21世紀(jì)經(jīng)濟(jì)報(bào)道見習(xí)記者 何煦陽(yáng) 報(bào)道

“AI 一天，人間一年?！?一位 AI 公司聯(lián)合創(chuàng)始人曾這樣形容大模型的發(fā)展速度。

 2023年3月，OpenAI發(fā)布GPT4，不久后，Sora、o1新模型誕生，AI大爆發(fā)，這些重要事件啟發(fā)了諸多新勢(shì)力車企。小鵬自動(dòng)駕駛副總裁李力耘告訴《21汽車·一見Auto》，2023年年初，小鵬開始探索如何將端到端運(yùn)用到自動(dòng)駕駛領(lǐng)域，去年下半年，小鵬又開始向云端大模型邁進(jìn)。

 近日，在AI大模型技術(shù)閉門分享會(huì)上，李力耘說，小鵬正在研發(fā) 720 億參數(shù)的超大規(guī)模自動(dòng)駕駛大模型，即 “小鵬世界基座模型”。

 所謂小鵬世界基座模型，是一個(gè)以LLM（大語(yǔ)言模型）為骨干網(wǎng)絡(luò)，使用海量多模態(tài)駕駛數(shù)據(jù)訓(xùn)練的多模態(tài)大模型，具備視覺理解、鏈?zhǔn)酵评恚–ot）和動(dòng)作生成能力。小鵬希望世界基座大模型能夠真正理解、認(rèn)知，甚至改造物理世界。

 物理AI也是理想的自動(dòng)駕駛方案瞄準(zhǔn)的最新方向。今年3月，理想自動(dòng)駕駛技術(shù)研發(fā)負(fù)責(zé)人賈鵬在英偉達(dá) 2025 春季 GTC 大會(huì)上介紹，理想在車端部署了參數(shù)為 22 億的 MindVLA 大模型（Vision-Language-Action Model，視覺-語(yǔ)言-動(dòng)作模型）。

 在理想看來，之所以用VLA，是因?yàn)樽詣?dòng)駕駛與機(jī)器人一樣，所解決的都是AI如何與物理世界交互的問題。

 但小鵬與理想最大的不同，是小鵬不在車端直接落地模型，而是先在云端訓(xùn)練出一個(gè)超大模型基座，然后取其精華，將“蒸餾”出的小模型部署到車端。這種云端蒸餾的技術(shù)方案已在今年爆火的DeepSeek論文中得到驗(yàn)證，小鵬試圖通過這種方式，突破車端因AI算力稀少帶來的模型上限。

 這套從云到端的生產(chǎn)流程，小鵬稱之為“云端模型工廠”。依托強(qiáng)大的 AI 算力基礎(chǔ)設(shè)施和數(shù)據(jù)處理機(jī)制，目前整個(gè)“云端模型工廠”從云到端的全鏈路迭代周期可達(dá)平均 5 天一次。

 一位新勢(shì)力業(yè)內(nèi)人士向《21汽車·一見Auto》評(píng)價(jià)，在布局AI大模型上，小鵬的野心更大，理想更偏實(shí)用主義。

 “除了汽車外，小鵬在AI上落地了飛行汽車、機(jī)器人。后兩項(xiàng)業(yè)務(wù)是理想和蔚來尚未踏入的領(lǐng)域，他們目前聚焦AI汽車。所以小鵬需要更大、效率更高的基座模型。”上述人士總結(jié)。

 小鵬和理想廝殺正酣之際，同屬三兄弟的蔚來卻在一旁顯得有些落寞。

 蔚來曾是國(guó)內(nèi)首個(gè)實(shí)現(xiàn)高速NOA全量推送的車企，但隨著行業(yè)轉(zhuǎn)向“無圖”和端到端大模型，蔚來卻稍顯遲緩。

 去年7月27日的蔚來創(chuàng)新科技日，蔚來智能駕駛副總裁任少卿發(fā)布了蔚來世界模型NWM（NIO World Model）。NWM優(yōu)化了端到端架構(gòu)，能全量理解數(shù)據(jù)，重建物理世界，具備想象力、長(zhǎng)時(shí)序推演和決策能力。

 但受制于蔚來自動(dòng)駕駛部門組織調(diào)整、多種路線的探索，后又因工信部新規(guī)，目前，世界模型仍未開啟大規(guī)模上車。

 智駕技術(shù)迭代速度日新月異。從高精地圖、無圖到去年形成“端到端”的共識(shí)，再到今年，各家車企已經(jīng)試圖超越端到端范式，尋找更優(yōu)的技術(shù)路徑。世界基座模型、VLA、世界模型......蔚小理在智能駕駛上的技術(shù)路徑不同，但終局或許相通。

 根據(jù)權(quán)威研究機(jī)構(gòu) EPOCH AI 的調(diào)查，語(yǔ)言大模型的性能正逐漸隨參數(shù)規(guī)模加大出現(xiàn)邊際效益遞減，2028 年將訓(xùn)練完互聯(lián)網(wǎng)的所有可用文本數(shù)量。因此，OpenAI、谷歌與 Meta 等科技巨頭正在邁向 AGI 的下一階段：多模態(tài)大模型。

未來，所有正在鉆研智能駕駛的車企，將與全世界的其他AI企業(yè)一起，共同參與這場(chǎng)浩大的AI大模型競(jìng)賽。

小鵬：為了“大力出奇跡”，我做了三件事

 在大語(yǔ)言模型領(lǐng)域，規(guī)模法則（Scaling Law）已被充分驗(yàn)證，即“規(guī)模越大、能力越大”，ChatGPT的成功就是基于“大力出奇跡”的暴力美學(xué)。

 但過往的自動(dòng)駕駛并未真正用到“大模型”。李力耘介紹，過去一年，小鵬智駕研發(fā)團(tuán)隊(duì)先后開發(fā)了2B（Billion）、7B尺寸的基座模型。放眼整個(gè)汽車行業(yè)，“基于車端芯片，模型尺寸一般在1億~5億之間，主流的 VLA 的參數(shù)規(guī)模也不過20億左右”，李力耘說。

 這是因?yàn)樽詣?dòng)駕駛基座模型“復(fù)雜得多”，它的訓(xùn)練數(shù)據(jù)遠(yuǎn)不止單模態(tài)的文本數(shù)據(jù)，還包括攝像頭信息、導(dǎo)航信息等關(guān)于物理世界的多模態(tài)數(shù)據(jù)。本質(zhì)上，它要求模型對(duì)物理世界形成認(rèn)知和理解。

 李力耘稱，小鵬目前已經(jīng)著手推進(jìn)72B超大規(guī)模參數(shù)世界基座模型的研發(fā)，后者是主流車端模型的35倍以上。

 在開發(fā)超大模型之前，李力耘團(tuán)隊(duì)做的第一件事是：驗(yàn)證參數(shù)規(guī)模逐步擴(kuò)大到百億級(jí)別之后，規(guī)模法則的可行性。 

 上圖左側(cè)圖標(biāo)題為《Long ADE（Long-term Average Displacement Error，長(zhǎng)期平均偏差） vs 模型規(guī)模》，縱軸為 Long ADE，橫軸為模型規(guī)模。

 觀察可發(fā)現(xiàn)，假如用于訓(xùn)練的視頻量不變，無論是白線（4M Clips，400萬段視頻）還是金線（14M Clips，1400萬段視頻），都在隨著模型參數(shù)的上升而逐漸走低，即誤差持續(xù)下降；如果將兩條曲線相對(duì)比，金線的下降幅度明顯比白線更大，說明用于訓(xùn)練的視頻量越大，誤差下降幅度越大。

 右側(cè)圖標(biāo)題為《 Long ADE vs 訓(xùn)練數(shù)據(jù)集大小》，很明顯，訓(xùn)練的數(shù)據(jù)量越大，誤差下降得越快。

 可行性驗(yàn)證完畢后，為了訓(xùn)練這一超大模型，小鵬做的第一件事是搭建了一個(gè)“云端模型工廠”。

 “云端模型工廠”的“原料”是數(shù)據(jù)。小鵬發(fā)現(xiàn)，大量多模態(tài)數(shù)據(jù)的匯集、更高的參數(shù)，使云端世界基座模型擁有了鏈?zhǔn)酵评砟芰Γ–oT）。

 即世界基座模型能在充分理解物理世界的基礎(chǔ)上，像人類一樣進(jìn)行復(fù)雜的常識(shí)推理，并將推理結(jié)果轉(zhuǎn)化為行動(dòng)：調(diào)整方向盤、剎車等，實(shí)現(xiàn)和物理世界的交互，最終實(shí)現(xiàn)多模態(tài)大模型控制車輛的效果。

 為了補(bǔ)全長(zhǎng)尾場(chǎng)景，小鵬的方法是研發(fā)強(qiáng)化學(xué)習(xí)技術(shù)。原本的“規(guī)則時(shí)代遺產(chǎn)”，如今成為了小鵬的第二個(gè)殺手锏。

 解決極端場(chǎng)景能力，比如撞車、事故等，是自動(dòng)駕駛里非常重要的一部分。由于極端場(chǎng)景數(shù)據(jù)很少，傳統(tǒng)的解決方式是讓車端模型不斷通過模仿學(xué)習(xí)來學(xué)，但由于沒有辦法得到人駕時(shí)成功避免事故的軌跡數(shù)據(jù)，車端模型很難習(xí)得這個(gè)能力。

 另外，由于車端模型參數(shù)小，本身能力上限較低，“就像一個(gè)比較差的學(xué)生，再怎么去做一些難題也不太可能提高分?jǐn)?shù)。讓一個(gè)小模型做強(qiáng)化學(xué)習(xí)，不見得有能力去解決這些極端場(chǎng)景?！崩盍υ鸥嬖V《21汽車·一見Auto》。

 但如果基座模型足夠強(qiáng)大，就能被強(qiáng)化學(xué)習(xí)不斷激發(fā)出能力上限，提高模型的泛化性和對(duì)未知場(chǎng)景的理解和推理能力，找到最可能降低風(fēng)險(xiǎn)的路徑。“這是大家最新收斂的一個(gè)共識(shí)?！毙※i世界基座模型負(fù)責(zé)人的劉博士說。

 強(qiáng)化學(xué)習(xí)具體該怎么做？小鵬分享了他們開發(fā)強(qiáng)化學(xué)習(xí)系統(tǒng)的三個(gè)方面：

 一、設(shè)立獎(jiǎng)勵(lì)函數(shù)（Reward Function）。小鵬用最簡(jiǎn)單的規(guī)則來作為獎(jiǎng)勵(lì)函數(shù)，例如合規(guī)、舒適、安全等等。這些小鵬過往在智駕研發(fā)的規(guī)則時(shí)代中積累的大量經(jīng)驗(yàn)，成為了今天基座模型時(shí)代從0到1的基礎(chǔ)。

 二、設(shè)立獎(jiǎng)勵(lì)模型（Reward Model）。獎(jiǎng)勵(lì)模型會(huì)提供更連續(xù)、泛化、更多維的獎(jiǎng)勵(lì)信息給到強(qiáng)化學(xué)習(xí)，簡(jiǎn)單來說就是告訴智駕“什么是好的”，并以此讓智駕想辦法達(dá)成這些表現(xiàn)。這部分小鵬更重視智駕接管和市場(chǎng)的反饋數(shù)據(jù)，讓模型按照市場(chǎng)建議來改進(jìn)“開車習(xí)慣”，提高模型的泛化能力。

 三、設(shè)立世界模型（World Model）。小鵬構(gòu)建的世界模型是一種實(shí)時(shí)建模和反饋系統(tǒng)，能夠基于動(dòng)作信號(hào)模擬出真實(shí)環(huán)境狀態(tài)，渲染場(chǎng)景，并生成場(chǎng)景內(nèi)其他智能體的響應(yīng)，從而構(gòu)建一個(gè)閉環(huán)的反饋網(wǎng)絡(luò)，幫助基座模型不斷進(jìn)化，突破過去“模仿學(xué)習(xí)”的天花板。

 從“原料”到“上車”，靠的是“云端蒸餾”，這是小鵬將超大模型下放到車端的最后一招?！霸贫苏麴s”是模型壓縮的一種方法，指利用云計(jì)算資源，讓一個(gè)大模型（教師模型）教一個(gè)小模型（學(xué)生模型），這樣小模型能模仿大模型的性能，但體積更小，計(jì)算量更少。這一技術(shù)早已在今年爆火的DeepSeek論文中得到驗(yàn)證。

 劉博士將訓(xùn)練基座模型，比作訓(xùn)練出了一個(gè)“青年教師”，通過強(qiáng)化學(xué)習(xí)把他訓(xùn)練成一個(gè)“資深教授”，最后通過蒸餾，讓老教授的能力最大可能地保留在車端，讓車端小模型吸收海量數(shù)據(jù)的精髓。

 云端基座大模型可以突破車端芯片算力的“一畝三分地”，大幅提升“AI汽車智能上限”。而云端蒸餾的好處在于，能夠在云端模型基礎(chǔ)上高效生產(chǎn)“小身材、大智商”的端側(cè)模型，甚至能為不同需求的汽車定制不同的“大腦”，讓“千人千面”的模型研發(fā)成為可能。

不久前，小鵬汽車已經(jīng)實(shí)現(xiàn)在后裝算力的車端成功實(shí)現(xiàn)基模控車。雖然這只是早期測(cè)試，但基座模型已經(jīng)展現(xiàn)出令人驚喜的駕車技能。

為了訓(xùn)練如此龐大的模型和數(shù)據(jù)、提升算力速度，小鵬汽車從2024年開始搭建AI基礎(chǔ)設(shè)施，當(dāng)前已建立起萬卡規(guī)模的智能算力集群，算力儲(chǔ)備達(dá)到10EFLOPS，利用率常年高達(dá)90%以上，高峰時(shí)期的運(yùn)行效率甚至達(dá)到98%。

為了解決數(shù)據(jù)訪問的效率問題，小鵬汽車又自主開發(fā)了底層的數(shù)據(jù)基礎(chǔ)設(shè)施，使數(shù)據(jù)上傳規(guī)模提升 22 倍、訓(xùn)練中的數(shù)據(jù)帶寬提升 15 倍。目前，小鵬汽車用于訓(xùn)練的視頻數(shù)據(jù)量已達(dá)到 2000 萬 clips，將在今年增加到 2 億 clips，整個(gè)“云端模型工廠”的迭代周期達(dá)到平均 5 天一次。

相較理想和蔚來，目前小鵬在AI領(lǐng)域的布局更全面，包括AI汽車、AI機(jī)器人、飛行汽車，這也是小鵬更需要世界基座模型的原因。

何小鵬在發(fā)布會(huì)上宣布，目前小鵬匯天陸地航母在國(guó)內(nèi)收到了將近4000臺(tái)訂單，將于2026年量產(chǎn)；小鵬人形機(jī)器人IRON已經(jīng)小規(guī)模進(jìn)入到了工廠實(shí)訓(xùn)，目標(biāo)在2026年進(jìn)入工業(yè)化量產(chǎn)；最后，小鵬將在 2025 年底，在中國(guó)內(nèi)地率先實(shí)現(xiàn) L3 級(jí)智能駕駛落地。

理想：從二維到三維，從VLM到VLA

在技術(shù)分享會(huì)上，小鵬專門提到自己的模型參數(shù) 35 倍于主流 VLA 模型，意在與理想今年3月部署的 MindVLA 模型一爭(zhēng)。

在智駕領(lǐng)域，理想是一匹耀眼的黑馬。去年端到端成為技術(shù)浪潮，逼迫車企從分模塊的規(guī)則思維轉(zhuǎn)換到端到端架構(gòu)，那些原本在智駕上領(lǐng)先的車企，要承受不小的沉沒成本；反倒是一些落后者，有了彎道超車的機(jī)會(huì)。

理想就是一個(gè)典型例子，去年不僅首先實(shí)現(xiàn)“車位到車位”的全量推送，其獨(dú)特的“端到端（快系統(tǒng)）+VLM（慢系統(tǒng)）”還被不少車企所模仿。今年3月，理想又發(fā)布新智駕基座模型——MindVLA，大有引領(lǐng)智駕潮流之勢(shì)。

VLM像一個(gè)教練通過語(yǔ)言方式指導(dǎo)駕駛員開車，無法直接干預(yù)。而VLA則是“教練直接開車”，因此VLA模型在推理方面的能力要遠(yuǎn)高于VLM+端到端組成的雙系統(tǒng)。

雖然小鵬和理想的智駕技術(shù)在大方向上不同，但需要面對(duì)很多共同問題，具體怎么解決，他們則采取了不同的技術(shù)路線：

其一，理想和小鵬都意識(shí)到，過往訓(xùn)練端到端大模型所使用的數(shù)據(jù)都是海量二維的互聯(lián)網(wǎng)圖文，模型在3D空間理解上是不足的。為此，他們都需要對(duì)基座模型進(jìn)行重新訓(xùn)練。

·小鵬給模型灌入了海量攝像頭信息、導(dǎo)航信息等關(guān)于物理世界的多模態(tài)數(shù)據(jù)，還用上了“云端模型工廠”；

·理想則選擇了另一種技術(shù)——3D高斯?jié)姙R技術(shù)，即用很多個(gè)“高斯點(diǎn)”來拼出一個(gè) 3D 物體，每個(gè)點(diǎn)都像一個(gè)小水滴，含有自己的位置、顏色和大小等信息。將這些高斯點(diǎn)組合在一起，就能形成一個(gè)立體的圖像，使自動(dòng)駕駛系統(tǒng)能夠高效感知和理解周圍物理環(huán)境。

 其二，他們都意識(shí)到自動(dòng)駕駛芯片（如 Orin-X 和Thor-U） 的內(nèi)存帶寬和算力是有限的，他們必須找到提升模型參數(shù)量和能力，同時(shí)還能讓其實(shí)現(xiàn)高效推理的“鑰匙”。

·小鵬把Deep seek 的“云端蒸餾”技術(shù)用到了車上，即先訓(xùn)練一個(gè)超大基座模型，再蒸餾出一個(gè)已吸收海量數(shù)據(jù)精髓的小模型，最后部署在車上，在有限的車端芯片上最大化發(fā)揮模型能力。

·理想則著重實(shí)現(xiàn)模型的稀疏化，采用了 MoE （Mixture of Experts）模型架構(gòu)，并引入稀疏注意力（Sparse Attention）。

MOE架構(gòu)由專家網(wǎng)絡(luò)、門控網(wǎng)絡(luò)和組合器組成。當(dāng)模型參數(shù)超過千億級(jí)別時(shí)，傳統(tǒng)方法會(huì)讓所有神經(jīng)元參與每個(gè)計(jì)算，太浪費(fèi)資源；但MoE架構(gòu)會(huì)讓門控網(wǎng)絡(luò)承擔(dān)總調(diào)度員的角色，根據(jù)所要處理的任務(wù)激活不同的專家，最后再由組合器整合結(jié)果，實(shí)現(xiàn)“用20%的計(jì)算資源完成80%的任務(wù)精度”。

稀疏注意力則是讓AI只計(jì)算關(guān)鍵區(qū)域的注意力權(quán)重，好比人在開車時(shí)緊盯前方車輛，只用余光掃視后視鏡，而非事無巨細(xì)地觀察所有景物。

用這兩種方式，理想能保證模型在規(guī)模增長(zhǎng)的同時(shí)，維持較高的端側(cè)推理效率，使自動(dòng)駕駛在資源受限的車端環(huán)境中依然能夠?qū)崿F(xiàn)高效推理。

其三，小鵬和理想都必須解決“自動(dòng)駕駛大模型如何應(yīng)對(duì)極端場(chǎng)景”這個(gè)繞不開的問題。

·小鵬選擇訓(xùn)練超大基座模型，然后用強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)模型不斷激發(fā)模型的潛能，提高模型的泛化能力。

·理想團(tuán)隊(duì)則選擇構(gòu)建基于人類偏好的數(shù)據(jù)集，引入RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)）進(jìn)行模型微調(diào)，使MindVLA對(duì)齊人類駕駛行為，提升其安全底線。

李想在接受AI Talk時(shí)強(qiáng)調(diào)，理想是一家人工智能企業(yè)，講“理想汽車”是為了方便跟外界溝通和宣傳，但從來沒把“汽車”加到logo上。理想同時(shí)在做理想同學(xué)和智能駕駛兩款人工智能產(chǎn)品，而在做的過程中，他們?cè)缇桶l(fā)現(xiàn)這兩個(gè)領(lǐng)域有一天一定會(huì)連在一起——那就是基座模型變成 VLA 的時(shí)刻。

如今，李想的宏圖已在一步步實(shí)現(xiàn)。MindVLA 計(jì)劃在今年7月和首款純電SUV車型理想i8同時(shí)發(fā)布，在2026年搭載于量產(chǎn)車型。

蔚來：預(yù)埋硬件、注重安全

蔚來自從去年7月公布 NWM 智駕方案后，在技術(shù)架構(gòu)上就沒有新的消息。

去年蔚來科技創(chuàng)新日上，任少卿說NWM就像“人的大腦”。在引入NWM后的端到端架構(gòu)模型有三個(gè)優(yōu)點(diǎn)：

·全量理解信息，空間認(rèn)知能力更強(qiáng)；

·能夠預(yù)測(cè)接下來的情景，在0.1秒內(nèi)推演出216種可能發(fā)生的軌跡，然后尋找最佳決策；

·仿真世界，NSim（NIO Simulation）可以將NWM推演的每一種軌跡與對(duì)應(yīng)的仿真結(jié)果做對(duì)比，給到更多數(shù)據(jù)給到 NWM 訓(xùn)練，讓輸出的智駕軌跡和體驗(yàn)更安全更合理，更高效。

不過，目前小鵬和理想都在自己的智駕方案中使用世界模型進(jìn)行仿真測(cè)試了，蔚來的智駕方案是不是也應(yīng)該與時(shí)俱進(jìn)了？

另外，NWM作為多元自回歸生成模型，需要千萬級(jí) Clips 以上的真實(shí)數(shù)據(jù)訓(xùn)練。如何滿足這么龐大的數(shù)據(jù)需求？除了剛才提到的生成式仿真測(cè)試之外，蔚來還祭出了“群體智能”這一法寶：

蔚來目前有20多萬臺(tái)搭載 NT2.0 平臺(tái)的車型，每臺(tái)車配備四顆 Orin-X 中，有一顆專門留給群體智能訓(xùn)練。這顆 Orin-X能夠篩選掉 99%無用數(shù)據(jù)并經(jīng)過復(fù)雜自動(dòng)化流程處理后回傳云端，使車輛不光在智駕狀態(tài)下，在非智駕狀態(tài)下也能獲取到有效數(shù)據(jù)：

20多萬臺(tái)車即是20多萬個(gè)“移動(dòng)數(shù)據(jù)節(jié)點(diǎn)”，每月能夠提供 500 萬+接管數(shù)據(jù)，共分析 4785 萬接管案例，捕捉的高價(jià)值 Clips 超過 1000 萬。

更為重要的是，蔚來依靠群體智能，顯著提升了找到極端場(chǎng)景的能力，“現(xiàn)在我們已經(jīng)有超過一千萬公里的高價(jià)值數(shù)據(jù)，保證我們?cè)陬I(lǐng)航的狀態(tài)，在主動(dòng)安全的狀態(tài)做到更加安全”，任少卿表示。

小米事故后，監(jiān)管部門給狂奔的智駕競(jìng)賽踩了一腳急剎車，那些急著秀參數(shù)、拼速度的玩家，需要補(bǔ)交一波“安全學(xué)費(fèi)”。

雖然在模型架構(gòu)和量產(chǎn)推送上比小鵬、理想慢，但一位蔚來智駕智駕人士告訴《21汽車·一見Auto》，李斌每周都會(huì)查看用戶所上報(bào)的重要事故，他對(duì)智能駕駛團(tuán)隊(duì)的期待很明確，“解放精力、減少事故”。

走得慢的蔚來，一直很重視安全：去年7月為用戶上線端到端架構(gòu)的AEB功能，覆蓋場(chǎng)景提高 6.7 倍，推送后平均每月幫助用戶避免 7 萬次事故；今年1月，蔚來通過 Banyan 3.1.0 系統(tǒng)推送AES功能，是全球首個(gè)將端到端技術(shù)應(yīng)用于主動(dòng)安全的車企。

小米的智駕事故是一次提醒，倒逼行業(yè)從比拼“誰(shuí)跑得快”變成“誰(shuí)跑得穩(wěn)”，目前走得慢卻穩(wěn)的蔚來，未必不會(huì)在之后的智駕競(jìng)賽中重新超車。

蔚小理在AI大模型上的角逐，反映了他們各自做事的底色——“技術(shù)控”的小鵬最具野心，布局超大模型、一年敢投入45億元；花錢謹(jǐn)慎的理想，仍聚焦于車端的實(shí)用體驗(yàn)；“車圈海底撈”蔚來，提前為用戶預(yù)埋了安全硬件。

電動(dòng)化時(shí)代，蔚小理最大的對(duì)手是特斯拉。但面對(duì)AI革命，更多科技巨頭齊上陣，他們需要跑得最快些。