L3 不是 L2 的延长，而是 L4 的先导
理想自动驾驶团队用端到端把 200 万行代码砍到 20 万行，纵向控制第一次超过所有竞品——不是人更聪明，是终于用做能力而不是做功能的方式做自动驾驶。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
高精地图这条路走不通，是因为中国有 970 万公里普通道路
早期自动驾驶的假设是给地面铺虚拟轨道：高精地图加满身激光雷达，像高铁一样跑。但高速公路只有 30 多万公里，剩下 970 万公里是普通道路，不可能全部铺图；就算铺了，普通道路今天挖坑明天改道，更新速度也跟不上。所以 2018 年左右 Tesla 率先说不用高精地图、不用激光雷达、走纯视觉，方向看得非常对、非常准、非常早。当时业界有人不理解，有人理解了但已经投了太多钱做重激光雷达，转不了身。
— 郎咸朋BEV 的关键不是拼图，是先融合再反投
朴素做法是每个摄像头各自识别，再把结果拼起来，这叫后融合。问题是你无法保证每一帧都识别对：这边没识别出人、那边识别出来了，该信谁；一辆车这边提取一半、那边提取一半，拼出来到底是一米五还是三米。Tesla 的 BEV 是先把所有图像信息统一做一次计算，恢复出真实世界里的完整物体，再反投回每张图，一致性有保证。郎咸朋用质能方程打比方：先想到物质和能量可以转换的人最厉害，用裂变还是聚变是后面的事。
— 郎咸朋用场景定义自动驾驶，穷举不过来还会互相打架
很多创业公司标榜用严格手段定义所有场景：天气分晴雨、雨还分大中小，车流分拥堵密集，光照分夜晚阴天，再乘上自车速度、对方状态，组合上千万种。问题有三个：一是场景太多穷举不过来；二是场景之间不完全正交，改好一个右转场景可能影响另一个下雨天车流量大的右转；三是长尾想不到，半路穿出一匹马、路面突然塌陷一个大坑，这些没法定义。所以用场景划分做自动驾驶这条路本身就不成立。
— 郎咸朋L3 不是 L2 的延长，而是 L4 的先导
郎咸朋认为 L2 的场景设计不完也解决不完，解决一个还会影响另一个，所以 L3 不是 L2 加加加加出来的，无论从场景、做法还是本质上都不是延长。L3 和 L4 是一体研发的：L4 很性感但不能一步到位宣布全国都能 L4，所以要先把车位到车位的全场景能力走通，园区、城市、高速、闸机、ETC 都覆盖，能力不够时人监督，无接管路段比例越来越大，最后 A 点到 B 点全是无接管，那就是 L4。
— 郎咸朋200 公里接管一次，是推出 L3 的门槛
理想测算的关键指标是 MPI 接管率：高速 350 公里接管一次、城市 50 公里接管一次，综合起来约 200 公里接管一次，就可以推出 L3 有监督自动驾驶。按每天开四五十公里算，差不多一周接管一次，而且这次接管还不一定是安全性接管，可能只是觉得开得不舒服。安全性要求更高，是十倍于人类驾驶的安全。这个数字把「什么时候能上 L3」从感觉变成了可测算的门槛。
— 郎咸朋200 万行代码砍到 20 万行，纵向控制第一次超过所有竞品
4 月 15 号在中关村封闭开发，一个多月后郎咸朋从中关村开到北京交通大学，确认没有用一行规则。之前无图版本和轻图版本的代码是 200 万行，端到端之后只剩不到 20 万行，缩减 90%。更让他惊讶的是纵向加减速：以前在有图无图版本上怎么调都调不到像人一样缓缓刹停，端到端第一次上车就比之前开过的所有自动驾驶车、包括竞品都好，问旁边的人是不是用规则调过，回答是真没调，就是学出来的。
— 郎咸朋供应商要求理想解散自动驾驶团队，才肯继续合作
2021 年做理想 ONE 升级款时，ADAS 供应商知道理想要做升级，不但要付昂贵开发费，还拒绝白盒交付，甚至附加条件是理想把之后的自动驾驶研发都交给他们做，并解散自己的自动驾驶团队。郎咸朋的原话是供应商觉得你一定要跪下来求他，因为没时间了。他的回应是老子就算死也要站着死。大年初一李想打电话问他有没有决心，他说来三年就等这个时候，做不出来就引咎辞职，李想随即拉群宣布自研。
— 郎咸朋基座模型是地基，不做就是给别人打工
郎咸朋判断理想必须做自己的基座大模型，理由分必要性和可行性。必要性有三：一是供应风险，机座模型如同地基和基石，哪天不给你用了上面盖多好都是空中楼阁；二是通用基座模型会适应所有客户，不会按你的要求优化，你拿不到人工智能领域的头部位置；三是等它真做好，它就是头部企业，其他人可能都给它打工。他认为人工智能不会百花齐放，最终会收到为数不多几个真正有基座大模型能力的企业手里。
— 郎咸朋原话 · 已逐字校验
我们之前无图版本和清图版本的代码 这一条行数是200万行代码 现在只剩下不到20万行 我们缩减了90%的代码
我们之前无图版本和轻图版本的代码是 200 万行，现在只剩下不到 20 万行，缩减了 90% 的代码。
郎咸朋1:28:14
我说你们是不是用规则 或者怎么调呢 他说老婆我们真没调 就是学出来的
我说你们是不是用规则或者怎么调的，他说我们真没调，就是学出来的。
郎咸朋1:29:14
就是你貌似笨的方法 其实它是最捷径的方式 因为你必须要把前面 吃的苦 或经历的东西 你要经历一遍 你才知道 它是为什么一定要到现在的
就是你貌似笨的方法，其实它是最捷径的方式，因为你必须要把前面吃的苦、经历的东西经历一遍，你才知道它为什么一定要到现在这一步。
郎咸朋1:39:22
数字与实体
| 特斯拉单车传感器加芯片成本 | 1000 美金，约六七千人民币 | 15:16 |
| 特斯拉自研芯片算力 | 144 TOPS | 9:08 |
| 理想 L3 推出的接管率门槛 | 综合 200 公里接管一次（高速 350、城市 50） | 57:51 |
| 端到端后代码行数变化 | 从 200 万行降到不到 20 万行，缩减 90% | 1:28:14 |
| 理想自动驾驶团队规模 | 800 多人 | 1:43:23 |
| 特斯拉自动驾驶团队规模 | 200 多人到 300 人 | 1:43:23 |
| 第一版端到端模型训练规模 | 不到 100 万 clips，当时是 60 万还是 80 万记不清 | 1:25:12 |
| 理想自动驾驶年度投入 | 几十个亿 | 1:37:21 |
术语
- BEV鸟瞰图
- Bird Eye View，把多摄像头画面统一成上帝视角的感知表示。
- Transformer变换器架构
- Google 提出的通用网络架构，能把图像等输入向量化编码。
- VLM视觉语言模型
- 能识别理解场景元素的外挂模型，处理端到端没见过的场景。
- MPI接管率
- 平均多少公里需要人接管一次，衡量自动驾驶能力的关键指标。
- VLA视觉语言动作模型
- 在基座模型上长出自动驾驶能力的形态，郎咸朋说一到三年内会看到。
- 3DGS三维高斯重建
- 用高斯点重建真实场景，用于生成考试用的仿真题目。
收听指南
做自动驾驶或具身智能的工程师、看智能驾驶供应链的投资人，以及想知道端到端到底改变了什么的创业者。
开头 10 分钟的技术科普偏基础，熟悉 BEV 和激光雷达对比的可以快进到 50 分钟。