一、從技術思維到第一性原理的認知升級
如今，行業內的概念層出不窮，如車云一體、SOV、敏捷開發、控制器等，各類公眾號中的相關名詞更是繁雜。但從授課角度而言，我并不推崇這些花哨的名詞，我認為在眾多新概念涌入腦海后，需剔除背景干擾，把握核心本質。
當前，大量概念不斷沖擊著我們的認知，我們需厘清知識間的關聯。唯有如此，在面對新名詞、新概念及它們之間的關系時，才能有更清晰的理解。人的記憶容量有限，應聚焦本質內容。
首先，工程師需要掌握技術思維，即圖中藍色部分。各行各業都有其職業方向，大學期間或剛入職時，所學知識多屬此類。例如汽車工程、計算機軟件等專業，在大學中都能學到相關基礎。
通常，1-3年經驗的工程師，若能在某一技術領域深耕并做出成績，基本可滿足工作要求。但這些橫向的技術知識，在工作2-3年后便可能難以應對需求。這類技術知識在網絡上及學校教育中最為常見。然而，2年后，尤其是在智能汽車或其他智能化產品領域，工程師更多面臨的是圖中黃色部分的問題。以安全為例，系統層面的安全涉及ISO 26262標準，而從硬件、軟件維度看，又分別對應不同的知識體系。
真正能貫穿所有業務線的功能安全工程師極為稀缺。但在打造安全產品時，每個環節都至關重要。因此，資深工程師需打通各環節的關聯，以確保產品概念的完整性。目前，這樣的工程師數量較少，導致許多安全設計或敏捷體制設計呈現割裂狀態，各技術維度各自為戰，難以發揮實效。由此可見，從產品維度出發的知識體系比技術思維更重要，也更稀缺，且這類知識難以在學校習得，多靠1-3年的工作經驗積累，這一點至關重要。
從技術思維過渡到產品思維后，新的問題又隨之出現。以安全與敏捷為例，二者沖突顯著。互聯網行業強調敏捷，追求快速迭代，如五天一版本甚至一天一版本。
而在汽車工業中，傳統GVDP流程下，一款車的推出往往需要2年至1.8年，如今卻縮短至8個月或1年。智能汽車既需敏捷又需安全，這類矛盾需在更高層面解決。產品思維在各技術維度上也可能存在矛盾，使得智能汽車開發變得復雜，產品思維的邏輯也逐漸顯露出不適用性。
這就需要運用第一性原理。馬斯克常提及這一概念，我本人也是其堅定支持者。當遇到非A即B的矛盾問題時，多數情況下需提升思考維度，以實現矛盾的統一。若仍有矛盾，則繼續提升維度，直至觸及本質，即第一性原理。在智能汽車行業，第一性原理應用廣泛，且觸及本質時，行業界限會變得模糊。閑暇時閱讀基礎科學、關鍵原材料、哲學、人類本性等相關書籍，雖看似玄妙，但在面對復雜問題時，能幫助我們更好地理解。
掌握本質后，面對各種繁雜的概念，能快速認知其內涵，這在時代快速變化的背景下至關重要。唯有思考本質，才能加快認知世界的節奏，為自身發展留出準備時間，避免在新概念面前手足無措。因此，面對任何事物，都應追溯源頭，探尋本質，這也是我的授課建議。在后續講解具體概念時，我也會追溯其源頭，以幫助大家理解，例如敏捷開發并非絕對完美，SOA架構亦非萬能，互聯網對車企的顛覆也需辯證看待，關鍵在于把握其中的界限。
二、智能汽車的第一性原理與系統架構邏輯
那么，智能汽車的第一性原理是什么？這一問題說法眾多，以下僅為我個人觀點。傳統汽車被視為可靠的機械產品，車企的目標是將其打造成符合客戶預期、順手好用的工具，這是所有汽車人的追求。
但大約從2004年起，互聯網思維開始融入車企。以特斯拉為例，其顛覆性在于從機器人的角度看待汽車制造，核心是做機器人。若以傳統汽車的觀念去審視特斯拉，往往會難以理解其行為，甚至認為其做法錯誤，但實際上特斯拉并不受傳統汽車觀念的束縛。
基于這種思維，特斯拉先造車，再研發機器人，未來涉足無人機領域也不足為奇。從機器人維度看，汽車行業因對安全性要求較高，發展相對緩慢，而其他行業已基本完成相關轉型。
當前，汽車行業正逐步構建智能體的“身體”。機械產品為保證可靠性和質量，多采用離散型設計，如分布式控制器及分解式開發流程。
而從智能體角度，“身體”是有機整體，各部分關聯緊密。當前汽車行業中，控制器正從離散化向域控制器演進，芯片也在不斷整合，旨在降低計算單元間的功耗（不僅指能量消耗），為軟件運行提供更大自由度，以推動汽車向真正的智能體發展。
目前，盡管我們常說汽車已成為智能體，但實際上仍有較大差距，不過這是我們的發展目標。只有具備良好的“身體”，智能體才有可能實現；若仍停留在傳統機械結構層面，智能體則無從談起。
從知識體系劃分來看，建議將汽車思維和互聯網思維分開考量，不相互混淆。最終，需明確這兩種思維在智能化產品開發中各自的角色。在開展工作時，若錯誤運用思維方式，往往難以取得良好結果。以上是對智能汽車后續發展方向的總體概述。
今天我們探討的是車云閉環鏈路。無論哪節課，我基本都會展示這張圖。如前所述，我們正在打造輔助駕駛、智能座艙等智能體，而人類是智能體的最佳典范，若產品能接近人類的智能水平，便基本達到了智能的標準。
左邊這張圖從人類角度出發，蘊含了解剖學、生物學、認知學等概念；右邊則是輔助駕駛軟件（座艙軟件與之類似）的基本運行結構或系統架構，二者可按同一框架梳理，這一對應關系十分形象。其中的部分概念，后續會詳細展開，此處先對這張圖進行簡要說明。
今天所講內容與這張圖關聯緊密。左邊圖中的“內景”，類似道教所說的內心世界，包含對外部世界規律的理解和內心記憶。對于任何智能體而言，我們對事物的判斷、行為準則等，并非完全基于客觀事實，更多是內心世界的主觀認知，這一點至關重要，它影響著我們對事物正確性的判斷。
整個輔助駕駛系統或人工智能系統，實則是在構建一個內心世界模型，以更好地適應外部環境。外部世界包含信息和能量，人類與汽車皆是如此。這里有一個反認知的概念，以人的手為例，未斷裂時我們認為它是自身的一部分，斷裂后則不然。
但總體而言，這些身體部分更類似外部環境，會對我們的決策和行為產生影響。例如，跑步會讓人神清氣爽，飲酒過量可能導致決策失誤。對于輔助駕駛而言，具身認知部分，即控制器、執行器、傳感器的建模，會對決策產生重大影響，是系統架構設計需重點考量的內容。算法層面需應對外部環境的不確定性，如場景庫的構建、識別各類物體等；系統層面則需處理內部的具身認知問題。
因此，輔助駕駛系統的架構設計需同時解決對內和對外的問題，以形成完整架構。關于自我意識，雖難以準確定義，但可理解為腦內電信號的傳遞與存儲，它構建了我們對世界的理解，支撐決策和對外部事件的認知。而輔助駕駛汽車的“自我意識”，不能簡單等同于車端軟件。
從汽車行業視角看，傳統車端軟件架構的存在感較弱，占比不足10%。但在智能系統中，情況有所反轉，車端軟件架構的占比會降低，因為車端代碼將越來越多地由機器控制。
云端軟件架構將成為重點，其開發量可能占90%以上。這是一個重要的變化，以往汽車行業較少涉及java等云端技術，如今云端構建已成為核心，這可能會讓傳統汽車行業人士難以接受。
內部模型中的差異識別，或稱為差異編碼理論，雖對大腦的研究尚未完全明確，但我個人認可這一說法，因為它與人工智能的實際應用相契合。
行為閉環（圖中紫色部分）具有高頻實施的特點。如抬手、觀察他人表情等動作，都是下意識進行的，我們時刻都在經歷感知、認知、和執行的過程。
輔助駕駛系統亦是如此，不同的感知、融合、預測和規控模型會在10毫秒至1秒內運行，以保障系統的正常工作。
在此，重點談談預測的重要性。首先，需明確傳感器存在延時這一事實，即使看似實時傳輸的相機、雷達數據，也存在延遲。人類大腦同樣存在延遲，如飲酒后反應變慢。
這種延遲會對智能體的生存產生影響。智能體的本質是在不確定環境中生存，延遲會導致其無法及時對外部環境做出反饋。例如，在危險情境中，延遲可能引發嚴重后果。因此，預測對智能體至關重要。人類在做出動作時，大腦一直在進行預測，因為我們知道眼睛看到的并非實時畫面，規控所依據的是融合預測出的未來場景，而非單純的感知結果。此外，執行環節也存在延遲，如想到抓賊時，賊可能已逃脫。因此，融合和預測對于閉環至關重要。
預測的另一作用是差異識別。驅動人們前進的并非虛無縹緲的信仰，而是差異識別。以女性找男朋友為例，初期感知到的多為正向信息，世界模型會預判與該男性有美好未來，進而促使其做出持續交往的決策。
差異識別則是在決策反饋過程中，發現預測結果與實際感知存在偏差。例如，預判會與該男性結婚，但對方突然離開，這種偏差會通過感知反饋至大腦，使人產生不適。這種不適雖是本能的消極情緒，卻至關重要。它會驅動人們反思，意識到預測模型的不準確，進而重新建模，如總結識別“渣男”的經驗，調整感知和融合方式，以在未來做出更準確的預測。
這一過程類似于成長，它是觸發性的，幫助我們發現內部世界模型與外部世界的差異，并根據客觀反饋調整模型。
第三個過程是云端訓練，核心是差異消減。即根據獲取的信息，調整大腦中的世界模型，這一模型更多存在于云端。我們會通過FOTA、OTA等方式，將調整后的模型反饋至車端。人類的學習過程與之類似，總結經驗后避免再犯同樣的錯誤，形成腦內自循環。
智能體正是在與不確定環境的對抗中不斷成長。傳統車企也存在類似的閉環，如工程師根據用戶反饋進行調整，但這一過程依賴人工，并非機器自主完成。
抖音的成癮性是一個有趣的現象。我們身處的不確定環境中，除客觀世界外，還存在其他智能體，如抖音。如今，人們與客觀世界的直接交互減少，更多通過手機、大屏等電子設備進行，這些設備阻斷了直接溝通。
從賽博朋克的視角來看，這并非好事。生物與智能體之間存在博弈和對抗，而客觀世界的教育具有強制性，人們需根據客觀事實調整自身。
但在被電子設備屏蔽后，人們面對的可能是不那么客觀的世界，如抖音、元宇宙等。這些智能體并非教育人們，而是迎合人們，以降低大腦的功耗，使人獲得愉悅感，但這會阻礙成長，而這些智能體自身卻在不斷成長，深入了解人類。從這兩張圖的對比中，可看出人類認知模型與人工智能認知模型的緊密聯系。
三、智能汽車行業的發展趨勢與模式革新
后續我們接觸的各類概念，都可從這張圖引申，回歸到打造機器人這一第一性原理。所有技術都服務于提升智能體的性能，車云一體系統的講解也是為了闡明這一點。
以下總結行業在這一思想指導下的幾大趨勢。首要趨勢是削弱硬件研發制造對軟件迭代的影響。要實現意識自由，需先保證“身體”自由，而傳統汽車工業的邏輯并非為此服務，因此需要變革。整車、精簡化、平臺化、生產自動化等，都是為了優化硬件，避免拖累軟件迭代。傳感器、執行器、控制器的硬件預埋，是為了方便用戶后續擴展功能，但這一策略存在爭議。電子電氣架構的域控化、集中化，如艙駕一體，使得汽車逐漸向“電腦加四個輪子”的方向發展。
第二個趨勢是軟硬件協同開發思路的整體調整，這涉及人的因素。供應商與甲方的關系、行業標準、芯片選型、人才培養等都將發生變化，且這種變化可能與傳統認知相悖。
傳統汽車思維與互聯網思維不應混淆，但也需認識到，汽車行業在百年發展中積累了處理硬件事務的寶貴經驗，在軟件層面則需借鑒互聯網思維。
例如，在敏捷開發與V模型的應用上，存在困惑。有人第一天學習V模型，第二天學習敏捷開發，卻不知在項目中如何選擇。這需要找到融合兩種思維的方法，后續會介紹相關方法論。
第三，軟件工具被視為與工程師同等重要的生產力，這是互聯網思維的重要體現。互聯網企業曾通過調整生產關系盈利，但未提升生產力，如動態定價等，這并未真正降低社會成本。
而人工智能行業能提升生產力，在不增加人口的情況下創造“人口紅利”，這使得我們有能力兼顧更多需求。數據驅動成為重要的開發方式，數據資產的保護力度加大。在車端軟件無需過多人工開發時，數據的重要性愈發凸顯。
研發過程中對數據管道構建的重視程度提高。數據管道是信息流轉的抽象概念，傳統的數據流轉依賴人工，如郵件溝通，存在諸多不確定性，如遺漏、錯誤、版本不一致等，且受時間限制，可靠性低。
汽車工業雖有完善的流程和文檔，但人工處理過程仍存在風險。例如，軟件迭代速度加快，傳統V模型體系難以跟上，嚴格執行可能導致失控。因此，需將處理過程自動化、流程化。
軟件從1.0到2.0的轉變是一大趨勢。軟件1.0以硬件流轉為主，軟件靜止，依賴工程師的知識和規則算法，迭代效率受物理限制，軟硬件解耦以保證硬件流通性，但處理效率較低。軟件2.0則以軟件與IP流轉為主，硬件靜止，依賴數據管道和數據資產，對工程師要求提高，機器迭代效率高，在工具層面軟硬件耦合。
傳統開發中，工程師獨自思考，開發規則算法，使用Matlab/C/C++等語言，硬件通用。軟件2.0中，工程師構建知識和管道，機器產生數據并形成一體化設計，采用Python/C++/定制加速庫等，使用定制化芯片。
當下處于過渡階段，即軟件1.5，融合了兩種模式。對于軟硬件解耦與耦合的爭議，需結合具體業務體系來看。汽車行業在傳統業務中采用低代碼方式，實現了軟硬件耦合，保證了效率；而在保證硬件流通性時，又追求軟硬件解耦，但這影響了處理效率。
隨著整車功耗要求提高和計算量增加，傳統方式已難以為繼。車云一體的業務邏輯構建，使得機器能自主處理一些簡單問題，如分析司機的常規車速，類似抖音的自動化邏輯，且正逐步處理更復雜的業務。
車云閉環的基本邏輯是構建數據閉環，即機器人的閉環。車端軟件中，深度學習模塊占比增加，減少人為迭代；云端則實現自監督學習，即“授人以漁”。
在時間維度上，軟件迭代是人工開發與數據驅動模式的結合。初期功能多由人工開發規則算法，同時開發篩選器以發現差異，這是成長的關鍵。從大量數據中篩選出有價值的信息是難點，篩選器在這一過程中發揮重要作用。
隨著發展，數據驅動型算法占比增加，篩選器的維度提升，人工開發代碼減少，實現迭代。這一過程類似教育子女，從父母教導到子女自主學習。
閉環在智能體中無處不在，車云一體構建的是數據閉環，與傳統車企的閉環相比，更直接、高效，能減少失真、錯位和主觀干擾，直接對接用戶需求。
傳統車企的閉環鏈路長，反應遲緩，而現在的閉環更強調與用戶直接掛鉤，若能達到抖音對用戶需求的響應程度，智能汽車的發展便較為成熟。
總結而言，車云一體化旨在構建高效的數據閉環，以第一性原理為指導，借鑒人類認知模型，推動軟件從1.0向2.0轉變，實現智能體的自主成長。對于傳統汽車行業人士而言，這些新概念雖陌生，但了解其源頭和邏輯，有助于適應行業變化。這些變化的源頭在于智能化浪潮下，對智能體本質的探索和追求，以及為應對快速變化的市場和技術需求而進行的模式革新。