96. 和郎咸朋聊，自动驾驶10年演进史、关键技术细节和特斯拉
摘要
郎咸朋把自动驾驶十年演进压缩成三次范式迁移：高精地图与规则、BEV + Transformer、端到端。 第一代把道路当作“铺上虚拟轨道”的有轨电车，但高速公路只有30多万公里、普通道路有900多万公里，地图覆盖和更新无法全国化；第二代用BEV统一理解360度视觉；第三代则从逐场景写代码转向训练驾驶能力，“轻图、无图什么，其实都是小事”。
Tesla最早建立的优势不是单一算法，而是纯视觉、BEV、ASIC和量产成本之间的闭环。 郎咸朋给出的数字是：早期64线激光雷达每台五六十万元，百度一辆车的传感器总成本约500万元；Tesla整套传感器加芯片约1,000美元。其两颗72 TOPS芯片合计144 TOPS，名义算力远低于理想两颗Orin X的500多TOPS，但他认为有效性能至少大于等于后者，“不能光看算力数值”。
端到端把自动驾驶从“软件1.0”变成了数据驱动的“软件2.0”，护城河随之迁到高质量数据与训练算力。 传统栈要枚举天气、车流、光照和道路组合，还会在模块间叠加误差；端到端直接从传感器信息生成驾驶轨迹，理想原约200万行的无图或轻图代码因此缩到不足20万行。郎咸朋的判断很直接：“训练的算力和数据，是决定将来自动驾驶的天花板。”
理想2024年的自动驾驶翻身是一场高压组织实验，而非渐进式优化。 3月战略会上李想要求9月前扭转局面，4月15日约180人进入中关村封闭开发，五一前后首个模型已能从中关村开到北京交通大学；首版不到100万KPS，却在纵向刹停上超过郎咸朋开过的规则系统，团队回答：“郎博，我们真没调。”首轮李想试车的回忆在5月下旬与6月之间略有出入，但一个多小时仅接管一两次，效果显著超出预期。
理想设想的L3不是L2不断加功能后的自然升级，而是L4的先导产品。 路线先打通车位到车位的全场景，在能力不足时由人全程监督，再逐步把可靠路段变成无监督；计划门槛是综合约200公里接管一次，其中高速350公里以上、城市50公里以上。按其历史城市与高速占比折算，普通用户约一周接管一次，但安全目标另设为“十倍于人类驾驶”。
完整架构不是只有端到端，而是系统一、VLM系统二、世界模型和强化学习闭环。 系统一学习常见驾驶行为，VLM处理可变车道、时段公交车道等需要识字和推理的陌生场景；世界模型用3DGS重建真题、Transformer Diffusion生成模拟题，按安全、合规、舒适、导航、效率等5个维度给每版模型考试。“拿清朝的剑斩明朝的官”是郎咸朋对旧功能测试体系的评价。
2024年被郎咸朋视为智能驾驶开始显著影响卖车的一年，资本投入也从人员转向训练资源。 他承认理想上半年因消费者转去比较问界而丢单，落后者“跟别人做得差不多”仍无法翻盘；截至访谈时团队约800多人，低于此前约1,000人，但训练卡投入成倍增长。其带有竞争立场的判断是，当时真正交付端到端产品的“世界上就两家，一个Tesla，一个理想”。
理想把自动驾驶视为更大基座模型战略的第一个验证场，而不是孤立功能。 郎咸朋主张自研多模态Mind GPT：若长期依赖GPT、千问、文心一言等通用模型，供应存在风险，优化方向也未必匹配理想；未来自动驾驶、理想同学、智能工业与智能商业都应从同一基座生长。VLA已进入预研，他给出的可见窗口是“一到三年之内”，但明确没有断言它就是终局。
精读
1. 自动驾驶十年只发生了三次真正的范式迁移
郎咸朋把2014—2015年的百度ADU描述成规则时代：高精地图、满车激光雷达，再由工程师写“上万行if else”。乌镇演示代表了当时的主流确信——只要地图足够精确、规则足够完整，车就能沿虚拟轨道自动行驶。
第二次迁移约发生在2018年前后。Tesla率先明确不要高精地图和激光雷达，改用纯视觉，并用BEV + Transformer把多摄像头信息放进同一个空间理解；郎咸朋认为它“看得非常对，也看得非常准、非常早”。
第三次迁移是2024年集中爆发的端到端：不再分别优化感知、决策、规划和控制，而是从原始传感器信息直接学习驾驶轨迹。郎咸朋因此把有图、轻图、无图都归入旧范式：“其他的我觉得都是小事儿。”
2. 高精地图的虚拟轨道无法铺遍真实世界
郎咸朋用“有轨电车”解释早期思路：先为每条道路铺一条足够精确的虚拟轨道，再用360度激光雷达检测动态人车。高速、铁路和地铁之所以容易自动化，正因为轨道及运行边界相对稳定。
规模首先击穿了这个方案。他给出的量级是，中国高速公路只有30多万公里，普通道路有900多万公里；即便把全部道路建成高精地图，也不可能以足够频率完成采集和更新。
普通道路还会不断挖坑、改道和临时施工，高速公路相对稳定，因此高精地图可以支持高速，却难以成为全国城市道路的统一底座。“今天挖个坑，明天改个道”，令地图的时效问题不再只是工程投入问题。
张小珺追问这条路线到底走了多久，郎咸朋把转折放在BEV Transformer出现前后：Tesla约在2018年公开纯视觉方向后，业界才逐步理解，原来的重地图、重雷达路径不仅贵，而且难以扩展。
3. 视觉自动驾驶并非突然出现，只是长期受制于传感器和算力
郎咸朋把历史追溯到二三十年前：八九十年代研究者已经尝试让汽车识别环境并自主控制，但相机可能只有几万像素，约600×800量级，计算机也无法实时处理高分辨率图像。
因此早期实验更多依赖毫米波雷达等一维信号，计算量较小，却像“人蒙着眼睛”“跟蝙蝠、海豚一样”用回波开车。道路一旦出现大量车辆和复杂参与者，信息量便明显不足。
约2013年，ImageNet、卷积神经网络、大算力芯片和更好的车载相机重新打开视觉路线。与此同时，美国自动驾驶挑战赛的成功方案使用激光雷达，又把行业资金和人才带向重传感器路径，两条路线由此并行探索。
4. Tesla把纯视觉、算力和ASIC做成了一套量产系统
Tesla所谓“人只有两只眼睛也能开车”的第一性原理，郎咸朋认为主要是面向大众的表达；技术本质是图像包含颜色、类别、纹理，也通过针孔关系、相机视差和连续视频隐含三维位置、速度与运动趋势。
纯视觉不能只处理前方约120度。Tesla在侧面和后方布置约六七个摄像头，以Bird’s Eye View形成车身周围360度的统一视角，但计算量也由单前视相机扩大到原来的六七倍。
Xavier一代芯片约30 TOPS，无法承载Tesla设想的BEV网络，于是Tesla在2016年开始准备自研芯片，2019年以两颗72 TOPS芯片得到144 TOPS。郎咸朋强调，今天看似普通，在当时远高于业界可用的30 TOPS。
自研算法与ASIC像一件量身定制的衣服，无须为其他客户和网络结构保留通用冗余。郎咸朋给出的整套传感器加芯片成本约1,000美元；理想则使用两颗Orin X、名义算力500多TOPS，但通用芯片的TOPS不能直接等同于有效算力。
5. BEV的价值是前融合，而非把六七套识别结果硬拼起来
BEV之前，前视相机负责识别人、车和车道线，侧后方更多依靠毫米波雷达。Bosch、采埃孚等Tier 1的雷达可以输出物体大致位置和速度，足够做盲区提示，却只像二维平面上的一个点，难以支撑精细规划。
最朴素的多摄像头方案，是每张图单独识别，再把结果做后融合。问题是同一辆车可能在一个相机里漏检、在另一个相机里只识别一半；系统既不知道该信谁，也不知道拼出的车究竟是一米五、两米还是三米。
Tesla的做法是先从所有图像提取特征，在统一空间中一次性恢复周围物体，再把结果反投到各相机。郎咸朋用简化说法解释：“先把所有的图拼成一张大图”，然后在同一个来源上识别人、车和空间位置。
原方案从多个有瑕疵的结果向上合成，新方案则从一个统一世界表示向下投射，因此一致性天然更强。郎咸朋把它概括为Tesla反复使用的“升维方法”：不再逐项消除后融合误差，而是换一个表示问题的层次。
6. 激光雷达提供直接距离，视觉却拥有数量级更高的信息密度
郎咸朋以分辨率作比较：摄像头约800万像素、接近4K×2K；车上一般使用AT128以及另一种128线激光雷达，早期Velodyne只有64线。远处一名身高1.8米的人在150米外可能只得到少量点，若穿黑色低反射率衣服，效果还会更差。
激光雷达的明确优势是“只要有点，就一定告诉你距离”；视觉的距离信息需要从视差和时序中推算。但摄像头满幅都是颜色与纹理，不会像点云那样留下大量空洞，因此更适合恢复完整世界。
成本差距曾经极端：一台Velodyne 64线雷达约五六十万元，百度、Cruise等早期测试车可能安装七八个雷达。郎咸朋回忆，百度一辆车的传感器总成本约500万元，甚至横置一颗16线雷达专门寻找交通灯横杆。
张小珺的反问值得保留：既然激光雷达后来降价，为什么仍坚持纯视觉，又为什么那么多人认为去掉雷达不可思议？郎咸朋没有把答案简化成成本，而是指向路线依赖：受限区域的L4用旧架构也能工作，但全国量产车需要信息、模型和扩展性更统一的方案。
7. 模块化栈会逐级损失信息，端到端试图让所有决策使用一手输入
BEV只解决了感知。传统系统仍把感知结果交给人工设计的决策规则，再交给规划和控制；即便感知已经很好，工程师仍无法穷尽“应该像人一样怎么开”。
感知输出可能漏检、误检或丢失信息，决策模块收到的已经不是一手数据；决策再产生偏差，规划和控制继续叠加。郎咸朋举例，每层只偏5厘米，三层累积15厘米，已经相当于一条道路白线的宽度。
端到端的理念是让原始传感器、导航等信息共同进入一个模型，直接输出驾驶路线或轨迹。以前要先翻译成“有人、有车、有道路边界”，再决定跟车、超车、变道；现在则是“看到这张图，我就这么开”。
代价是可解释性降低。郎咸朋承认团队通常不知道模型具体学到了什么，只能评价它开得好不好；他的反问是，人类驾驶时同样不会实时解释每个动作，“我就想这么开”，并不等于没有学习到规律。
8. 把道路场景穷举成PRD，是自动驾驶的软件1.0陷阱
传统功能开发要求明确输入和输出：屏幕多大、按钮做什么、响应速度多少。美国汽车工程师学会、美国国家公路交通安全管理局等机构也由此定义ODD以及L1至L5，试图把自动驾驶写成可逐条验收的产品需求。
真实驾驶却没有稳定的离散变量。天气可以分晴、雨，雨又分大中小，但郎咸朋调侃：“小雨和中雨怎么分，是看一分钟掉几个雨点吗？”再叠加车流、光照、自车速度和对向参与者，很快得到上千万组合。
场景也不正交：修改晴天右转规则，可能破坏雨天、拥堵或有行人的右转；城市快速路可能像高速，高速施工堵车又像城市早高峰。按高速和城市道路分类拆分，同样会制造人为边界。
更难的是long tail：马突然窜上道路、路面塌出大坑，或出现一团无法判断是塑料袋、石油、黏液还是黑猫的物体。人即使不认识也会减速、停车或绕行；只能处理预定义物体和场景的系统，郎咸朋认为“不叫自动驾驶”。
9. 软件2.0训练的是能力，不再是一组可枚举功能
郎咸朋借卡帕西的软件2.0框架解释转变：不再由人一行行编码，而是让模型从人类驾驶数据中学习、自我迭代。端到端的重要性不在名称，而在于自动驾驶第一次从“做功能”转成“做能力”。
工程师的角色也随之改变。团队不能替模型学习，只能像家长为孩子提供好学校、教师和材料，再通过测试判断它是否进步。“他学成什么样，我不能替他，我也不知道他是怎么学的。”
模型与数据驱动是“一枚硬币的两面”：使用模型就必须用数据驱动，想让数据产生能力也必须有模型。参数和基础智力可能逐渐趋同，真正拉开公司的，是长期积累的垂类数据质量以及把数据转化为能力的训练算力。
10. 理想从2018年就把不可购买的数据视为长期资产
郎咸朋回忆，2018年加入理想时，李想面试中问“将来做自动驾驶最重要的是什么”，他的回答就是数据。人可以挖，企业经营好后算力可以花钱买，但历史驾驶数据“挖也挖不来，买也买不到”。
这也是他认同“人工智能时代留下来的公司，是拥有高质量垂类数据的公司”的原因。把天才关在小黑屋二十年，仍可能失去能力；普通人持续接受优质教育，也可能取得很高成就，后天输入比小幅智商差异更决定结果。
张小珺追问用户隐私，郎咸朋称理想收集的是车外环境，不收集车内人脸、声音等个人生物信息；回传时对车外人脸和车牌做模糊处理。他把这套能力追溯到自己参与百度街景时处理人脸、车牌的经验。
11. 百度街景与宝马项目孕育了中国早期高精地图团队
郎咸朋2013年4月加入百度，最初任务是追赶已经上线的腾讯街景和更早的Google街景。街景既建立了大规模采集、拼接和隐私处理能力，也成为百度承接宝马高精地图项目的技术起点。
2013年下半年，宝马中国希望在中国测试自动驾驶，在百度、高德、四维之间评估合作方，最终选择百度。百度方面由余凯团队的倪凯、陶吉，加上地图团队的郎咸朋和杨艳组成四人小组，一边服务宝马，一边学习自动驾驶。
宝马还提供了两辆测试车，其中一辆后来用于2015年北京五环演示。到2014年，团队依托百度测绘资质和装有激光雷达的采集车，基本完成北京高精地图，并把核心技术研究到“七七八八”。
随后路线分叉：研究院、ADU偏向Waymo式L4和前沿研究；郎咸朋所在团队偏量产、偏车厂合作，接近Tesla路径。团队规模并非随技术进步单调缩小，因为高精地图、感知和工程交付曾各自需要庞大组织。
12. L3、L4、L5的工程定义正在让位于监督体验
按郎咸朋的“古早记忆”，L3开始包含系统责任：系统在声明范围内承担责任，需要人接管时必须提前提示；若人不接管，系统还应靠边停车或进入安全状态。
L4是有限场景自动驾驶，先圈定区域，区域内人不用管；L5则像人一样任何地方都能开。郎咸朋认为L5还“比较远”，不仅取决于车辆，也与社会环境和基础设施有关。
他更认同Tesla采用的体验式语言：有监督自动驾驶意味着人仍需看管，无监督则是不必看管。若无监督只在某个城市或区域成立，按旧定义仍然是L4，而不是L5。
访谈中他以Tesla计划在2025年推出Cybercab、先在城市划定有限区域运行为例，认为这与Waymo、Cruise、百度萝卜快跑的基本产品边界相同：先圈区域，再在区域内实现无人驾驶。
13. 受限区域L4可以沿用旧技术，全国量产车却必须换范式
郎咸朋坐过Cruise和Pony.ai，认为在预先设定区域内，重高精地图和上一代模块化技术“没有任何问题”：地图能及时更新，常见case也能被相对完整地分析和验证。
对乘客而言，车用端到端、激光雷达还是高精地图并不重要，只要开得安全、舒适即可。因此技术路线不能脱离产品边界讨论，限定区域Robotaxi与卖到全国的量产车并不是同一工程题。
理想需要的是全国道路都能用、从任何车位出发都能工作的产品。郎咸朋由此解释，为何L4公司可以继续重地图、规则和激光雷达，而量产车必须更依赖可泛化的模型、数据闭环和低成本传感器。
14. 理想的L3不是L2加加加，而是L4能力的先导版本
郎咸朋反复强调：“我们的L3并不是L2的延长，而是L4的先导。”L2继续增加场景、corner case和规则，仍逃不出场景无法穷举、规则彼此干扰以及长尾无法定义的问题。
L3与L4应使用同一套模型和研发体系，差异主要在产品监督状态。理想不是另建一个L4团队，而是先训练面向L4的自动驾驶能力，再把尚未达到无人标准的版本以有监督形式交付。
因此，2024年的端到端虽然用在辅助驾驶体验上，技术目标却瞄准自动驾驶。郎咸朋称之为“升维的技术，降维打击”：如果只做辅助驾驶，高精地图、轻图、无图都能交付，没必要承担模型化转型的成本。
他也坦言理想在传统工程竞争中拼不过华为“几千人”，也未必拼得过楼天城等“天才少年”；理想能够发挥的差异化资源，是量产车产生的数据和愿意持续投入的训练算力。
15. 车位到车位先打通全场景，再逐段解除监督
理想第一步不是立即宣布全国L4，而是让模型具备车位到车位的全场景能力：园区、封闭道路、城市、高速、匝道、ETC、潮汐车道、红绿灯以及最终泊车都要连成一条链。
“会处理”不等于必须见过。郎咸朋要求系统面对陌生道路元素也能做出合理动作，否则仍然只是背场景；这正是端到端与VLM共同承担的泛化目标。
能力不足时，车主像驾校教练坐在旁边监督新手：多数时候让车自己开，复杂处再接管或根据提示加强关注。随着模型获得更多优质输入，可靠路段可以逐步改为无监督。
他把导航路径比成一条全红路线：初始版本每一段都要监督，以后逐渐加入连续的绿色无监督区段。零碎、断断续续的绿段“没什么意思”，必须达到足够比例和连续长度才值得开放。
16. 200公里接管一次是产品门槛，安全标准另设更高目标
理想测算的L3推出门槛是综合约200公里接管一次；拆开看，高速要达到350公里以上，城市达到50公里以上，再依据既往高速与城市行驶比例加权。
若用户每天行驶四五十公里，200公里一次大致等于每周接管一次，而且这次接管未必出于危险，也可能只是用户不喜欢当前速度、路线或舒适性。这一指标更接近体验可用性，而非纯安全事故率。
对安全性，郎咸朋给出另一条更严格的要求：“十倍于人类驾驶的安全。”访谈没有展开具体统计口径，但他的区分很明确——MPI决定何时有产品价值，安全门槛不能简单由接管频率替代。
17. 系统一负责直觉驾驶，VLM系统二负责识字与推理
郎咸朋认为Tesla领先有两个条件：既能抓住产品本质，又持续跟进AI前沿并把通用技术转成自动驾驶架构。很多人能想象“像人一样开”，但不知道系统一、系统二等技术怎样落地。
系统一是端到端行为模型，从大量驾驶case中学习快速反应，让跟车、刹停、绕行和变道更接近人的直觉。常见场景不需要长推理，应以低延迟直接输出驾驶行为。
系统二由VLM承担，处理端到端可能没见过、又需要知识和推理的情况，例如读取“9点至17点公交车道不可用”的路牌，理解可变车道，再把结论交给端到端形成联合决策。
理想从2023年下半年开始在每周AI研讨会上向李想介绍系统一、系统二。郎咸朋说，关键并非照抄Tesla某个网络，而是学习其思考方式：先找产品问题的本质，再寻找能“升维”解决它的技术机会。
18. 世界模型是能力考试系统，而不是另一套驾驶规则
模型训练的是能力，旧测试却仍按PRD检查功能是否达到设计标准。郎咸朋用一句话否定这种错配：“拿清朝的剑斩明朝的官”，因为没有能力评测，就无法知道一个端到端版本是真的进步还是只记住了case。
世界模型参考人类考试：试卷覆盖安全、合规、舒适、导航、效率等五个维度，每类都有基础题、中等题和拔高题。安全类设硬门槛，其他体验维度可以少量扣分，但新版本总分不能低于旧版本。
固定题库会让模型“背答案”，因此试卷既保留真题，也必须持续生成模拟题。重建部分使用3DGS高斯重建，把真实道路还原成可重复测试环境；生成部分使用Transformer Diffusion，形态近似视频生成，但强调更加真实、也更符合要求。
一个真实右转、拥堵或避障场景可以被重建，再稍作生成得到表面不同的新题。考试目标保持不变，输入却有所变化，从而检验模型学到的是驾驶能力还是具体画面。
19. 真实道路、世界模型与奖励机制组成强化学习闭环
每版车端模型先在世界模型中考试，达到各项门槛才进入真实道路；真实道路发生的新问题再回流，成为后续训练数据和考试题。这种“出去遇到问题—回来受惩罚—重新训练”的闭环，是郎咸朋所说的完整RL架构。
Reward较容易定义的部分包括安全和舒适：碰撞显然应受到安全惩罚，用户接管则意味着系统可能存在安全或舒适问题。但一次接管究竟属于哪类，需要进一步分析。
理想为此设计专门模型分析接管原因。郎咸朋一面说自动驾驶的reward“相对好设计”，一面保留难点：奖惩维度清楚，并不代表每次真实行为都能被准确归因。
20. 2024年的端到端项目从三月危机加速到五六月上车
2023年下半年，团队已进行端到端相关预研。郎咸朋区分了理念与工具：端到端是减少模块、保留一手信息的思路，大模型则是让图像、导航、激光雷达等信息“万事万物皆可编码”并共同训练的实现条件。
2024年3月战略会上，李想对自动驾驶表现发火并要求9月前扭转局面。郎咸朋没有为接近竞品的指标辩解，而是提出模型化、端到端是他看到的“唯一解决方案”，随后把预研提升为交付专项。
4月15日，约180人进入北京中关村封闭开发，7月份才回来。五一前后，首个模型已经能从中关村附近开到北京交通大学；郎咸朋强调这一路径“没有一行规则”，模型训练成什么样就怎样开。
他对李想首次上车的日期回忆略有出入，先称6月，后又说约5月20多日，并提到6月8日重庆行程。那次李想带经纬张颖坐副驾，开一个多小时只接管一两次，且越开越兴奋。张小珺提到，李想把端到端模型跑通称为其过去一年人工智能经历中的“aha moment”。
21. 不到百万KPS的首版模型已经击败多年手写控制
给李想试的首版模型不到100万KPS，郎咸朋记不清可能约60万或80万KPS；当时训练数据约几十万clips。到访谈时，模型规模已经达到几百万KPS。
架构变化把无图或轻图版本约200万行代码缩到不足20万行，减少约90%。这不是简单删代码，而是把大量场景判断、行为选择和纵向控制从显式规则移入模型。
最令郎咸朋意外的是纵向刹停。过去团队反复调规则，仍难兼顾安全距离与人类那种“缓缓刹停、前快后慢”的舒适感；首版端到端第一次上车就超过他开过的自家及竞品系统，工程师告诉他：“郎博，我们真没调。”
22. 2024年的销售压力把自动驾驶投入从补课推向重注
郎咸朋认为2024年是智能驾驶开始明显影响卖车的年份。2023年理想自动驾驶并不突出，整车仍卖得很好；到2024年上半年，销售丢单的重要原因却是顾客去问界等品牌体验更好的智能驾驶。
团队有人以指标证明理想已接近华为、小鹏，郎咸朋承认这可能是事实，但接受李想的判断：后来者与领先者“差不多”没有意义，必须明显更好，才能改变消费者认知和竞争位置。
团队规模经历了先扩后缩：无图、轻图阶段一度约1,000人，访谈时约800多人；郎咸朋估计Tesla自动驾驶团队约200至300人。人数并非核心效率指标，模型架构、数据基础设施和训练资源更关键。
他称理想当年投入了几十亿元做自动驾驶，人员优化节省的成本可以忽略，真正增加的是训练卡，而且是成倍上涨。组织从堆工程师写规则，转向以算力平台放大数据。
23. 2021年供应商最后通牒迫使理想完成第一次自研跃迁
2021年理想希望推出理想ONE升级款，外形不可能在几个月内彻底改变，因此智能化必须成为主要升级。但原ADAS供应商不但要求昂贵开发费，而且拒绝白盒交付代码。
更强硬的附加条件是：理想以后所有自动驾驶研发都交给供应商，并解散自己的团队。郎咸朋形容，对方认为理想没有时间和替代方案，“一定要跪下来求他”。
他最欣赏李想此时的态度是：“老子就算死也要站着死，我不可能跪下来求饶。”大年初一，李想致电确认决心；郎咸朋回答“我来这儿三年就等这一刻”，若做不出来愿意引咎辞职。
电话后李想立即拉全体合伙人进微信群，宣布自动驾驶这次一定要自研、由郎咸朋负责并获得全公司支援。春节后团队从各部门凑出一百多人，2月26日召开誓师大会，开始赶理想ONE升级项目。
24. 2018—2021年的慢投入来自公司生存顺序，也留下了必须补的课
张小珺的追问很尖锐：既然自研如此重要，郎咸朋2018年加入后为何三年没有全力做，小鹏却从第一天重投？郎咸朋没有回避，转述李想当时的回答：“我们现在最主要任务是把车交了，没有那么多钱。”
早期资金必须先用于造车、制造、门店和销售网络，自动驾驶每年只能拿到有限预算，先做到超过同价位传统豪华车即可。郎咸朋在2019年上半年逐渐理解，这不是否定自动驾驶，而是公司资源约束下的战略节奏。
他同样解释了为何已经认识端到端，却仍完整经历有图、轻图、无图：只会四则运算时直接跳到微积分，未必知道坑在哪里。团队要亲自做过每一代，才真正理解Tesla为何放弃上一代方法。
每次交付也产生现实价值：轻图优于重图，无图又优于轻图；即使端到端团队并行研发，理想仍在2024年7月份把无图版本全量交付。没有真实用户和问题反馈，就无法获得下一代所需的数据与组织共识。
25. Tesla领先的核心是持续把AI进展转化为汽车架构
Transformer由Google提出并不削弱Tesla的贡献。郎咸朋用微积分和质能方程类比：谁发明工具不是唯一重点，关键是先看见自动驾驶的本质矛盾，并把通用技术用在能改变产品的位置。
Tesla先用纯视觉摆脱重地图和激光雷达，再以BEV摆脱后融合，最后以端到端摆脱人工决策规则。每一步都不是在原维度修补，而是“先把自己升维”，再对旧方案形成降维竞争。
截至这次2024年12月访谈，郎咸朋带有明确竞争立场的判断是：“真正的端到端产品现在世界上就两家，一个Tesla，一个理想。”他同时把理想在2024年出现销售拐点归因于“天时地利人和，也有幸运和巧合”，并未声称领先已稳固。
26. Mind GPT要成为自动驾驶、座舱和工业智能的共同基座
面对GPT、千问、文心一言等现成模型，郎咸朋仍认为理想必须自研基座模型。必要性首先来自控制权：外部模型可能停止服务，也会面向所有客户优化，而不会为理想的长期需求量身定制。
更深的担忧是价值分配。他判断人工智能最终不会“百花齐放”，而会集中到少数真正拥有基座能力的企业；若上游模型足够强，其他公司可能只是为其打工，无法获得行业头部位置。
理想设想的Mind GPT必须是多模态、跨领域模型，同时吸收视频、声音、文字、图像，以及自动驾驶、座舱、工厂和互联网数据。当前各领域分别训练模型，知识不能互通；统一基座则能先理解“这是井盖、下面是窟窿、属于危险区域”，再迁移到驾驶动作。
自动驾驶、理想同学、智能工业和智能商业都应从这一基座生长，而不是各训一个孤立模型。自动驾驶方向已开始预研VLA，郎咸朋预计“一到三年之内”可以看到成果，但对VLA是否为终局给出的回答是：“我不知道。”
27. 郎咸朋选择理想，是为了把研究变成百万辆车上的产品
回看百度五年，郎咸朋最兴奋的不是职位，而是街景真正上线：他可以让家人打开百度地图，看到自己代码处理的图像。离开百度时，他只考虑车厂，因为希望技术进入千家万户，而不是长期停留在L4研究原型。
他认为这一目标至少“及格”了：截至访谈，市面上至少有100万辆车使用其团队研发的自动驾驶能力；能否从及格走向良好或优秀，则取决于L3、L4是否真正兑现。
张小珺追问他为何能在一个长期像“落后生”的团队待这么久。郎咸朋的答案是相信公司的战略节奏，同时在理想完成了从技术负责人到管理者的训练：先定战略，再形成业务打法，最后构建组织执行战术。
对自动驾驶十年的纷争，他用莱特兄弟、交流电与直流电作类比：技术未经验证时，分歧和冲突不可避免，最后只留下真正改变生活的路线。李想在2024年更认真学习AI，既受到OpenAI等行业进展推动，也因为亲自坐上端到端汽车后，看见了模型能力的增长速度。