理想智駕王炸：車位到車位全程在線，還能自主過收閘機

最新V13版本智能駕駛，落地中國！

不是期貨FSD，而是理想剛剛推送的端到端智駕版本V13。

“車位到車位”、“無限接近0接管”、“800萬Clips訓練數據”…

2025開年，靠端到端躋身智駕第一梯隊的理想，又率先提速了。

這個年，卷起來卷起來～

理想V13，有啥變化

和FSD重名只能說巧合了，理想透露說剛好這也是端到端迭代的第13個大版本，MAX車型今天剛剛推送，智駕版本號為AD Max V13.0。

整體硬件配置，包括2顆英偉達Orin X芯片，算力超500TOPS；1顆128線高分辨率激光雷達；6個800萬像素高清攝像頭和5個200萬像素攝像頭，以及5個毫米波雷達。

L9、8、7、6，以及MEGA的MAX版本全都相同。

正式推送之前，不少內測用戶已經在理想用戶社區上傳了一手實測體驗。

比如@皮特格雷的用戶，是在晚高峰進行的體驗。

一個最易被用戶感知的亮點，同樣也是劃分今年智駕“領先一代”的功能——車位到車位，實裝上車了。

可以看到，用戶在接近自家小區地庫入口時，AD Max系統直接從城市NOA切換到自主記憶泊車AVP，直接來了一個絲滑的轉彎入庫，最牛X的地方在于系統已經能夠自主過閘機了：

同時意味著在高速路端，AD Max也能自主過收費站。

進入地庫后，先是來了一個180度U型轉彎掉頭，然后直奔車位而去，過程中成功避讓了地庫內大大小小不規則的承重柱/墻和一位行人：

最后是一連串絲滑的停車入庫，本身難度不大，但連接起整個行車、泊車智駕體驗，給用戶帶來的實用性和新引力是巨大的：

在公開路段上，AD Max V13.0也有令人驚喜的進步。

另外一位用戶@陳偉有理想上傳了AD Max V13.0在一段高速施工+大車博弈路段的表現。

一開始是系統正在完成對一輛低速卡車的超越，“不跟慢車”以及避讓大車的通行策略，幾乎是所有NOA的共識。但超車還未完成，就遇到了路邊施工占道：

AD Max V13.0在貼著樁桶大約3-5mide樣子迅速完成了向右變道避讓，全程沒有任何讓人不舒適的緊急剎車，等于同時完成超車+避讓。

“端味”更強的一點在于，系統現在會更加靈活貫徹效率優先通行策略。

以前是提前2公里就變道最右側，即使前面有慢車也會尾隨。

但現在系統會盡量多的超過右側慢車，在車道變成實線之前迅速完成向右并線，用戶的這個實測案例是600m的距離：

端到端優勢，在城市道路內體現的更極致，比如現在AD Max V13.0已經能夠處理不規則的復雜環路——處在幾個立交橋下方，還充斥著各種車和車、人和車、兩輪車和車的博弈：

從前面各個實測畫面中，其實能看出理想AD Max V13.0的另一個重大變化——AI可視化。

首先是右側現在實時顯示10條可能的行駛路線及其概率：

路線一致性越高，說明場景越簡單，反之說明場景更加復雜，路線選擇的不確定性在上升——直觀完整的把端到端思考過程展現在用戶面前，增強信任感。

第二個可視化功能是“熱力圖”注意力系統，告訴你系統現在關注目標的優先級——越“紅”的說明系統目前注意力分配越多，讓你直觀看到智駕系統的“防御性駕駛”策略。

最后是屏幕最右側的智能駕駛翻譯官，由理想自研VLM（視覺語言模型）?實時解說智駕系統的策略以及給出建議。

把復雜高深的智駕技術、智駕系統決策過程這個“大黑盒”打開，用大白話呈現翻譯。

有啥用？

大大提升用戶對智駕的信任和熟悉程度，好用之外，增加“愛用”的理由。

幾乎所有智駕玩家都死磕corner case，認為這是阻礙用戶信任智駕的核心。當然沒錯，不過體現的是純純的理工科思維。

怎么在產品體驗、用戶心理接受度和觀感上下功夫，從來沒人思考過。

論“懂用戶”和產品體驗，理想當仁不讓。

理想V13 800萬clips訓練，啥水平

理想最新AD Max V13.0系統，官方的描述中出現了一個新表述：

800萬clips訓練數據。

啥意思？

所謂clips就是片段，一整條帶有時間特征的行車視頻數據，一般一個clips持續約30s左右，是從上億公里的真實數據中精挑細選出來的“五星司機”數據，同時數據標注過程、模型的訓練過程已經實現完全的自動化。

與之前自動駕駛“系統學習XX幀數據”的表述完全不同。

背后體現的是整個行業技術范式的深刻變化。

體現在理想AD Max V13.0，就是“一快一慢”兩系統。

快的是端到端模型本身，應對實時駕駛任務，也就是可視化屏幕上左側概率路線和注意力的部分；慢的則是VLM大模型，用來學習常識，應對未知路況，比如潮汐車道等等，對應屏幕右側的實時解說部分。

端到端負責感知、決策、規劃，是AI司機的主體。并且理想端到端不同于華為，采用更直接的One Model結構，不分層：

輸入傳感器數據，直接輸出自車行駛軌跡。

One Model典型玩家是特斯拉，國內的商湯絕影UniAD也選擇了這條路線，同樣也走到了量產前夜。

至于VLM，本質是一個多模態大模型，作用是智能駕駛“點讀機”，哪里不會點哪里，利用大語言模型的認知能力理解場景，輸出另外一條行駛軌跡給端到端模型參考修正。

為啥要這么做？理想解釋因為端到端模型盡管直接學習人類成熟駕駛經驗，但黑盒決策過程不為人知。對于目標的錯檢漏檢，以及幻覺問題難以通過直接調參解決。

所以要加這么一個“點讀機”，以及適當的強化學習手段來規范端到端模型的行為。

總結一下理想端到端智駕技術：

最大的不同點是沒用國內主流的多段式結構，而是和特斯拉One Model一樣一步到位，而且也是國內量產進度最快的。

但理想和特斯拉不同的點又在于，選擇用語言模型為基礎的多模態模型作為認知能力的補充，和小鵬、蔚來、商湯等等玩家相同。

以及還有一點，端到端模型參數量4-5億，VLM總參數量22億，完全能在現有Orin芯片的理想各個MAX車型上實現車端部署。

最后就是迭代速度的“斷代式”領先：

四個月內，AD MAX系統已經學習了64000小時左右老司機的駕駛經驗。

理想提速反映了什么？

2024年底2025年初，智駕卷出新速度。

比亞迪、小鵬，蔚來，理想…都提速了。

比如小鵬趕在年末最后一天，推送了車位到車位先鋒版小范圍內測；蔚來李斌明確了今年將主攻高階智駕的安全體驗；大疆和比亞迪，則專注極致性價比方案在10萬級車型的普及…極氪甚至在2024年12月31日還來了一波趕KPI式的交卷。

不同玩家選擇的技術路線、硬件方案、落地車型價位各有不同，但最后交付到用戶，看可以實現的能力就行。而站在2024年12月31日之前，圍繞智能駕駛，最先進的一代——領先一代，就是可以實現全量推送的車位到車位體驗，結束內測或者小范圍公測，可以直接提現技術的成熟度。

其次是能夠實現城區NOA的次世代，高速環路NOA的正當代……以及大部分只有L2的“落后一代”。

當然在中國市場，最特殊的自然莫過于特斯拉，其代表領先一代的FSD還沒能獲準中國上路，但因為馬斯克超前的布局和超強的技術堅持，每一輛已經上路的特斯拉，擁有FSD能力大概也就差一次OTA而已。作為端到端范式的最早實踐者，也作為車位到車位實現路徑的引領者，特斯拉是一個特殊的存在，一個讓所有中國智駕玩家枕戈待旦不敢輕視的存在。

不過隨著車位到車位的智駕技術推送實現，智駕的起點和終點也就已經卷到頭了。

剩下的就是整個過程中的產品體驗、用戶體驗，這也是理想正在快速展現勢能和動能轉換的關鍵原因。

實際上，理想造車以來，并不以智駕先聲奪人，但站在當前來看，優勢正在越來越顯而易見。

首先是AI大模型、通用能力作為自動駕駛核心基調，而非簡單的駕駛任務。全球范圍內，自研基礎大模型基座的造車玩家，似乎只有特斯拉和理想。

而明確講VLM、多模態和智駕模型融合，理想則邁出行業第一步。

第二點，理想“套娃”的造車方式如今來看，絕不僅僅是省成本這個層面的考慮。相同的設計帶來相同的傳感器布置、帶來相同的底層硬件方案。

從AI軟件上來看，套娃直接創造了相同模組下的硬件載具，方案統一、接口統一、數據統一，迭代起來也會更加高效，實現規模效應——在scaling law作用下的今天，更顯關鍵。

第三點，理想其實從一開始就暴露過智駕方向上的野心。

從理想ONE開始，理想的智能駕駛功能，不僅標配，而且免費，這就打掉了用戶使用的門檻，可以讓車主用戶成為影子模式迭代下，最直接的參與者。相比無法隨車標配、額外付費的業內方式，理想算是以終為始地看清了AI迭代的本質，利在長遠。

不少人有過疑問，為什么理想在2024年忽然就實現了智駕能力上大步提升。如果嚴格審視，答案在理想ONE的時候就已經在謀篇布局了。

只不過不是所有標配免費的智駕方案，都會成為智駕能力飛升的充分必要條件，原因很簡單——

你必須賣得足夠好，上路得車足夠多，有效智駕里程的積累足夠巨大。

而理想做到了，先是ONE一代的蓄勢，然后是L系列的引爆，銷量一飛沖天之后，智能駕駛或者AI需要的數據規模，在理想這里也就變成了資源、勢能和潛力要素。

智能駕駛的道路千萬條，但第一性原理只有一條：數據。

畢竟AI的第一性原理，就是數據。

馬斯克最早洞察了這個原理，所以選擇了和谷歌Waymo不一樣的自動駕駛實現路徑，并且已經展現出了志在必得的潛力，可以更早奪取金杯。

理想似乎也洞察了這個原理，所以在傳感器、硬件、軟件方案等方面，都早早開啟了統一標準化布局，又趕上了端到端范式的變革，完美契合“數據驅動”的核心引擎，讓scaling law發揮作用。

所以理想的這個智能駕駛表現和影響，可能才剛剛開始。

其實評價理想的智能駕駛水平，還有另一個更“客觀”的維度。

在華為“遙遙領先”的智駕水平、營銷聲勢之下，華為賦能的車型幾乎和理想在巷戰肉搏競爭，同樣是家用SUV、同樣有增程路線，但最后理想還能保持月銷5W的水平，沒被打趴下……

這幾乎就是對理想智駕水平最直接的反映了。

One more thing

最后再補充一點有意思的。

特斯拉Autopilot資深工程師Yun-Ta Tsai曾分享稱，ChatGPT這樣的互聯網AI對毫秒級別的延遲不敏感，但自動駕駛、機器人必須在吞吐量和延遲之間尋找平衡。所以有兩個級別的系統在發揮作用：

在低級機械控制中，只有幾微秒的時間，就像火箭發動機一樣，在偏離航線之前幾乎沒有時間調整推力；另一個高級系統，則必須在做出重大決策之前匯總所有信息。

與理想的快慢系統頗有相似之處，若特斯拉FSD也采用類似的架構（從未公布過），應該不讓人感到意外。