筆記君說：
“我們把以前的那套體系就停下來了，那套體系花了小幾十個億。”
這句話出自何小鵬之口。他創立的小鵬汽車是中國造車新勢力的代表之一，但他卻用一種近乎決絕的姿態，親手砍掉了過去數年、耗資數十億的自動駕駛技術路線。
他給出的理由很簡單：那是一條“小路”，沿著它走，永遠到不了無人駕駛的終點。過去業界所做的一切，無非是用軟體的方法論，打上AI的補丁，堆砌出一個更精巧的“縫合怪”。上限，在出發時就已經被鎖死。
於是他轉身，押注一條全新的、用AI原生驅動物理世界的“大道”。在這場訪談中，他反覆強調物理AI與數字AI的迥異：不僅要拼長板，更要補短板、拓寬窄板。
他自己很焦慮，承認這場豪賭的勝率也許只有兩成，但他又說“絕不服輸，願賭服輸”。
這是一位身處物理世界前沿的CEO的AI實踐手記。它顛覆了許多數字世界裡理所當然的推論，也揭示了一個樸素的真相：在兆級的產業變革面前，舊地圖永遠找不到新大陸。
以下為張小珺商業訪談對話何小鵬的精編內容整理版，希望對你有所幫助。
一、對AI的使用哲學
1.一號位不要太深度用AI產品
我最近使用最多的AI產品還不多，還是非常傳統的千問、豆包。但在Coding方面，我們團隊內部用得非常多，我自己個人卻不願意使用。
為什麼？我舉過一個非常有趣的例子。當年我們在做網際網路產品的時候，如果你天天用產品，你很快會鑽到細節裡去，你會覺得這裡不好用、那裡有問題。
但如果你保持距離去瞭解它，你會去思考它的優點將來還會非常長、非常多。可你一旦用進去了，你就會被困在缺點跟問題裡，會聚焦怎麼去解決，反而不能讓你向遠方看。
所以我對於科技快速變化的很多產品跟能力，自己認為要用，但不要太深度用，特別是做一號位。
當然，基層的或者有些產品線跟它強相關的，你就要鼓勵，什麼方式都可以上，最後看結果，再慢慢把它歸一，這樣才是比較好的。
2.AI Coding目前還是輔助工具
AI Coding（人工智慧程式設計）對初級程式設計師來說是一個非常好的輔助工具，但也許兩到三年後，會逼著初級程式設計師都要上到高級程式設計師。
不過對於智能輔助駕駛或者其他的強AI能力，我認為它的幫助是比較小的，它只是其中的一個工具。
真正要把整個Infra（基礎設施）建好，整個體系建好，你可以認為它是在最應用層來幫大家的。但如果在核心層，比如說你想寫個作業系統，最核心的還是整個Infra，而不是在Coding。
二、Token不重要，
算力和資料才重要
1.物理世界AI的Token消耗，跟數字世界不是一回事
數位化的中大型公司要適度關注Token，但不應太過全面，因為有些公司數位化的支援業務可能不一定是數位化的。
一個非常有趣的點是，我們的車一天只用三四個小時的話，會用多少Token？我現在精準數字已經不太記得了。
但你可以認為，在數字AI能用AI使用的Token數量，遠遠低於在物理世界AI自己需要用的Token數量。
自動駕駛的汽車可以看作一台自動的Machine（機器），它自己去用Token。
所以在物理世界，Token的使用將來會是Machine自己消耗多少，產生多少對Machine和人的價值；而人用多少Token產生對人和企業的價值，是另外一個維度。
2.我不限制團隊用Token，但資料成本要管
很多人說，不控制Token，一個季度就把一年的費用全花光了。
如果他真的能做到，我最重要是管理最異常的Top 10情況。其他都可以開放，因為你不確認一個月一個人花1000塊人民幣，還是1萬塊人民幣是最有價值的。
我們每個人的月工資很有可能遠超這個數，如果他真的有能力花了更多錢、產生更大價值，為什麼你要限制他？
現在公司算力的分配主要在自動駕駛跟座艙團隊。我們算的是，給你3萬張H100，或者5萬張，你使用什麼業務能高效能地使用。
很多公司說工程師使用Token的數量，我覺得那個數量跟Machine使用的Token數量和物理世界AI模型訓練需要的Token數量比，都是非常小的數字。
但我們最近專門對資料做了一個控制。很多人都說資料的價值，但極少有公司看到資料的巨大成本。
在數字AI領域資料量很小，幾十個TB就能訓練。而在我們這裡，訓一次資料就是幾十個TB到幾百個TB。
所以，資料怎麼管理、怎麼使用、怎麼儲存，是一個巨大的錢，可能我們一年在資料上的剛性成本都接近10個億以上。
那些資料有價值？那些是臨時有價值的？那些需要非常快速使用？每一個使用的錢都是千萬級，你可以來分析、最佳化，商業上有巨大的可提高效率、降低成本和提高效能的邏輯。
三、“AI縫合怪”時代該結束了
1.過去的自動駕駛是“縫合怪”
在過去的數年裡，智能化雖然發展得非常快，但實際上我認為也發展得非常不盡人意。從更早年開始，豐田、Google、中國的百度，到海外的特斯拉和中國的小鵬，都在自動輔助駕駛上做了很多事情。
某種角度說，它做到了效果，但沒有足夠的高度。那個時候，我認為還是AI的演算法加上軟體的規則的能力組合，我把它戲稱為“縫合怪”。
實際上不是用整個AI驅動來設計整合，也不是用整個AI模型的能力去建構這個體系，還是以軟體為主的邏輯。
2.上限太低了，永遠做不到無人駕駛
小鵬在去年碰到了一個非常大的變化。我們當時同時在做兩代新的自動輔助駕駛，內部叫VAA第一代和VAA第二代。
第一代，是在過去端到端的領域裡把它放大，把模型放大，把軟體的規則降低，把使用的場景跟範圍變強，增強後端能力，比如強化、後訓練。
這是其中一種方向。但另外一種方向是，我如何拋棄掉原來那個端到端的邏輯，用一個更大的Foundation Model（基礎模型），更多地去思考如何把自動駕駛的上限先打開，再去收斂下限。
收斂下限就是說少錯誤，按你的約定、你的期待去行動、去運動。但實際上它的泛化能力有很多地方做得很差。
舉例來說，今天沒有一家自動駕駛公司的軟體能夠在地下停車場很流暢地開，所有停車場開的都是記憶輔助駕駛，它開了一次之後知道你的停車位在那裡、大概行車路線是什麼樣的。
實際上它對整個物理世界的瞭解度非常之低。核心還是不夠智能，它的上限太低了。你可以認為要打開到1萬分的可能性才能做好，但他們可能都在1000分左右。
去年差不多就是這個時候，我們的另外一代VAA讓我打開了一個新的變化。我認為它的上限可能可以到10萬分到100萬分，但是那時候的下限也很慘烈。
本來你期望做一個產品，上限1000分、下限900分，這時候你的能力是不錯的。但那時候下限可能只有100分，比我們其他產品的下限還要低，工程的問題非常多。
3.數字AI和物理AI是完全不同的世界
為什麼去年才意識到？我覺得絕大部分人不是站在物理AI的角度去看這個事情。數字AI和物理AI，是兩種完全不同的方法論和路徑。
數字AI某種角度上用的是人類的Language（語言），語言即世界。
人類的語言是被高度概括跟濃縮的。但在物理世界，我們每個人每一天看到的資料量根本無法用語言概括、描述、還原跟複製，它太大了。
換一個角度，在數字AI的市場裡面，很多模型就是跑個分、比比分。在物理世界而言那是可笑的，因為它不光要比上限，它還要比下限，還要拼廣度。
品質、成本、材質、細節、政策法規的允許度，這些全是短板、長板跟窄板。窄板要做寬，短板要做長，長板要做更長。
而在數字世界裡，核心只看長板，不太看另外兩塊板。所以物理世界的CEO，要不然不敢賭，要不然覺得我還有好多塊板，我怎麼辦。
四、一個幾十億的賭注
1.把以前那套體系停下來，花了幾十億
我們最後下了一個非常巨大的賭注。以前是用軟體的工程、軟體的流程，加上AI的演算法和AI的工具。
你可以認為它還是在一個軟體的業務流裡，在部分重要環節用了AI。但是我們認為它是錯誤的。它做出來的軟體還是軟體。
因為你用軟體的方法論使用AI的工具箱，做出來的是一個更強力的軟體，我認為它叫做“AI縫合怪”。
所以我們做了巨大的轉型跟賭博。我們把以前的那套體系就停下來了，那套體系花了小幾十個億。原因是什麼？
我認為它無法做到無人駕駛，我認為它也不可能讓機器人真正泛化。
比如，今天我們到一個陌生場館，機器人可以走過來說“你好，坐下來”，你說“我就不給你遞一杯水了”，它說“對，我不需要”。
用以前那套強規則加少數演算法使用AI的方法，永遠做不到這種程度。我們所期待的智能電動汽車是一個非常聰明的汽車，但用的方法是永遠不會無限聰明的。
2.在腦子裡拍板，全力以赴
去年3月份我就在思考，為什麼所有公司都會覺得用更簡單的方法論和更快的效能就能做出一個湊合可用的自動駕駛？
但這條路徑做了一年到兩年後，就會發現為瞭解決很多短板，限制了自己的長板，永遠做不到Level 4或者Level 5。
這條路可能是一條捷徑，但不是一條大道，是一條小路。我們要找到一條真正的大道。
沒有一個標誌性的會議，基本上在腦袋裡面拍，全力以赴。大概在去年三季度末，我們做了一個非常大的動作，把整個自動駕駛中心的核心組織架構全改了。
每個時間窗口期都有非常多優秀的同學，但每個人都有原來的慣性，會習慣用過去的方法，想用最新的工具跟技術去做出更好的東西。
大部分時候這是對的，但有很多時候你的工作方法論都得改。調整方法論，調整Mindset（思維模式）。
3.用腳投票的人離開了
大部分非AI的主管，覺得你不管做A還是B，可能都錯了，因為那時候他們對AI的認知不夠強烈。
大部分跟AI相關的主管，有些人覺得Yes，有些人覺得No，但大部分屬於中間態，不確認這是不是一個好的節奏，能不能做到落地效果。事實上那時候連我都是一樣，但這就是創業的樂趣。
最大的反對聲音就是有很多人用腳投票。他們不相信這個事情，覺得做不到，就離開了。在一個企業裡面，對於組織的思考，切記不要小刀砍大樹，慢慢砍。想清楚了，砍掉它。
在某些上面你就敢下注，從組織到流程、到方向，全部改。大家所看到的可能都是最上層的業務層或者應用層，但內部看到的一直到根上去。
如何利用AI驅動某些業務非常之重要，而不是利用硬體去驅動整個體系。
五、為什麼物理AI這麼難？
1.修的還是原來的房子
如果你只是在軟體邏輯裡做一個更複雜的縫合怪，就像修一個房子，你會有更多的材料、更多的工藝，用上了AI，但它還是修一個老房子的方法論，修出來的還是一個原來的房子，只是可能修得更快一點。
我們想要的是不一樣的東西。有不一樣東西最基礎的時候，是大家要看到，他才相信。
但作為企業的CEO，有時候你要相信，過程中間部分節點讓大家看到，因為可以提高信心、提高領導力。
有很多時候是你因為相信去佈局。但小鵬雖是一家創業公司，從人員規模角度已經數萬人了，如何分節奏去做，有完全不一樣的挑戰。
2.Waymo做了17年，還是“縫合怪”
Google下注自動駕駛是2009年，到現在17年了。我覺得Waymo是一個既好又很不好的解決方案。好是它的技術能力不錯。
不好是它很難全球化，而且它天然就是一個更高級的縫合怪，它很難在AI裡面做到極其高強度的泛化。
即使讓司機更輕鬆、更安全、更快捷地開車，光這一個事情做了17年，沒有一家公司能做得奇好。
很多很小型的公司，幾條槍、十幾個人，就說我要用AI去改變世界。我覺得他們完全低估了物理世界改變的多樣性跟複合性。
就像我們最開始從移動網際網路衝進汽車行業，都覺得我把一個事情做到極致、再極致一點就很好了。
No，因為你考慮的維度不對。你是一個數字的維度，在數字維度做到極致，它的價值點可能極小。而物理維度有完全不同的要求。
3.把數字AI方法論搬到物理AI，不夠充分
我聽到的很多討論基本都在講數字AI，基本沒有能在一個數萬人、大量跟現實世界產生強互動的角度去思考AI。
把他們的方法論複製到物理AI，有很多地方是不夠適合的，可能有一部分業務邏輯是對的，但還不夠全面跟充分，這是最大的問題。
4.物理AI怎麼做？我也在探索
今天AI有四個主要方向。
第一個是數字上的AI怎麼變化，很多人在思考跟行動。
第二個，就是物理AI，它比數字AI可能難100倍，但是我覺得2027、2028開始，大家會看到物理AI的效果會開始出現，類似ChatGPT、Sora在數字AI上的巨大變化，到底對什麼崗位產生了巨大幫助，甚至長期來看有一定的取代。
第三個，除了Google在對人體的AI做耦合，人體上不光是內部的循環，還有外部的循環，醫藥行業是個非常複雜的行業。
第四個，企業跟AI怎麼耦合。部門跟AI耦合相對簡單，企業更難。我看到現在有一些1000人以內的企業開始更多探索，我們在不斷觀察學習。
六、機器人的“道”：
造人，而不是造機器人
1.從四足到雙足，從“沒有大腦”到“大腦驅動”
小鵬的機器人分三個階段。第一個是2018到2020年，獨立的團隊，跟中國很多其他機器人團隊一樣做四足。
2020到2023年是第二階段，我們花了三年半到四年，試過用機器人的方法做機器人，用汽車的方法做機器人，還中間做了一些縫合的方式，都取得了不同的成功跟失敗。
到了2023年之後，當我們在2022年看到了新的模型，我們覺得機器人原來不可能成功的大腦，終於有了成功的可能性。
今天很多人說機器人的小腦已經做好了，我說那那叫小腦？用同一個單調的步伐往前慢慢行走，那不是小腦，那是脊椎，或者你的腦幹，只是保持平衡。你還遠遠連小腦都不是。
所以2023年之後，小鵬的機器人重新進入到一個轉折點，從四足堅定地往雙足走，從不相信大腦，進入到堅定地用大腦去驅動機器人的全新設計。
再加上我們在汽車領域裡看到，技術好不代表產品好，產品好不代表商品好，商品好不代表你可以Scale Up（規模化）。今年年底我們就期望進入機器人類似汽車的SOP（量產）。
明年2027年，很有可能是高等級機器人進入商業量產的第一個元年，不管中國還是美國都會去Training（訓練）。過去的以運動遙控型機器人為主的時代，會隨著高等級機器人出現而逐漸下行。
2.為什麼一定要做人形？
我們選了一個最像人的人形機器人。我覺得這個世界上有非常多的解法，但人形是唯一能夠真正融入人類生活環境的形態。
我舉兩個例子。以前我們做過四足機器人，做過狗、做過馬，不管是那種四足，進到房間都不行。一個長度1米1到1米2的機器狗進到房間，在床頭櫃那裡它無法原地掉頭。
一隻金毛掉頭的時候尾巴會抬起，會刮到牆跟你的床，你不會覺得它會受傷，也不會覺得床受傷。
但一隻機器狗，它100%會讓你們兩個都覺得受傷。如果做非常小，它的能力級就非常差，就是輕度陪伴，續航還特別短。
再說雙足。如果一個機器人全身盔甲，很威武，1米8。即使你是它的設計者，你也不願意跟它只隔1釐米行走。
你覺得它可能危險，可能很燙，可能有電，可能很髒。如果連我們成年人都會這樣，那老人跟小朋友怎麼辦？在社會上的安全跟法規又該怎麼辦？
工業版機器人可以做成那樣，因為它本來就不在家庭或商業裡。
但機器人如果未來要走進人類社會，對基礎藍領和基礎白領產生價值，它一定要走入我們身邊。所以我們選了一條很難的道。
3.現在的機器人只是一個中間版本
去年那波爆炸性的討論，我們完全沒有想到。去年那款機器人是我們前年一季度開始做的，對我們來說，它只是一個中間版本。
我們只是想認證，如果一個機器人有這麼多關節，它的行走效果會極大幅度的變化跟縮減。這是完全不一樣的事情。
這一代機器人大概在1米69到1米70之間，要讓男生和女生都覺得舒適的身高。他要可以穿衣服，甚至有頭髮，但他不能有自己的臉。
有一些是恐怖谷效應，也有些是法律和社會學的效應。現在大家所看到的小鵬的機器人和小鵬正在做的機器人，還是有蠻大差別的。
等到今年下半年吧，我期待我們在一個很深度的思考下，用一個最簡單的中間態，用全公司之力去做出來。
4.負責人是怎麼選的？
23年，我們把300人的機器人團隊只留了不到60個人，把它解散了。我自己認為，要去重構整個機器人的邏輯，不能用以前的純汽車人，也不能用以前的純機器人，但是也不能啥都不懂。
所以我選了另外一個全新的團隊。他既懂點AI，又懂點汽車，又懂點工程，又懂點機器人，嘗試做一個全新思考的機器人邏輯。
為什麼選中他？有很多時候是命運。他的象限跟我的思考的象限比較吻合，而且他也要選擇我。首先你選擇他，他也要選擇你。
所以今天很多機器人公司很快速做出一個Demo（演示），對我來說就是Nothing（什麼都不是）。就像2017年中國很多Level 4的自動駕駛公司一樣，跟今天機器人一樣，不代表這些技術最終能夠看到真正的價值。
5.從Skill看我的缺點
如果把我都能夠現在有清晰的邏輯論去Skills化，那意味著什麼？意味著不光是基礎的藍白領，更高端的藍白領都會有巨大的風險。CEO可以被替代。也許過數十年或者過一百年，類似我的能力的確可以被Skills，但那個時候可能每個CEO也都會有更強的、更綜合的能力，丟掉ABC，但獲得新的DEF。
七、絕不服輸，願賭服輸
1.絕不服輸，願賭服輸
2022年底，小鵬碰到了很多挑戰的時候，我給自己兩個想法，跟賭都有關係。第一個叫絕不服輸，第二個叫願賭服輸。
你如果把這兩條比較好地放在一起去平衡，意味著即使面對巨大困難，你都要堅持，也許再努一把力就過了。
但心態也要做好。就像當我把第二代VAA認為應該放大，並且最後堅定地把第一代VAA都完全停止，從業務到技術到組織，那是巨大的心理上跟物質上的雙重壓力。
你越猶豫，越等待，越想觀察，想過6個月，你有可能越難成功。
2.在技術劇烈變革的時代，當然焦慮
看到問題、解決問題，和建構體系去既有上限又能堵住下限地避免問題，這是三種完全不同的能力級。
我當年沒創業的時候，我也看到無數問題。當你成為一個創業者，你發現有很多問題天然應該存在，你根本沒法解決，你是個CEO，一樣解決不了。你會不斷重構你的定理，甚至公理。
以前做自動駕駛做很多年之後，你越做下去，越覺得好像Level 5永遠不會到達。因為用軟體在全球所有的場景、法規、人跟世界的互動裡，它是無限循環的。
但是當你真正用AI重構這個事情之後，你覺得它可能存在了。當它可能存在的時候，你對很多原來的所謂壁壘邏輯，都會產生新的想法。
3.用超級聰明的人做超級困難的事
去年年底到今年上半年，我們大概類似三清的博士這樣的畢業生，就光一個部門招了接近80個，他們都很貴，但我們都願意。
你要有能力聚攏這樣一幫人，願意支援他們的長期探索，相信這群年輕人能創造奇蹟。
我認為這叫人才的潛力。要用超級聰明的人去做超級困難的事情，而不是用非常清晰的方向、流程或者工具去鍛造。在某些階段，這是非常對的。
4.勝率兩成，但持續投入
今天小鵬已經數萬人。技術的變化可能一個月就能變完，組織的變化，如果是全球化的中型組織，三年變完都已經是極其可怕的速度了，我甚至認為5到10年都已經算快。
小鵬在持續創新裡面，是既有耐心也有勇氣去長時間投入的。這個世界上可能有非常多的解法，我們選了一個最像人的人形機器人。勝率有多大？我們大概有個兩成。 (筆記俠)