真正的分叉是：系统从哪里获得复杂性？
附件把两条路线归纳为两种不同的复杂性来源：一条尽可能扩大现实世界采样，一条尝试把现实的统计结构搬进可高速迭代的内部世界模型。
Tesla 路线
- 现实世界
- 海量车队数据
- 统一神经网络
- 驾驶策略
让真实道路不断提供长尾，让模型从人类驾驶轨迹与接管反馈中吸收复杂性。
CORE FLYWHEEL · FLEET SCALE理想 VLA 路线
- 现实数据
- 世界模型
- 仿真生成
- 强化学习
先学习一个可以生成场景的内部环境，再用合成变体提高单位真实数据的训练信息量。
CORE FLYWHEEL · SIMULATION ITERATIONTHE QUESTION不是“纯视觉还是激光雷达”，也不只是“端到端还是 VLA”，而是现实采样能力与内部世界生成能力，谁能形成更强、更快、更安全的学习闭环。
内容基线：页面中的具体路线描述均沿用附件文本；可视化与系统结构是对附件的编辑性抽象，不代表对当前产品版本、法规状态或道路安全能力的实时判断。
先把智驾定义成开放复杂适应系统
成熟智驾不是一次性的“输入—输出”机器，而是在真实交通环境中采取行动、接收反馈、更新模型并再次行动的持续循环。
- 01感知读取环境状态
- 02建模形成内部表示
- 03行动改变下一时刻
- 04反馈记录结果与接管
- 05学习更新模型和策略
S = (P, E, I, M, A, F)
Environmentt → Perceptiont → Modelt → Actiont → Environmentt+1
智驾几乎复现了系统科学的六阶段演化
技术革命不只是把规则代码换成神经网络，而是把工程对象从“驾驶行为”逐步改造成“能够生成经验、学习策略并持续纠错的系统”。
- 01MECHANICAL
机械系统
工程师编写规则，感知、预测、规划与控制彼此分离。
- 02GENERAL SYSTEM
整体融合
BEV、Occupancy 与多任务网络开始形成一致世界表示。
- 03CYBERNETICS
闭环控制
动作改变环境，接管与结果成为模型训练的反馈信号。
- 04SELF-ORGANIZATION
自组织
从显式规则转向由架构、目标和数据共同涌现驾驶策略。
- 05COMPLEX ADAPTATION
复杂适应
世界模型、强化学习与新颖场景推动策略持续演化。
- 06NETWORK + COMPUTE
网络化认知
车队、仿真、训练基础设施与部署形成分布式学习系统。
工程师设计行为 → 工程师设计学习系统 → 学习系统生成经验、形成策略并由现实持续纠错
竞争单位不是单个模型，而是整套学习飞轮
模型只是某个时间点的产物。真正决定演化速度的是数据如何进入、难例怎样被发现、策略如何验证，以及更新多久回到道路。
现实车队学习网络
Fleet → Data → Model → Fleet- 01Reality真实道路
- 02Fleet分布式感知节点
- 03Real Data长尾与接管信号
- 04E2E Network统一策略学习
- 05Deployment模型回到车辆
关键张力：车队规模放大长尾覆盖，但真实极端场景仍然昂贵，数据边际收益也可能递减。
世界模型仿真网络
Reality → Simulation → Policy → Reality- 01Reality真实困难场景
- 02World Model重建环境结构
- 03Simulation生成大量变体
- 04RL + VLA主动试错学习
- 05Calibration道路验证纠偏
关键张力：仿真可以解耦物理时间，但世界模型偏差可能被强化学习放大，必须持续接受现实校准。
切换四个透镜，看复杂性被放到了哪里
两条路线都没有消灭复杂性，只是把它分配到现实采样、内部生成、硬件冗余、模型学习或接口协同的不同位置。
扩大现实世界采样能力
Reality → Data → Intelligence把真实道路和车队行为视为最重要的训练环境。
扩大内部世界生成能力
Reality → World Model → Synthetic Experience把困难场景搬进可并行、可变体、可重复的训练环境。
用节点规模覆盖低概率事件
P(hit) = 1 − (1 − p)N车辆越多，真实长尾至少被遇到一次的概率越高。
用场景变体放大单个样本
1 real sample → n synthetic samples改变时间、天气、参与者和制动条件，主动制造难例。
较少异构接口，更多模型压力
Interface Complexity ↓附件口径下以视觉为主，统一数据空间，但需面对共同失效风险。
提高物理冗余，承担融合成本
Redundancy ↑ / Fusion Complexity ↑摄像头、雷达与激光雷达提供不同误差模式，也增加同步和标定负担。
隐式 latent reasoning
Perception → Latent → Action理解、预测与规划尽可能在统一隐空间中涌现。
视觉—语言—动作统一
Vision + Language + Action → Action TokensVLA 试图让慢推理与快控制在同一动力系统中协同。
可使用方向键切换透镜；页面不会发送任何数据。
复杂性没有消失，只是被转移
路线选择的本质，是决定让哪一部分系统承担不确定性：现实网络、仿真环境、硬件层、模型层，还是组织与供应链。
传感器异质性
训练经验来源
计算与供应链
| 系统维度 | Tesla 路线 | 理想 VLA 路线 |
|---|---|---|
| 信息来源 | 真实世界为主 | 真实数据 + 生成数据 |
| 感知结构 | 较低传感器异质性 | 多传感器冗余 |
| 模型结构 | 高度统一的端到端网络 | 从双系统向统一 VLA 演进 |
| 学习机制 | 大规模模仿与反馈学习 | 模仿 + 世界模型 + 强化学习 |
| 长尾方式 | 车队覆盖现实事件 | 仿真主动生成变体 |
| 计算体系 | 更强调垂直整合 | 更偏供应链模块化 |
| 核心资产 | 车队学习网络 | VLA 与仿真学习系统 |
| 主要风险 | 真实长尾成本、共同失效与数据边际收益 | Sim-to-Real 偏差与世界模型错误放大 |
| 系统哲学 | Reality → Intelligence | Model Reality → Generate Experience → Intelligence |
真正值得观察的五项系统指标
参数量和单次演示容易吸引注意，但长期上限取决于整个学习闭环如何把数据、算力和时间转化为可验证的能力增量。
现实信息摄取率
RI = 有效新现实信息 / 时间系统多快吸收到真正新增、可训练的道路事实。
长尾发现率
RL = 新高风险场景 / 里程或模拟时间多快暴露低概率但高后果的困难情境。
学习闭环时间
Tloop = Tcollect + Ttrain + Tvalidate + Tdeploy从发现问题到验证更新重新上路需要多久。
世界模型偏差
EW = D(Wreal, Wsim)模拟环境与真实分布的距离，决定强化学习是否会优化错方向。
学习闭环效率
ηL = ΔCapability / (Data × Compute × Time)每单位数据、算力和时间最终换来多少可靠能力。
两条路线最终可能再次合流
现实采样与内部生成并非永久对立。世界模型仍需道路反馈，车队学习也可能吸收合成数据、仿真与更丰富的推理能力。
当感知、内部世界、预测、行动、反馈、记忆与学习闭合成持续演化的回路，“自动驾驶算法”就逐渐变成一个自主认知系统。
FINAL JUDGMENT真正的智驾战争，不是谁先拥有一个更响亮的模型名字，而是谁先形成足够强、足够快、足够安全，并且能被现实持续纠错的自我学习闭环。
阅读边界：本页讨论的是系统架构与学习机制，不构成车型选择、自动驾驶能力承诺或道路操作建议。实际驾驶应始终遵守当地法规、车辆说明与驾驶员监督要求。