一个做了十几年量产的人，怎么看智驾这场竞争？

11月5日，乌镇。第七届“乌镇咖荟·汽车夜话”上，千里智驾CEO陈奇用两个词概括了智驾下半场的竞争格局：模型，和工程。模型决定智能上限，工程决定交付效率。

这句话不是把两件事并列，而是给出了一组明确的分工：模型负责你能到达的高度，工程负责你能以多快的速度到达。

但如果了解他的履历，对于陈奇的这个判断就不难理解。陈奇是国内智能驾驶领域的首批从业者之一，入行十余年，完整经历过从技术预研到大规模量产的全过程。这类人有个共同特征：他们对“做得出来”和“交付得出去”之间那道沟有多深，有切身体会。

01

智驾下半场“能走多远”？

回顾智驾行业的发展，上半场主要解决的是“从无到有”的问题。

从功能装车、场景覆盖，到接管率与长尾场景泛化，智能驾驶的竞争重点正在变化。陈奇认为，进一步提升能力，需要攻克认知泛化与因果推理两道难题。

目前，行业玩家基本还处于同一条水平线上，主要还是在相对小的模型上反复修补，再叠加一些规则。接下来，靠小模型修修补补的窗口正在关闭。

卡住的是两件事。一是认知泛化，路上遇到动物、石柱、积水这类长尾目标，没有通识理解，安全底线就守不住；二是因果推理，演讲中的例子很具体：路边滚出一个球，系统能识别到球，这是感知；能不能预判球后面可能追出来一个孩子，这是推理。

长尾场景推理

极限博弈

人类通识理解

这两件事之所以构成天花板，是因为它们都不属于“见得多就能学会”的范畴。感知可以靠数据量堆上去，推理不行。给系统看一百万张球的图片，它仍然推导不出“球后面可能有孩子”，因为这个结论来自对人类世界的常识理解，而不是对视觉特征的归纳。

这正是“模型定上限”的含义：决定天花板的不是参数规模，而是模型具不具备把通识迁移到驾驶场景的能力。基座模型由此成为行业公认的下一站，千里的路径是与阶跃星辰深度协同，从模型源头联合设计，把智驾数据引入训练全流程，而非给小模型套一层外壳。陈奇把这一侧的竞争力归结为“含模量”，并特别强调，它不只看系统全链路用了多少模型，更要看模型本身的质量。

但模型这一侧有个容易被忽略的事实：它决定的只是能力的天花板，不是用户实际拿到的东西。

02

模型强只是必要条件，工程能力才是胜负手

如果说模型决定了智驾“最高能达到什么水平”，工程体系决定的则是这种能力“能否稳定交付、以多快速度持续进化”。

原因在于，实验室里的能力突破与真实道路上的规模化交付之间，隔着成本、算力、安全、验证和版本管理等多重门槛。模型在测试中表现优异，不等于能够直接装车；一次版本升级带来新能力，也不等于系统在所有既有场景中都不会出现能力回退。对于物理世界中的AI而言，一个Demo无法完成价值闭环，稳定、可验证、可复制的工程能力才是竞争力。

支撑这个飞轮的，是千里一套独特的体系，这里可以总结为“3-2-1”工程研发体系。“3”是三代并发：量产一代保证稳定交付，研发一代跑通技术链路、储备量产，预研一代提前布局前沿方向。“2”是AB双板交替迭代：A板跑当前量产版本，B板验证新模型，两者互为备份，风险不绑定在单一硬件上。“1”是一套共享的工程底座，核心是数据平台与仿真评测平台，让L2量产车与L4测试车的数据统一回流、共用一套评测标准。

这三件事看似各管一摊，放在一起看会发现，它们本质上不是技术架构，而是一套不确定性管理框架，分别对应三个不同的时间尺度。

“3”是技术换代的对冲。智驾这些年的技术路线变化之快有目共睹，从模块化规则到端到端，从小模型堆叠到基座模型，每一次切换都让一批公司的既有积累贬值。陈奇把两种极端都点了出来：等老方案暴露短板再去研发，一定会掉队；但把所有资源集中押注下一代路线，一旦方向走偏，风险极高。

这里需要补充行业背景才能理解这个安排的分量。多数智驾团队的量产与研发是混跑的，同一拨人既要保交付又要搞预研，研发节奏被紧急需求反复打断。更现实的问题是，当量产版本出现舆情或交付压力时，资源会被无条件抽调，预研项目通常是第一个被牺牲的。

所以三代并发与其说是技术设计，不如说是组织设计。它要求公司有足够的人力规模把三条线真正分开，也要求管理层有定力在量产吃紧时不去动预研的资源。这对组织和资金的要求都不低，并不是所有公司都学得来。

“2”是版本迭代的保险，AB双板是整套体系里最能体现量产思维的一环。L2量产最怕的不是能力不够强，而是迭代过程中出现能力回退。受端侧算力和成本限制，新模型上车往往要做裁剪和适配，很容易出现“这个场景好了，那个场景反而差了”的情况。对用户而言，这意味着一次OTA之后，原本好用的功能变得不好用了。所以，AB双板是整套体系反映的是一种典型的量产思维：先保证不出事，再追求更好。这种思维方式，往往只有被量产问题教育过的人才会有。

“1”是底层，是三条线和两块板之下的共享底座。过去几年，L2和L4在行业里基本是两拨人、两套体系，甚至存在某种相互轻视：做L2的觉得L4烧了多年钱落不了地，做L4的觉得L2缺乏技术含量。两边各自搭数据体系、各自建仿真平台，重复投入相当可观。

但从模型的视角看，这个分野是人为的。L2、L3、L4划分的是责任边界，不是模型边界。千里的做法是让两条线共用数据与仿真评测平台，由此形成双向流动：L2主打广度，海量真实场景的数据喂给L4去攻克长尾；L4主打深度，在运营城市做场景清零，沉淀的能力再反哺L2，成为量产车的安全冗余。

03

陈奇作为“量产派”的判断

陈奇表示，除个别厂商外，当前业内的智驾方案在接管率层面还没拉开大的代际差距，关键接管间隔里程MPCI（Miles Per Critical Intervention）仍是各家共同面对的门槛。

陈奇对MPCI构成的拆解，恰好把模型与工程两条线合在了一起：参数量决定智能上限，数据决定场景泛化，算力决定迭代速度，以及常常被忽略的一环，闭环验证效率。

把这套判断放回行业语境里看，它回答的是一个很具体的问题：当技术路线还在变、而你已经有几十万台车在路上跑的时候，该怎么办。

这个问题对纯研究导向的团队不成立，因为他们没有存量包袱；对没有模型能力的团队也不成立，因为他们没有路线选择的余地。它只对那些既要守住已交付产品、又要追赶技术前沿的公司成立，而这恰恰是今天多数智驾供应商的处境。

需要说明的是，“3-2-1”并不是什么秘密武器。它的每一个组成部分，行业里都有公司在局部实践。真正的门槛在于能否三件事同时做到，并且长期坚持。三线并行要人、双板方案要钱、共享底座要前期投入，任何一环打折扣，整套机制的效果都会下降。

在一个习惯于比较参数的行业里，有公司愿意把研发节奏的安排讲出来，本身就是一个值得注意的信号。它意味着竞争的焦点正在从“你的模型能做到什么”，转向“你的组织能稳定产出什么”。 如此看来，千里不会活成“木头人”，反而会变成智驾行业中的“机灵鬼”。也就是说，谁能让每一次模型进步都快速转化为稳定交付，谁才真正握住了智驾下半场的主动权。