在智能驾驶领域，各家车企都在拼命追赶技术浪潮，但一个长期困扰行业的难题是：软件迭代节奏被硬件绑架——不同代际的芯片意味着不同的软件开发栈，老车主往往无法享受到最新智驾功能。近日，蔚来一次性向两代平台共18款车型推送了基于世界模型的最新智驾版本，实现了同一套复杂代码在不同芯片上的流畅运行。这一突破背后，是蔚来从2020年开始搭建的AI Infra（人工智能基础设施）全面发力。当同行还在用英伟达原生工具链时，蔚来已经自研了推理引擎、部署框架和AI编译器，甚至引入了AI Agent自动化工作流。这不仅是技术工程能力的胜利，更揭示了人工智能从语言模型向物理世界迁移时，数据、算力和工程架构三者必须协同进化的底层逻辑。
跨平台智驾难题：从硬件绑架到软件解放
当一家车企的新车型搭载了更先进的芯片，老车主却只能眼巴巴看着新功能被“锁”在旧硬件上——这种“背刺”在汽车行业屡见不鲜。根本原因在于，不同芯片厂商的底层指令集、算子库和内存管理方案千差万别，一套为英伟达Orin优化的智驾代码，几乎无法直接移植到高通Snapdragon Ride或自研芯片上。许多科技公司和传统主机厂不得不为每种芯片单独维护一套软件分支，造成研发资源严重浪费，版本迭代周期被拉长到数月。
蔚来的技术团队在2020年就预判到：车端芯片的工程架构会快速迭代，主流的架构仅能用3-5年。与其被动跟随芯片厂商的工具链，不如主动构建一套“中间层”。他们只保留最底层的硬件接口（如CUDA），在此之上全面自研上层部署软件，包括推理引擎和部署框架。这套AI Infra的核心逻辑是用人工智能编译器自动优化算子，将原本需要1-2周的部署时间压缩到1-2天，同时让端侧推理性能提升20%以上。更重要的是，当蔚来自研芯片“神玑”在2025年3月量产后，已有的跨平台兼容能力让新老芯片的智驾代码几乎“即插即用”。
对于其他AI创业公司而言，蔚来的做法提供了一个重要参考：与其在每一代硬件上重复造轮子，不如投资一套可复用的工程底座。这一思路在AI工具导航中也逐渐成为主流——优秀的工具链能屏蔽底层差异，让开发者专注于算法创新。
AI Infra与数据闭环：模型上车的“高速公路”
解决了代码跨平台问题，只是智驾工程化的第一步。真正让蔚来智驾能力在2024年下半年开始被外界感知的，是一套完整的数据闭环体系。传统做法是：工程师手动筛选路采数据，在云端训练模型，再烧录到测试车上验证，来回往返一次可能要数周。而蔚来用AI Agent接管了“盯盘”和流程串联工作，将模型上车部署时间从一天甚至数天压缩到2小时以内。
这套流水线的关键在于“影子模式”。所有量产车以无感方式运行最新待验证大模型，不干预驾驶，只做实时推演。一旦模型的判断与人类真实动作产生分歧，这个Corner Case就会被自动传回云端。这种机制每周能完成超过4000万公里的主动安全测试，相当于1000辆测试车连轴跑一年的数据量。任少卿认为，这些由车端筛选出的边缘案例虽然只占总体数据量的5%，但提供的训练价值远超底层常规数据。
更深层的创新在于云端世界模型中的“对抗训练”。蔚来会故意给AI制造各种极端且违反常规的陷阱，例如突然出现的行人、车道线被积雪覆盖等场景，强迫神经网络学习如何从错误状态中恢复。这背后是对“数据本质”的重新定义：数据不再是原始传感器信号，而是“模型+算力”运行产生的结果。对于AI创业公司来说，这种用自动化替代人工标注、用闭环替代开环验证的思路，正在成为行业新标配。
组织架构变阵：从“堆人”到“创新赛跑”
2023年，随着大模型和世界模型概念涌现，蔚来技术团队判断智驾的发展阶段发生了根本性倒转。任少卿将技术演进分为四个阶段：目标不清晰、弯道超车、路线收敛拼人力、红利消失拼细节。到2023年，随着大模型出现，行业从“拼人力”的第三阶段退回到了“鼓励底层创新”的第二阶段。这意味着过去那种靠几百个工程师写十几万行规则代码的做法已经失效，取而代之的是算法架构本身的颠覆。
基于这一判断，蔚来在两年前进行了大刀阔斧的组织变革：将智驾团队重组为“4×100米接力跑”的形态——第一棒预研，第二棒主线交付，第三棒跨平台适配，第四棒量产交付。公司将大量资源倾斜到“第一棒”预研上，多个预研团队并行探索世界模型、闭环强化学习等方向。这种架构保证了底层创新不会因为短期交付压力而被窒息。
今天外界看到的“世界模型加闭环强化学习”带来的能力跃升，其实是组织变阵叠加Infra底座的结果。对于科技公司而言，这也是一种警示：当人工智能技术进入快速迭代期，传统的瀑布式开发、部门墙式的协作模式会成为创新阻力。不妨试试AI工具箱中那些自动化协作工具，帮助团队快速响应技术范式的变化。
数据饥渴与物理世界的“互联网级”数据难题
蔚来技术团队在交流中反复强调一个观点：数据才是这个时代人工智能的根源。语言模型可以下载整个互联网的数据，简单清洗就有几十TB；但智驾必须依靠物理世界产生的真实数据。随着模型参数量持续增长，数据的需求量呈现指数级膨胀——性能提升三个点，数据需要翻十倍；想提升十八个点，数据则需要十的六次方倍。单纯靠增加测试车队、花钱采集物理数据，很快就会触及成本和规模的物理极限。
蔚来的解法是“自动化筛选+车端影子模式”：让所有量产车成为数据收集器，但只回传那些真正有训练价值的Corner Case。这套体系每周无感完成4000万公里测试，但数据回传量可能只有传统路采的几十分之一。任少卿还透露，团队正在探索用生成式AI补充物理数据——例如通过文生图技术生成罕见的天气和光照场景，或者用AI图片生成产生虚拟障碍物。这些合成数据虽然不能完全替代真实场景，但能有效提升模型的泛化能力。
更值得关注的是，蔚来将“数据”视为算力的副产品。在云端世界模型中，他们用强化学习让模型在虚拟环境中自我博弈，不断试错。这本质上是用计算资源替代物理数据采集，加速了从数据到智力的转化。对于其他AI创业公司来说，这种“以算力换数据”的策略值得借鉴——尤其是在涉及物理交互的机器人、无人机等领域。
竞争格局：技术收敛背后的底层想象力
当被问及与特斯拉FSD的对比时，蔚来团队比较坦诚：特斯拉在数据体量和训练资源上世界领先，计算量可能高出国内公司一个量级以上。但单从算法架构进度来看，蔚来基于世界模型的闭环强化学习加上监督微调（SFT），在闭环能力上甚至有所领先。这背后的差异来自于对“物理AI发展周期”的不同理解。
任少卿认为，算法领域出现不同想法是人工智能时代最有意思的点。如果大家都走同一条路，发展不会这么快。从2016到2022年，智驾算法最大的变化可能只是BEV和OCC；但从2022年开始，技术路线从非常确定变得非常不确定，涌现出大量机会。蔚来的选择是“预研先行、架构灵活”——同时储备蒸馏和重新训练两种模型适配方法，针对具体场景选择效率更高的方案。
对于未来，任少卿判断智驾模型将会继续对数据“饥渴”，但数据获取方式会发生质变。随着更强的基础模型出现（例如通用人工智能AGI），可能有一天模型不再需要海量物理数据就能学会驾驶。但在那之前，所有AI创业公司和科技公司都必须直面一个现实：谁能在物理世界高效地产生、筛选和利用数据，谁就能在下一轮竞争中占据先机。蔚来已经用一套跨越芯片代际的Infra和每周4000万公里的影子测试，给出了自己的答案。
FAQ
什么是蔚来的AI Infra（人工智能基础设施）？
AI Infra是蔚来自研的一套智能驾驶软件部署基础设施，包括推理引擎、部署框架和AI编译器。它屏蔽了不同芯片的底层差异，让同一套智驾代码能跨平台运行，同时通过AI Agent自动化工作流将模型上车部署时间压缩到2小时以内。
蔚来的数据闭环和传统路采有什么区别？
传统路采依赖专用测试车收集数据，成本高且场景覆盖有限。蔚来通过“影子模式”让所有量产车无感运行验证模型，只回传模型判断与人类驾驶不一致的Corner Case。这种自动化筛选大幅提高数据质量，每周等效于1000辆测试车连轴跑一年的数据量。
蔚来的组织“4×100米接力跑”对AI创业公司有什么启示？
这种架构将团队分为预研、主线交付、跨平台适配、量产交付四棒，把最多资源投入第一棒的预研创新。这启示AI创业公司：当技术范式进入快速迭代期（如从规则驱动转向端到端模型），应该用灵活的组织形式保护底层创新，避免被短期交付压力扼杀。