李想所说的真智能

李想这两年讲 AI 讲具身智能比较多。

尽管因为自己的“不专注”理想股价跌了很多，也被吐槽“理想做 AI 凭什么”。

毕竟AI 这个赛道的玩家，国外都是英伟达/谷歌/特斯拉/OpenAI/Anthropic/SpaceX 这些巨头，国内是字节/阿里/腾讯，理想凭什么。

但我个人还是比较喜欢听李想讲 AI 的，可能正是因为他不是专业AI 技术出身，可以以产品或者普通人应用 AI 视角用大白话讲 AI。

6 月 15 日，李想说“今天的智能汽车都是假智能”，并给了“真智能”的技术栈，说实话我理解这里的假智能不包括特斯拉吧。

真智能的技术栈是啥样的？

李想说，它是一辆电动车，一位职业司机，一台 AI 计算机，一个生活助手。

从功能安全到保护人类安全，从调用功能到独立完成任务，从缓慢运行到高效率完成工作。

比如通过视觉看到挖掘机机械爪伸出时要减速，看到机械爪收起时会开走。

比如去新国展充电，它自己找到空位的充电桩导航过去。

这些案例的共同点是，车不再是一个等你调用的功能，而是一个超级 Agent，可以理解目标，自主完成任务。

这也是我为什么前面说，李想说的“假智能”应该不包括特斯拉，因为特斯拉上面这些现阶段都可以做到。

从技术栈上，实现这样的“真智能”，光靠供应商的解决方案是不够的，需要自己垂直整合技术栈。

从最底层的计算范式开始重构，向上依次是芯片/操作系统/模型/交互，每一层都为物理 AI 原生设计，层与层之间深度耦合而非简单的堆叠。

四层一体，最终让车从“功能执行”变成了“目标完成”。

实现用数据流芯片提供算力底座，用 AI 原生操作系统调度确定性延迟，用 VLA 融合模型理解物理世界，用 Agent 自主完成任务。

数据流芯片：传统芯片架构已经跑不动 AI 了，但 AI 算力需求在以超指数级增长。

传统芯片架构是基于冯诺依曼的，指令队列顺序执行，大量晶体管消耗在“取指/译码/调度/分支预测”这些管理开销上，真正用于计算的效率只有 30%～50%，而 AI 计算天然是并行的。

于是理想采用了数据流芯片架构，芯片上多个计算单元和多个数据处理模块，通过网格总线和环形总线相互关联，没有中央指挥，数据在阵列中自由流动，流到哪里就在哪里触发计算。

AI 原生操作系统：理想的星环 OS 没有魔改安卓或 Linux，而是专门为 AI 原生和具身智能设计的。

传统车载 OS 是多层软件栈堆叠，传感器数据经过层层传递才能到达决策模块，每个环节都有不可控的抖动。

星环 OS 则是为“紧急刹车”这类任务开辟了“快速通道”，从硬件中断到执行响应，整条链路被统一调度，配合全栈自研线控底盘，端到端反应只需要 0.28 秒。

简单来说，它的核心任务是把感知-决策-执行全链路打通，确保关键任务的延迟是确定的/低延迟的。

模型层的 VLA 则是真的“看懂”物理世界了。

理想的模型体系分成两路，一路处理语言，一路处理物理世界，最终融合为 VLA 具身大脑。

语言模型负责逻辑推理和任务规划，包括端云双模型：云端是强 Agent 模型，推理速度和效率是主流模型的两倍。

端侧的模型，则是 always-on 的本机模型，毫秒响应，数据不上传，可直接调用车辆硬件。

两者配合，既可以理解复杂指令，也可以实时回答简单指令。

处理物理世界的模型将多视角摄像头同步采集的图像切分成固定大小的 patch 图像块，每个 patch 被线性投影为一个向量，并加上时序信息（当前帧与前后若干帧）一起输入 transformer 编码器，通过多头自注意力极致计算所有 patch 之间的相关性。然后编码器输出一个统一的 3D 场景（体素网格或隐式神经场）每个体素附带语义类别标签。

这个 3D 场景能力是输出一个坐标（x，y，z）处一个“正在伸臂的挖掘机”的结构化语义信息，而不需要预先为每一个场景可能出现的物体编写规则。

语言+物理的模型统一在 MOE 架构下，核心思想是将模型拆分为多个专家子网络，每个专家擅长处理某类特定输入，同时有一个“门控网络”负责判断当前输入应由哪些专家处理。

MOE 模型能在保持超大参数的同时，将单次推理计算量控制在一个较低的水平。

简单来说，这样的模型是将“看见-理解-行动”从一开始就在同一个框架里面对齐，而非机械的把几个网络串联形成“端到端”。

Agent 交互层，从“功能调度”到“完成目标”。

第一层是意图理解与任务拆解，当用户输入一段自然语言，语言模型先进行语义解析，将模糊目标转化为结构化的任务树（哪些硬件参数的变化符合用户需求）。

第二层是工具调用与跨域执行，传统车控是扁平的原子指令，Agent 则构建了一个可调用的工具集，覆盖娱乐系统，车身控制，空调，导航，底盘，三方应用等数十个域。规划模块决定调用哪些工具，以什么样的顺序调用，如何处理依赖关系，内部还会维持短期记忆，记录当前车辆状态和执行进度，以便在长链路任务中支持恢复和纠偏。

第三层是端云协同的推理与响应，端侧模型运行在车机本地，负责低延迟，高隐私场景，比如实时类回答，数据不外传。云端模型负责处理长链路，复杂推理的长任务，比如多个地点和约束条件的路线规划，或需要外部知识检索的出行攻略。

Agent 架构的语言模型部分和机器智能 MOE 并非独立运行，而是在决策层深度融合，Agent 的最终决策需要同时满足语言指令的约束和物理世界的实时条件。

总结一下，李想认为的“真智能”垂直整合技术栈，四层层层自研，层层打通，缺一不可，统一在 MOE 架构下：

围绕于车这个载体，构建一套从芯片到算法再到 OS，甚至包括用户侧的 Agent 物理 AI 全栈技术平台。

从李想的表述上，我们可以系统性的看到物理 AI 怎么在车上落地，一窥具身智能落地全栈解决方案。