节目都看了，很多人也摸过车了，热闹之后，写点蔚来AD团队是如何做的？以下内容来自去年12月底与任少卿的面对面交流，时间过去很久，凭记忆和自己的理解，写下这些文字，如有错误，请帮忙指正：

任少卿眼中的范式演进：Code 1.0 -> 2.0 -> 3.0

Code 1.0（规则时代）： 靠程序员写代码（If-else）解决问题。缺点是代码量爆炸（百万行级），逻辑打架，维护困难，无法穷尽Corner Case。

Code 2.0（数据/模仿学习时代）： 给模型看人类驾驶数据，让它模仿。痛点是：数据“脏”：包含违规变道等人类不规范的行为； “平均化”陷阱，导致面对路口博弈时，倾向于保守或随机，缺乏主动性。

什么是平均化陷阱？它把人类两种截然不同但都正确的选择：要么快走，要么停，中和成了一种既不快也不停的“中间态”。而在道路博弈中，“中间态”=“最差的选择”。为了避免这种危险的中间态造成事故，工程上往往会强制叠加安全兜底策略，最终导致车辆表现得极度保守、不敢动弹。

Code 3.0（强化学习RL时代）： 不再单纯模仿人类怎么开，而是告诉模型“什么是好的结果”；训练方式： 构建仿真环境（世界模型），设定奖励机制（Reward）。比如：安全通过路口+10分，用时短+5分，压线-2分。

RL的泛化能力强。不需要见过所有路口，只要会解题逻辑；能解决长时序博弈，学会为了长远目标做短期调整，如先让车、再通过；利用量产“脏”数据，通过Reward机制筛选出最优解，改变模型概率分布。

如何实现工程落地：

- 世界模型（World Model）作为考场： 建立一个基于真实数据的仿真器。静态： 自动生成路口地形。动态： 生成会交互的虚拟车辆，不仅仅是回放录像，而是能根据自车的动作做出反应（打游戏，闭环仿真）。

- 数据闭环： 人机共驾收集用户打方向盘的轨迹（正样本）vs 模型原有轨迹（负样本），形成成对数据（Pair），用于训练Reward模型。还有NT2的群体智能，影子模式。

- 量产数据利用： 相比专家数据，量产数据量大但质量参差不齐。强化学习通过“评分”机制，从海量数据中提取有效策略，降低对昂贵专家数据的依赖。

- 算力与芯片： 自研神玑芯片全面上车，与Orin平台代码共线率95%，迭代周期压缩至2周。

这就是蔚来NWM2.0，正在使用的方法。

我们常说的数据驱动，通常包含了模仿学习IL和强化学习RL，其实两者并不互斥，我理解它更像是一个 “预训练（Pre-training）+ 微调（Fine-tuning）” 的组合关系。

通过模仿学习IL进行预训练，模型拥有了基座能力，学会了90%的技能：红灯要停、会跟车、认识车道和交通箭头。预训练保证了模型的行为底色是像人的。

而强化学习RL做的是 “去粗取精” 的工作：人类数据里有犹豫的坏样本，也有果断的好样本。RL不需要创造新动作，只需要调整概率分布——把“果断”的概率提上去，把“犹豫”的概率压下来。

而这里面的难点和挑战是：

仿真世界的真实度要求极高，必须避免出现 Sim-to-Real Gap（仿真与现实的鸿沟），即把仿真中的完美模型，部署到真实世界后，性能大幅度下降或失效的问题。

请教了下专业人士，以他的视角来看，纯仿真训练会面临“数据漂移（Data Drift）”的风险——如果仿真里的物理参数，如摩擦力或NPC博弈逻辑与现实有偏差，模型在虚拟世界里“考了满分”，到了真实马路上可能就会“高分低能”。

此外，相比实车录制的物理数据，仿真生成的数据往往缺乏可追溯性，这在汽车功能安全体系中是一个硬伤。这也是为什么行业谈RL很多，但真正上车的case却很少的原因。

所以，Code 3.0 并非要抛弃真实路测，工程上依然需要海量的实车数据作为“锚点”，而超46万台的NT2量产车，和蔚来早期搭建的数据闭环能力，恰恰提供了这个验证土壤。

任少卿所提到的：蔚来NWM2.0在RL的领先性，大概率是说：蔚来是少数完成从仿真到严格的实车验证后，没有发生逻辑漂移问题，让RL训练后的模型，真正落地到了用户车上。