📱Ifanr (爱范儿)•較早收集於 16m
蔚來世界模型如何適配多硬體平台架構
💡了解蔚來如何管理跨碎片化汽車硬體架構的 AI 模型部署。
⚡ 30-Second TL;DR
有什麼變化
跨十幾款車型的統一世界模型部署
為什麼重要
提供了在汽車環境中部署大規模 AI 模型的營運挑戰見解。強調了模組化軟體堆疊對於實現硬體無關 AI 的必要性。
下一步行動
分析您的模型硬體抽象層，確保其無需重新訓練即可跨不同推論目標進行擴展。
誰應關注：Developers & AI Engineers
關鍵要點
- •跨十幾款車型的統一世界模型部署
- •跨平台硬體抽象化策略
- •平衡模型性能與多樣化算力限制
🧠 深度解析
本篇為 AI 生成分析，非原文內容。
🔑 增強重點摘要
- •蔚來採用了基於『端到端』架構的自動駕駛技術路線，將感知、預測與規劃模組整合進統一的世界模型中。
- •透過自研的編譯器與中間件層，蔚來實現了對 NVIDIA Orin-X 與其他潛在異構晶片平台的算力調度優化。
- •世界模型不僅用於自動駕駛，還被整合至 NOMI GPT 系統中，以增強車內語音交互對物理環境的理解能力。
- •蔚來利用大規模仿真數據訓練模型，並透過『影子模式』在現有車隊中進行模型驗證，以解決長尾場景的泛化問題。
- •該架構支援動態模型剪枝（Dynamic Pruning）技術，能根據車輛當前的算力負載實時調整模型參數規模。
📊 競品分析▸ Show
| 特性 | 蔚來 (NIO) | 小鵬汽車 (XPeng) | 理想汽車 (Li Auto) |
|---|---|---|---|
| 核心架構 | 統一世界模型 (端到端) | 端到端大模型 (XNet) | 端到端 + VLM 視覺語言模型 |
| 算力平台 | NVIDIA Orin-X / 自研晶片 | NVIDIA Orin-X | NVIDIA Orin-X |
| 部署策略 | 軟硬體解耦抽象層 | 統一架構覆蓋全車型 | 模組化部署 |
| 數據閉環 | 影子模式 + 仿真 | 數據驅動訓練 | 數據驅動訓練 |
🛠️ 技術深入
- 採用 Transformer 架構作為世界模型的主幹，支援時空特徵的聯合編碼。
- 引入了多模態輸入處理機制，將視覺、雷達與導航地圖數據統一映射至潛在空間 (Latent Space)。
- 實施了分層式推理引擎，將高頻任務（如避障）與低頻任務（如路徑規劃）分離，以優化算力分配。
- 透過量化感知訓練 (Quantization-Aware Training) 技術，在保持模型精度的同時降低對晶片記憶體頻寬的要求。
🔮 前景展望AI analysis grounded in cited sources
蔚來將在 2027 年前實現全系車型標配端到端世界模型。
隨著硬體抽象化架構的成熟，部署成本將顯著降低，使技術下放至入門級車型成為可能。
軟硬體解耦將成為蔚來降低研發成本的核心競爭力。
透過統一的軟體棧，蔚來能減少針對不同晶片平台重複開發的工程人力，提升迭代效率。
⏳ 時間線
2023-09
蔚來發布自研智能駕駛晶片『神璣 NX9031』，為世界模型部署奠定硬體基礎。
2024-07
蔚來智能駕駛技術發布會，任少卿首次公開端到端自動駕駛架構的研發進展。
2025-03
蔚來正式推送基於世界模型架構的城市領航輔助功能 (NOP+)，覆蓋全國範圍。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Ifanr (爱范儿) ↗
每週 AI 簡報
每週一封，可隨時退訂。