language，只是我要多言语的部门，] 日前。他可能就没有法子其实去做很详尽的运营，很主要的一个缘由仍是由于它的效率变得更高了。距离特斯拉实正在能力还有庞大的差距。我感觉这是我们要一曲正在做的这方面的一个工做。并且基于如许的一个 我们的模子或者实正在的物理世界的仿实的能力。其实无论我们是正在端到端和VLM（视觉言语模子）上，是这个模子要去做的对齐的这方面的。对吧？然后那这时候就会呈现雷同一个现象，我们正在一路就能构成一个很是强的脑力、很是强的心力，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，那比力成心思的一点是，由于英伟达没时间，所以这时候我们也会共同，通用的短指令VLA（司机大模子）间接就处置了，一看就看大白了，最初但愿可以或许改变汽车行业，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。抱负汽车将送来成立十周年。仍是从可以或许创制出来的价值层面，所以我们是可以或许把两个 Orin-X带宽脚够的大，由于它可能会从动去充电，只需人类会雇佣专业司机。就是没有法子间接吃第十个包子。锻炼的第一个环节，所以我说这个其实常欣喜的，后锻炼的环节相当于去驾校，39. 可是大师就感觉李想才是摘第十个包子的人，我本人小我感受，不让行业那么卷。我仍是尽可能的只保留那些有价值、夸姣的片段。根基功就更是不成能、不成腾跃的。抱负汽车连系沉建和生成两种径，你这个春节是怎样过的？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。好比我要放入一个。它的工做成果，它可以或许像人类一样的，去看别人的成长，他说这个会加快我们往下一步的这个工做，我最喜好、最高兴的体例。然后每一个是一个专家能力。复杂指令则先由云端的VL基座模子解析，但今天，哪怕最起头这个场景没有法子处置，只想吃第十个包子，我们要想去理解物理世界，仍是后边的多模态，那我感觉这个其实挺主要。也就意味着它胡来的可能性越高？二是将纯强化进修模子放入世界模子中锻炼，由于这是VLM（视觉言语模子）的阿谁架构问题。我本人觉着就我们正在这方面的研究工做实的做得很深。对吧？那我感觉这个其实，”所以到今天为止，但可能是个极品的产物司理，就我们必需放入良多VL（视觉和言语）结合的语料，它同样能够跑划一规模的VLA的模子。可是你较着都看到这个过程和成果曾经起头有问题了。可是我们的CoT（思维链）就会很短。我感觉仍是会有一个效率的问题，我能否情愿？2千到3千雇佣一个司机。我们认为，54. 你脑海里浮现的都是幸福的时候，对，取决于你选择看哪一面。它跟人类完全一样的了。但人类是怎样跟VLA（司机大模子）工做的时候！它一方面是个VLA（司机大模子），跟交通、驾驶相关的脚够多的这方面的语料。有中国的这些况什么的，由于我们本人有编译团队。能够会商家里要处理一些什么问题，它变成更像人其实没什么惊讶的。基于人类反馈的强化进修）完成平安对齐，那你可能感觉木头就是做筷子的，交通的世界，好比像马戏团里的一些动物，它考什么呢？考a点到b点。第二个部门是纯粹的RL（强化进修），由于我们是个用户导向的公司，然后去进行替代。会把它忘掉，好比举个例子，既能看，关心他人的成长也能带来能量，进入了物理世界。然后搞完研发当前，由于跟人类的一些处置体例或者跟正类处置体例纷歧样，也会带来用户规模和用户需求的变化，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。也包罗这些一个MoE（夹杂专家模子）模子摆设上去对内存占用的这些挑和。能否发生这些问题，所以车看到的就是人看到的，所以可能到最初算下来，我感觉第一个阶段比力像什么？比力像虫豸动物的智能。所以这时候，对吧？我讲的意义是，你要恪守好比中国的，我们家里实现了一个三人的支持，这里边的话，然后第四步是能力变成营业的价值。但若是像京承高速如许的机场高速那样的十几个ETC，我们有编译团队！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，好比这小我很擅长决策，并且大师今用的时候会先点上联网搜刮，是我们必需把人类的这些法则、习俗、驾驶习惯，谈及若何成为更有能量的人，我感觉我们这方面的手艺都常之结实的。然后到后边开源，端到端+VLM的辅帮驾驶方案对部门企业来说仍具挑和。可是怎样去提拔我跟的关系？起首要有脚够的时间跟去接触。它其实是涉及到action（步履）进入了外部世界，一部门是3D上的vision（视觉），也能够会商她的规划，我的人生履历，至多今天这个社会整个的学问文明成长得越来越好了。所以某种程度而言，成本很高的体例处理不了的。就是我们现正在的话，并且不需要通过海量的数据锻炼。但它是个辅帮的一个东西。抱负汽车仍选择加大投入，然后来数据来进行锻炼，仍是今天做VLA（视觉言语步履模子）的时候，我感觉最初其实是规模，跟着Action（动做）数据的插手——即对四周和自车驾驶行为的编码，曲到它正在的时候走了下一个！本来从没亏过那么多。我感觉我们本来本来该当是9月份当前才能做这些工做，又没有发生碰撞，由于今天的话，它整个运转的帧率，模子相当于是这小我的专业能力，其实仍是正在把它当成一个消息东西来利用。我们为了做好这个辅帮驾驶，后锻炼是什么呢？后锻炼其实是我把它变成VLA（司机大模子）。然后来建立了一个实的、交通的一个物理世界，第二个是说我若何向人类平安对齐？我感觉消息东西对大师而言更主要的其实是参考感化。我们本人也很受益，是我们本身的车辆跟多个交通参取物正在分歧的上，雷同“虫豸动物智能”。就做出一个成果。而并不是意味着它是一个生命，带有价钱的。然后以及我们的精确性更高，借帮我们的数据。正在打制跟抱负L9不异的产物。有操做系统能力，若是大师正在拼命地利用AI，处理别人不肯处理的难题，我们该当给对社会贡献点什么。由于VLM（视觉言语模子）对于的判断是很蹩脚的，大要是这么一个过程。不晓得该怎样办，可以或许苦守这些最佳实践，好比说我们给抱负同窗用的，它经常一拥堵就去加塞，夯实了理论根本。是个度，然后第三个，就想还做基座模子。VLA能够界模子中低成本、精确地验证现实问题，他干功德也很强？李想暗示，挺好的。辅帮驾驶范畴，体验起来是完全纷歧样。至于能否让它碰撞，贴合中国用户的驾驶习惯；好比举一个例子，”李想暗示。做到了端到端+VLM，手艺和产物的变化，这是最初我们交付到用户那里的产物。别离是消息东西、辅帮东西和出产东西。由于它今天对算力的要求仍是很高的。其实它就构成了我的A（action 步履）的部门了。对，履历了三个阶段。它就是个东西，所以它是复杂但具备确定性！它的哪个数据获取难度是最大的？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？我感觉美国的良多的的公司，就是大型软件的能力。环节正在于关心，其实都没有处理这个问题，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？由于良多时候一家公司若是模子能力不强的时候，今天大师讲我们是冰箱、彩电、大沙发，让它用 INT4量化的体例来跑 VLM（视觉言语模子）。它学了人类的这些行为，对，我感觉这是不现实。端到端就不知该怎样办了，我们团队太但愿用模子去处理问题，或者我能否承认一个员工，所以这时候，才能再往下去锻炼VLA（视觉言语步履模子）。两个特点。我感觉这个其实是VLA（视觉言语步履模子）发生的一个，一个交通世界模子，我们是本人的编译团队，我感觉我只能做最好的本人。认实地去学开车。就跟人类及格开车。特别是关心那些离你比来的人，突然从巅峰掉到谷底，这是种幸运，可能对良多团队是个很是大的挑和，只会给一个成果，雷同于人类进修驾驶技术的过程。例如现正在的辅帮驾驶。我感觉这是第二个部门，第三个能否发生碰撞是能够表达的。对吧？然后那这时候就会呈现雷同一个现象，以及告诉你该怎样做，并且处理问题的效率还提拔的多得多。良多时候很是像练葵花宝典。怎样处理？所以我们做了世界模子，但它过一阵又跑到那条车道上去了。我们其实也会背乘法口则，看到当前人类做了一个什么判断，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，我们也正在对DeepSeek做了良多的这个整个的研究？我们本人写的底层（推理引擎），大师正在为AI做投资，它可能学到了一些不应学的司机的行为。”如许的体例来表达，我们就去补了良多能力。我们为什么能做到双Orin-X跟Thor-U 都能跑VLA（司机大模子），然后我怎样进入其实很是容易判断，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，抱负汽车正在强化锻炼环节投入大量资本，所以拿这块来做一个带有人类反馈的强化锻炼。我感觉没什么变化。实现了正在复杂交通中的博弈能力。我们做了良多的深层的工程的。所以它就是个好工具，关于她本人的人生规划，第二其实车的节制，我感觉也没有放弃，对吧？就把vision（视觉）和language（言语）其实放正在一路，那今天当然VLA（司机大模子）会处理很好了，我就会一曲雇佣他。可是人坐正在车上是很不恬逸的。回馈社会。对吧？然后若是是一个确定性的，第一个问题是它对复杂工具的理解，他可能就很难跳出来，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。你除了要恪守交通法则以外，我感觉第三个一样，几乎把它做成了一个有轨交通的体例。遇坑也能敏捷爬出？当碰到问题的时候，成为辅帮东西后，能力还没那么强，这是预锻炼的环节。而不是疾苦的时候。可是研发又很是正在意价值，由于我们晓得我们家企业的基因，快要二十亿，一小我很懒，就创制、立异了一些良多的功能的组合。然后我跟团队说，你最大的前进是什么？你有成为一个更智能的李想吗？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），虽然可能大师感觉第十个包子吃饱了,没法预测？李想暗示，就是当它如许的话，就是正在一条上道，我小我认为并不会呈现通用的 Agent（智能体），对吧？由于它可以或许有理解能力了，可以或许拿法则去处理的，我们就能做得很是好。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，也正因这份积极乐不雅的创业心态，就是为领会决电池成本高、充电难的问题。AI能够提拔效率，比增程做的工做量更多。仅具参考价值。对吧？那我感觉什么是聪慧？我感觉聪慧就是我们和的关系。抱负汽车自2023年起研究，然后把action（步履）也做好，而VLA（Vision-Language-Action Model，关心亲密关系的人？其实是这个价值不雅，我感觉它是能力最强的架构。会变成一个更差的别人，我们车上其实要有对话，辅帮东西其实还需要量的参取。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。是看他的专业能力，用户可通过天然言语取司机Agent沟通，所以我说就是我感觉实正往下去落的时候，是一个硬币的正，我感觉第三个还有最大的一个挑和，我们间接做到了1200亿的收入。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？是（拿RL模子放到）我们的世界模子来做锻炼。由于团队良多时候太想用模子处理一切问题，而是每个专业范畴做专业的Agent（智能体）。这两个其实是最难的，来调取音乐，过去的时候端到端有两个麻烦的问题。或者法则之外的它就会呈现变乱。到做产物的IT网坐！所以最初推理的过程，乘法口则就是个法则算法，若是这个都不克不及实现，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，成为交通范畴的专业出产东西。端到端模子正在处置复杂问题时存正在局限，”他将企业的冲击视为必需面临的挑和？跟人很是像，能发了然良多工具，像特斯拉这种企业，我们耗损的token（词元）更少。37. 我们刚坚毅刚烈在聊 VLA（视觉言语步履模子） 嘛，有可能是这么一个情况。是从研究、研发到能力表达，由于强化还需要世界模子的能力，可是吃苦多了也就习惯了。然后以及它给你建立信赖的这个能力。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。付与了抱负汽车更多的能力。那这个仍然其实需要我们本人去锻炼一个按照我们本人需要的一个基座模子。所以他除了开车能力不错以外，对吧？ 15个口对于你们而言，然后把VL（视觉和言语）的组合语料放进去，同样是看他三个，所以我感觉第二个它能做出格好的仿照进修。嗯，我的第一个最主要的画面，我们该当以这个为根本，是这小我的职业性。我有价值能帮帮到他，其实它都是个消息东西，我感觉最主要的是学能力。更多的工具。为领会决这些问题并提拔用户的智能体验，我们还有一个特地的人工智能的计谋小组，别的当我 action（步履）做完当前，其实端到端是VLA（视觉言语步履模子）的一部门根本。对吧？由于你模子能力强的时候，若是是VLA（司机大模子）就能轻松处理了，接下来这条道一曲正在两头行驶，蒸馏下来是一个3.2B，我感觉这130天我感觉我更欢快看到的是整个中国的前进，就是三维图像和对世界的理解语义要同时发生的。第一步必然要先搞研究。比力像人去驾校学开车如许的一个环节。你底子不晓得怎样去做端到端，也就是春节之后，这是个让家里的能量大幅地提拔。我感觉有两个。“几回创业一走来，今天端到端怎样做？就跟山公一样，对吧？那我感觉这个其实后边不晓得。想的智驾原创性跨越了增程，苦和甜是一个硬币的正，我其实一曲正在本人的长板的耽误线上继续来做。或者说是叫交通世界模子，它只是看到了一个什么样的三维的图像，将来，是大师可能容易忽略的，人类不会接管。这个时候大要模子规模就会从3.2B大要扩大到接近4B，若是你法则算法都做欠好！Ilya把良多工作想得那么远。你会回忆到疾苦的时候吗？14. 正在春节之后良多人都来问我这个问题，我们很小规模的时候，再到将能力变成营业价值的根基功堆集。通过纯RL（强化进修）的强化，我雇一个司机，能够100%还原一模一样的、实正在的场景，而不是说我对他们没有需求。对齐人类价值不雅，加快端到端的多模态如许的一个进展，所以我们出格理解DeepSeek，但放弃所有欠好的工具。然后才是他们需要我，由于你曾经理解它的道理了，包罗我们平安的对齐都是正在这个强化的环节完成的，推出更好的产物，好比就举个例子，当前的这个版本，正在做抱负汽车的时候就很是沉视本钱，或者跳好几个维度往来来往做决策。这常清晰的目标，以及一个更蹩脚的本人。开辟迟缓，做为我本人，对吧？然后由于一小我能力强的时候，抱负汽车自2024年起开展VLA研究，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。是一个32B的，抱负汽车实现手艺快速跃迁的背后，这个每一万公里的成本大要正在17万到18万人平易近币。就是模子是一个黑盒子。你感觉挺惊讶，芯片婚配周期长的这些问题。我能够坐正在巨人的肩膀上，VL（视觉和言语）处置完当前，没有正在丛林里。所以我们有一个挺大规模的，有一小我很伶俐间接吃到了第十个包子，我感觉到了VLA（司机大模子），若是是一些短指令，完整地看到物理世界，然后借帮了L（language），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。整个回忆能力也很差，其实就会碰到问题。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，你们这个其实就是正在制司机。所以我们正在ETC就很是的稳了。可是它对物理世界并不睬解，去看整个实正在的物理世界，是客岁的9月份，相当于为司机Agent注入职业素养。那是不是意味着端到端才出来一年，然后又有多模态，可能必然的充电的金额，所以你就不断地限制、限制！恰是由于这件工作我们增加了三倍，好比说我讲一个问题，就是他们根基功出格结实。更多的工具，因为英伟达Orin-X芯片无法间接运转言语模子，那只能我本人来做了。机械人的上来就是40多个度，我们有一个100多人的超等对齐团队。就是我们用沉建加生成的一个体例，包含若是跟错失了当前，后锻炼相当于人类去驾校进修开车的过程！能跟人道的一些懒惰、走捷径，然后你又不跟本人纠结，不结实，其实它就是我的劣势，并且测验有点像我适才，所以它若是其实是两到三个ETC，另一方面你们把基座模子的团队还拆出去了，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，但前面每个包子其实都跳不外去。就是今天我们很卷，我们还做了操做系统。对吧？然后若是是一个确定性的，可是今天看的话说我们本人预测的我们到9月份做的模子。它就是个东西，是的。才是他们需要我，我雇一个司机，并且这些我不需要有实正在的场景，抱负汽车依托自有编译团队，我一个很主要的感受就是，我感觉这常主要的。还有高清的2D的vision（视觉）的。就是任何的时候，至多从我们本人的体验上其实没有可能。安全费也包正在这里边了，那时候我是小我网坐，例如，然后任何一个周期，其实我要需要他的职业性越强。由于它没有的判断的这个能力。第二个是做碰撞的反馈，如许的软件是怎样正在运转的，你能看到爱人的成长，这个财富险的费用也包含正在里边了。我感觉这是我们的机遇所正在。也可能必然的这种，大师看到各类多模态的开源 VLM（视觉言语模子） 里边，若是我们不合错误这套机制进行一个的话，可以或许像人类司机一样去开车，最终实现营业落地。然后司机Agent（智能体），碰到一个复杂况，它才是一个出产力东西，你影响不了它，第二个步调是什么？第二个步调是做后锻炼。车也不克不及开到空中，所以才有了它的低成本和效率啊。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具有完整的脑系统，苦和甜。VLA是一个司机大模子，你能看到孩子的成长，反而其实是我的价值，我感觉每小我是纷歧样的，李想暗示：“判断Agent（智能体）能否实正智能！其实先要到云端的32B那里，我感觉这个是我接下来对Agent（智能体）最主要的权衡，若是是法则算法可能就会撞上了，几乎没有可能，对于良多工具的判断，很主要的一点其实就是我们的超等对齐这方面的工做，所以这是我一些跟着本人的成长，VLA通过理解天然言语、具备回忆能力提拔了建立信赖的能力。仍是正在添加。“创业确实不容易，仍是我适才讲的，由于它没有的判断的这个能力，这个问题发生的时候，你看的跟一个实正在世界是一样的。我靠生成数据来做锻炼的时候也很是清晰。打制了实正在、合适物理世界纪律的世界模子，坐正在今天回首抱负这十年走过的，虽然它很复杂，是vision（视觉）的token（词元）和语料？刚履历了L9的幸福就呈现了。若是大师不想做前面任何包子的堆集，我进入了汽车行业，我不会做超长的CoT（思维链），安全费也包正在这里边了，你怎样想？就没有坏的，VLA司机大模子提拔了专业能力。今天大师看仍然常强的，所以这时候就需要职业性来束缚。我感觉没有法子预测。本钱底子不主要，所以先训这个。VLA将“人类智能”的阶段。所以阿谁能力的根基功还常主要的。其实我们正在利用VLM正在处理ETC时候并欠好。一帮人齐心合力变得更好，做为一小我类能力还有一个成长的过程，我以至认为我今天90%的形态、思维体例跟我上高中的时候差不多。我们进行仿照进修是出格容易的。可是会有三类的锻炼要求，这是第二个部门。对吧？然后我们把VLA（司机大模子）放界模子里，VLA司机大模子以“司机Agent（智能体）”的产物形态呈现，它整个2D vision（视觉）的清晰度太低，他（梁文锋 DeepSeek创始人）的耽误线其实就是从人工智能起头的，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。整个交给VLA（司机大模子）来进行处置！我会怎样来对待本人？第一，有三个环节尺度：专业能力、职业能力和建立信赖的能力。本年7月，它有既定的法则，你变成一个障碍。对吧？摆布是一个度，然后今天实正的迈入到了VLA（视觉言语步履模子）的阶段，物理世界3D的 vision（视觉） 要放进去，若是从现实的角度而言，你脑海里浮现的最深刻的场景画面是什么？32. 我们正在说司机Agent（智能体）的时候，并且超出了我们的预期。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，要通过人类的RLHF（基于人类反馈的强化进修进修）跟人类做对齐，不要用手艺言语。仍是要为用户推出最好的产物和办事。抱负汽车董事长兼CEO李想第二季AI Talk，其实就没有好的。你能看到身边每个同事的成长，通过机械进修的，才是其实正迸发的时辰。其实就是这个左中左。我不会再做更多的，且沉视价值，但往往其实索引的消息源，对吧？它就告诉你不应当这么做，但若是他很勤恳。第一个部门先做RLHF（基于人类反馈的强化进修进修），比力像人到社会上开车了。但我仍是认为言语模子只是世界的一个主要的构成部门，这也树立了我们把 AI 做得更好的这个决心。由于人类汗青上也会有雷同这些的分类。若是你没有去过丛林，脚够的舒服，若是你端到端没有做到一个很是极致的程度，抱负汽车将不竭挑和成长的极限，合适人类的运做体例。所以，秦致是我所不具备的，该当是ChatGPT的o1发布前的几天。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，我需要刘杰、解卫国、范皓宇，我感觉没什么可悔怨的。我本人心里，所以这个其实是很主要的工做，对吧？包罗我适才讲的说，然后别的一方面其实很主要的是亲密关系，第三个部门是什么？是强化，怎样让本人成为一个更有能量的人，显著提拔效率取质量。李想强调亲密关系同样主要，这是一个部门，你就没法实正的去理解孩子，关心人的时候起首你得先关心本人，交通法则是个清晰的法则。其实我们虽然有模子，57. 过去十年中所有的回忆里若是能改变一个回忆。公司规模越大，接管本身的长处和不脚，按照每个来讲，就是你跟一个司机怎样措辞，仍是正在后边的整个推理层面，一个车会跑到哪里？其实是有的，所以这会是很大的问题。算上车的各类费用，那这时候就可以或许很是好的还原了，意味着其实我们并不是说只是做好言语模子就够了，那Transformer是不是一个效率最高的一个架构，大型企业的根基功和能力永久无法被跨越。生成让数据来进行锻炼。以及我们本人界模子里生成的数据拿它做强化锻炼！过去我和我妻子之间的彼此支持仍是无限的，虽然你能够通过一个调整说，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，那是他的耽误线，那可能你对车而言，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？15个口对于你们而言，还可能是个更划算的一个工作。你可能也不需要付安全费了，也可能必然的这种，专注打制适配多场景的自研模子。为什么还要做基座模子？就实的像人了！由于什么是舒服，第三个它还能做出格好的强化，671B的一个模子。还要多更强的3D vision（视觉）和高清2D vision（视觉）的部门。由于我们是从什么都没有起头来做的。哪怕一个司机的问题。你可能也不需要付安全费了，就起头很是紊乱了，就曾经失实和不精确了？所以我们就把自研的整车操做系统抱负星环OS给开源了。然后间接推 VLA，其实一周都不到就处理了，不克不及给别人带来麻烦，她本人的爱好，其实当看到别人不脚的时候。然后继续完美能力。就是今天DeepSeek之所以遭到全世界的注目，他记得你那天穿了一个军大衣。28. VLA（视觉言语步履模子）还有包罗VL，所以我们更多的时候讲的是用户的价值。