蔚来任少卿：世界模型如何适配多芯片多平台

背景

在智能电动汽车领域，“万物皆可 OTA”的概念已被广泛传播，导致公众往往将辅助驾驶的升级简单类比为手机系统的常规更新。然而，驾驶安全具有极高的严肃性，背后的技术复杂度远超简单的软件推送。

2026 年 6 月，蔚来（NIO）的世界模型迎来一次重大升级。此次升级的核心挑战在于工程落地能力：如何将同一套世界模型，适配并部署到时间跨度长达四五年、涵盖蔚来与乐道（ONVO）两个品牌、四个软件平台（Banyan、Cedar、Cedar S、Coconut+）、两套芯片架构（Orin 与自研神玑）以及十几款不同硬件配置的车型上。

蔚来高级副总裁任少卿（前 Momenta 研发总监兼联合创始人、中国科学技术大学讲席教授）在一次内部沟通会上深入剖析了这一工程难题。他指出，除了算法层面的演进（如端到端、世界模型、VLA），更关键的是数据、硬件、传感器如何构建整体解决方案，以确保从 2022 年首款 NT2 车型 ET7 到最新的乐道 L60 激光雷达版，都能获得一致且持续进化的智能驾驶能力。

核心内容

硬件预埋与“耐老”设计

蔚来在 NT2 平台（如 ET7）上采取了激进的硬件预埋策略，包括车顶瞭望塔式激光雷达、800 万像素摄像头以及四颗 Orin 芯片。任少卿认为，汽车机械寿命长达五至十年，而电子件迭代迅速，因此硬件部署需具备长期承接软件升级的能力。这种“智能生命周期”的预埋，旨在解决老车大脑“先老”的问题。

针对传感器差异，蔚来并未为不同平台单独开发模型，而是通过神经网络架构实现统一。不同摄像头通过神经网络拉平性能差异，激光雷达和毫米波雷达则作为“热插拔”接口，允许网络在无特定传感器时依然正常运行。此外，侧向激光雷达被定位为“智能气囊”，主要作用是在长尾风险中提供边界保护，而非日常驾驶中的显著体验提升。

自研芯片与内存带宽的战略押注

在芯片竞争从单纯比拼 TOPS（每秒万亿次操作）转向关注内存带宽的背景下，蔚来自研的神玑 NX9031 芯片重点解决了 Transformer 架构对高带宽的需求。任少卿指出，Transformer 模型对内存带宽的要求是传统 CNN 的 8 至 70 倍。以 7B 模型为例，其所需内存带宽高达 500GB/s。神玑芯片通过高内存带宽设计，旨在支撑纯 Transformer 架构在端侧的流畅运行，其性能可对标四颗 Orin-X 芯片。

自研 AI 编译器与工程效率提升

为实现模型在多芯片平台上的统一部署，蔚来未完全依赖英伟达标准工具链，而是自研了 CUDA 之上的部署框架、推理引擎和 AI 编译器。这一举措实现了自动算子优化和图优化，将模型架构改动后的部署周期从 1-2 周缩短至 1-2 天，推理效率提升 20% 以上。

此外，蔚来引入 AI Agent 自动化模型部署流程（包括量化、集成、CI/CD 流水线等），将原本需要一天的人工操作压缩至两小时以内，极大提升了研发迭代速度。

数据闭环与分布式验证网络

任少卿强调，“数据的本质是算力”。有价值的不是全量数据，而是针对特定模型 Corner case（长尾场景）的筛选数据。由于不同模型需要不同的 Corner case，数据价值具有排他性。

为解决测试效率瓶颈，蔚来将量产车转化为分布式验证网络。通过云端下发验证系统，NT2 和 NT3 车型共同构成一个跨代际的验证池。NT3 的新模型可在 NT2 车辆上进行共享验证，从而产生四倍的验证效果。目前，蔚来主动安全每周测试里程超过 4000 万公里，整体验证里程超 1 亿公里。

安全导向的终局思维

尽管模型能力不断进化，但蔚来的核心目标始终是减少事故。目前，蔚来主动安全的大里程安全里程已达 679 万公里，保险出险赔付数据较 2023 年下降约 40%。任少卿提出，自动驾驶的终极指标应是“一亿公里一次严重事故”。与手机或电脑 AI 不同，车载 AI 面对的是真实道路与生命风险，因此扎实的工程系统比单纯的模型智能更为关键。

关键要点

• 统一架构适配异构硬件：通过神经网络架构设计，使同一套模型能够兼容不同品牌、不同平台、不同传感器组合（如激光雷达的有无、摄像头 ISP 差异），避免为每款车型单独开发模型带来的工程灾难。
• 芯片战略转向内存带宽：自研神玑芯片重点突破内存带宽瓶颈，以适配未来主流的 Transformer 架构模型，而非仅追求算力数字（TOPS）。
• 软件定义部署效率：自研 AI 编译器实现自动算子优化，将模型部署周期缩短 90% 以上；利用 AI Agent 自动化研发流程，将模型上车时间从一天级压缩至两小时级。
• 数据即算力，筛选重于采集：数据闭环的核心在于利用车端和云端算力筛选高价值的 Corner case，而非盲目采集全量数据。
• 量产车即测试网络：将 NT2、NT3 及乐道等多平台量产车组织成分布式验证网络，实现跨代际、跨车型的模型共享验证，大幅提升测试效率。
• 安全是最终衡量标准：智能驾驶的价值不在于炫技，而在于通过持续迭代降低事故率。蔚来通过提升安全里程和降低赔付数据，验证其技术路线的有效性。

意义与影响

蔚来的实践揭示了智能驾驶竞争已从单纯的算法比拼转向系统工程能力的较量。其核心启示在于：

1. 工程化能力决定技术落地上限：再先进的模型若无法高效、稳定地部署到异构硬件上，也无法转化为用户体验。自研工具链和编译器是打破供应商绑定、实现快速迭代的关键基础设施。
2. 长期主义硬件预埋的价值：在电子迭代加速的背景下，通过激进硬件预埋延长车辆智能生命周期，是平衡研发成本与用户体验的有效商业逻辑，订阅模式为此提供了闭环支持。
3. 数据飞轮的规模化效应：将海量量产车转化为可调度、可验证的算力网络，是中国车企构建数据壁垒的核心路径。单纯的车队规模不足以形成优势，关键在于能否高效筛选和利用数据。
4. 回归安全本质：随着智驾技术逐渐成熟，行业竞争焦点将从“开城速度”和“拟人化体验”回归到“事故率降低”这一硬指标。这要求车企在追求算法进化的同时，必须构建坚实的安全兜底体系。

这一案例表明，在 AI 时代，汽车 AI 的独特性在于其物理世界的强约束性。只有将前沿模型与扎实的硬件、高效的工程系统、严谨的验证网络相结合，才能实现真正可持续的智能驾驶进化。