量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力
未来人该怎么和AI共存
量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力 – 量子位
首页
资讯
智能车
智库
活动
MEET大会
AIGC
扫码关注量子位
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
量子位专访楼天城：AI是匹脱缰野马，Harness是这个时代最关键的能力
Jay
2026-04-27
18:48:17
来源：
量子位
未来人该怎么和AI共存
Jay 李根 发自 凹非寺
量子位 | 公众号 QbitAI
Harness（驯马）会成为这个（AI）时代最关键的能力之一。
这是
小马智行CTO楼天城
，在与量子位的对话中，给出的最新判断。
在他看来，如今的AI越来越像一匹脱缰野马。它开始学会了「调用」：调用工具、调用skills……因此能通过这些脚手架，自我演进，和人类打配合。
主动性和能量大幅提升，未来
甚至连人类，都可能成为被「调用」的一环。
楼教主表示，当「AI司机」也和Coding Agent一样学会了使用工具，人类工程师的角色，会逐渐从「教练」转变为「执行者」。
这种情况下——
人和AI的关系，必须重新思考了。
这也是小马智行发布PonyWorld世界模型2.0的根本原因。
自动驾驶，即将进入一个AI主导、AI评测、并「调用」人类协助的新时代。
这个趋势是确定的，毕竟，人类想要赶上模型的迭代速度，太难了。
连强悍如楼教主这样的工程师都坦言：
开发的主导权，会逐步交给AI。
是的，一个顶尖的人类程序员，此刻却在宣告：即便是天之骄子般的工程师，也必须将研发的主导权拱手相让。
听起来多少有些残酷。
但这就是教主楼天城和小马智行10年创业历程里，目前为止最直接的结论。开发时代的范式，正在发生方向性的质变。
关于这个问题，或许可以用楼天城在访谈中反复提及的一个词回答——
大势所迫。
被技术瓶颈所迫，被消费者的期望所迫，被自动驾驶的终局所迫，被小马智行十年来始终渴望实现的蓝图所迫。
而这个被逼出来的模型，叫作
PonyWorld世界模型2.0
。
这是一场自动驾驶开发范式革命中，必须被倒逼出来的一次投影。
而且随这种趋势打开的还有小马智行的2.0时代，以自动驾驶出发的PonyAI，现在已经到了开启更大空间探索的时刻，通往物理AGI的道路已经被打开。
以及，楼教主的观点是：
我们已经在路上了。
PonyWorld世界模型2.0深度解析
人类驾驶数据的价值，正在逐步归零。
并非思维实验。这个曾经看似遥远的未来，如今已成为小马智行一切技术研发的出发点。
当AI司机的安全性全面超越人类，再让人类工程师手把手教AI开车，无异于让业余棋手去辅导AlphaGo。
虽然从行业发展角度来看是件可喜可贺的事，但回想2020年，难免不有些让人唏嘘。
那基本是「模仿学习」的时代。无论自动驾驶还是人工驾驶，核心都是为了收集海量数据，让系统去模仿人的行为。
整个行业都在用影子模式收集海量人类驾驶数据，试图大力出奇迹。
但奇迹没有来。
模仿学习的天花板，就是人类本身。
而L4级自动驾驶是无法靠人类兜底的，这个几乎零容错的终局要求，远比「像人一样开车」严苛得多。
这也是2020年PonyWorld世界模型1.0启动的契机。
他们想给机器一个超越人的空间。通过创造一个虚拟驾校，让机器在里面自己摸索怎么开车，做强化学习。
不过，随着能力的进一步跃升，另一个尴尬的问题随之浮现。
当AI驾驶能力已经远超人类时，人类给AI的指导，很可能是错的……
一旦AI超过了人，人其实已经失去了评判权。因为我们无法再判断谁更好、谁更差。
在这种情况下，只有AI自己，能穷尽人类所不能察觉的维度，精准定位到底哪里出了问题。
也就是说，让AI来识别并指导AI。
这是AI时代的「图灵测试」。
基于这个理念，小马对1.0进行了一次开发范式的全面重构，带来了PonyWorld世界模型2.0。
人类不再是这个闭环的中心，
AI，正式成为总教练。
自我诊断，是这套系统进化的核心引擎。
目前行业里大热的VLA（视觉-语言-动作）路线，核心逻辑是在感知与动作之间硬塞进一个语言模型——让AI先把路况「翻译」成文字，再基于文字生成动作。
但语言，本质上是对复杂4D物理时空的一种极度降维的「扁平投影」。虽然它提升了信息的传播效率，却不可避免地丢弃了大量珍贵的物理世界上下文。
这种架构，从诞生的那一刻起，就注定了它的上限。
为此，小马智行选择
跳过「语言」这个中间商
，让传感器数据直接映射为驾驶动作。
这不仅大幅削减了算力消耗，更让物理数据的收集与世界模型精度的提升变得前所未有的高效。
但这并不意味着放弃了「可解释性」和「语义推理」。
小马在车端模型的训练中，引入了一个比语言更接近驾驶本质的中间层——Intention（意图）语义层。
真正的老司机在紧急避险时，脑海里绝不会先默念一段台词。
「前方有障碍物，我要向左打方向……」等把这些可能性都在脑海里推理一遍，黄花菜都凉了。
面对瞬息万变的路况，人类高手是直接产生「意图」。
这正是PonyWorld世界模型2.0想要复刻的本能。
模型在做出每一个驾驶动作的同时，其内部会同步生成结构化的意图表达。翻译成人类能懂的语言，就是：
我选择在路口前减速等待，是因为右前方那个行人正在走向斑马线，我预判他大概率会横穿。
请注意，这些意图信息不是事后用另一个模型「解释」出来的，也不是推理过程中额外插入的累赘，而是在训练阶段就与驾驶动作被联合学习的原生能力。
而当这个意图层被解锁时，将会带来一个此前鲜被讨论的杀手锏：
它可以被无限生成。
世界模型本身就是生成模型，我们可以基于意图去反向生成任何意图组合对应的虚拟场景，让AI在所有可能的意图排列组合中接受高强度的「特训」。
这带来了一个根本性的差异。
人类开车时，通常只能对其他交通参与者做「最大似然估计」——觉得最有可能发生什么，就按什么反应。
但小马的AI司机拥有比人类长得多的上下文记忆能力，这是AI的天赋。它不需要靠「直觉」这种玄乎的东西，而是可以同时Keep in mind所有可能的意图组合，再进行综合决策。
系统可以自动回溯每一次决策，精准定位偏差究竟出在哪一层。
这些数据在真实世界中是无法被收集的，毕竟，谁会告诉你他刚才打方向盘的时候到底在想些啥啊。
当AI补全了这块长期的数据空缺，模型的自我诊断能力，无疑将迎来质的飞跃。
这直接带来了第二个核心突破：
定向进化。
以前想提升世界模型的精度，路子很野，叫「广撒网」。
全无人车队到处跑，数据全量回传，然后指望工程师凭经验去「沙里淘金」。
但车队规模一旦从百辆冲到千辆，这招就不灵了。绝大多数数据对提升精度没啥用，只会变成昂贵的存储垃圾，白白烧钱。
PonyWorld世界模型2.0彻底反转了这个逻辑。
当系统自我诊断发现模型在某个场景下「心里没底」——比如某几个路口每到傍晚逆光时，模型对特定障碍物的模拟置信度就开始跳水——它会自动生成一个定向采集任务，直接给测试团队派单：
请在未来一周内，于下午4:30-5:30之间，在指定路口重点采集逆光条件下非机动车与行人混行场景数据。
随后，研发人员、测试工程师、运营团队……整个组织开始围绕世界模型2.0的「精度需求」运转。
AI说哪里差点意思，人类就去补哪块数据。
人类工程师的角色，从手握教鞭的「驾校教练」，变成了听命行事的「AI数据采集员」。
研发节奏不再由人类经验驱动，而是由AI根据自身进化需求，自动生成。
值得注意的是，这里有个前提：
即便是做「AI的数据采集员」，也极度考验人类对AI的驾驭能力。
人类并没有完全退出Loop（AI进化的闭环流程），只是
角色变了
。
未来，怎么驾驭AI这匹脱缰的野马，既让它按自己的意志行动，又能保留它自我演进的能力，将是人才最需要具备的特质。
而对小马来说，同样可以预见的未来是：
接入2.0的自我诊断和定向进化能力后，无疑会给小马智行已有的「飞轮」，再狠狠踩一脚油门。
而核心燃料，正是L4全无人车队在真实交通中运营产生的数据。
AI会遇到人类司机不容易遇到的场景。
通常而言，人类司机在意识到旁边是AI车时，反应模式会变。有人会更敢加塞，有人会更愿意配合，也有人会试探它的边界。
因此，世界模型不仅要模拟人和人之间的交互，还得模拟人和AI之间的交互，尤其当AI的开法并不完全像人时，这件事就更有必要了。
而这种数据，只有像小马这样跑全无人Robotaxi的公司才能采集到——
大规模L4无人车队商业运营，产生真实世界的高价值数据；世界模型据此提升精度；车端模型持续增强；更强的模型支撑更大规模部署；更大规模部署又产出更多高精度数据。
循环往复，自我加速。
如今，小马智行已经积累了千万公里级的多城市纯无人驾驶数据。
数据量级是对结果的一种印证，而这个过程中所积累的经历和Know-How，同样是一笔宝贵的财富。
当然，一切的一切，最终还是得回到技术。
而负责技术的
小马智行CTO楼天城
，给出了许多细节和实践认知。
对话楼天城
量子位：
以前你们一直用安全、舒适、效率这些指标，之前是人来定义。现在听起来，更像是AI在决定了。
楼天城：
整体架构最早当然还是人搭的，安全这些指标也一直都在。
但后来，我们通过学习的方式，训练了一些模型去做评价。
关键在于：AI为什么做得不好，问题到底出在哪。这件事现在人已经不太能判断准了，AI来当这个医生更合适。
量子位：
核心原因不是人有短板，是AI进化得太强了。
楼天城：
或者说人现在也很难再有什么进步（笑）。
但AI可以依靠
非常长的context
（上下文），让自己的理解能力变得特别强。
以前是人来判断，现在是AI来判断。收集之后够不够、还要不要继续改、这次改得好不好……这些关键决策点，正在逐步被AI接管。
量子位：
所以人真的成了「工具人」（笑）。
楼天城：
或者说，我们把人的精力放到了其他同样重要的事情上。至于判断这件事，就交给更擅长判断的AI。
这样做最大的意义就是突破天花板。如果今天还继续靠人来做，很多时候可能已经没法推动系统继续正向进步了。
量子位：
主导权交给AI，这里面会不会出现幻觉？
楼天城：
幻觉这个词最早是从大语言模型那边来的。
过去两年已经有太多例子说明，Scaling Law这条路，也就是单纯加数据，
并不能解决幻觉
。到今天，幻觉比例依然不低。
真正需要的是别的东西。比如对系统加限制，让它自我迭代、自我演进。
要让它自己意识到哪里有问题，然后自己去改进。
量子位：
怎么意识到？
楼天城：
它知道结果不对。比如因为幻觉导致最后撞了，或者发生了急刹，它就会回溯前面哪几步出了问题，然后再去改。
量子位：
在自动驾驶里，幻觉问题是不是相对更容易处理一些？毕竟交通规则还是比较完备的。
楼天城：
它确实相对更容易被压低，但问题在于，在真实世界中，
幻觉带来的代价非常高。
量子位：
PonyWorld世界模型2.0是一个升维概念，整个AI在训练AI，AI在驱动一切。那怎么确保系统始终安全？
楼天城：
有一整套非常精确的评价体系，来判断问题发生的概率到底是多少。
我们会告诉它什么是好的、什么是不好的，但不会直接告诉它具体该怎么评价。最终我们看到的是，指标在持续提升。
还有一点，就算让AI来判断，它判断得也比人更准。随着系统持续进化，人可能连某个问题到底是不是幻觉，
都判断不过AI了
。
到今天为止，所有基于概率的模型都还做不到彻底消除幻觉。但让AI来驱动改进，比让人来驱动，速度快得多，天花板也高得多。
量子位：
世界模型2.0对系统训练的速度和效率有了质的提升，那在落地层面，是不是也意味着质的提升？
楼天城：
（停顿2秒）这是多方面的。
首先，落地不再只是局限在固定区域，而是可以走向更多区域、更繁忙的路段，比如高峰期，还有那些我们原来并不熟悉的国家和市场。
这里可以用一个词，叫
superset
。在这些新地方遇到的很多场景，其实只是原有世界模型的一个子集。所以系统在新区域启动时，会更有底。
另外一个变化，是大家的
预期在提高
。早年大家会觉得自动驾驶偶尔犯傻也能接受，但现在大家要求已经高很多了。这也是长期商业化推进里很关键的因素。
量子位：
每个地方的驾驶行为和容忍度都不一样。有些地方让行人，有些地方加塞很激烈，这会影响系统吗？
楼天城：
这些其实都可以看作
子集
。
这些组合在世界模型里其实都已经出现过，只是在不同地方，它们的概率分布不一样。这个地方更保守一点，那个地方更激进一点，但两种场景本身都已经在世界模型里存在了。
量子位：
能不能理解成，北京训练出来的司机和广州训练出来的司机，风格上还是会有差别？
楼天城：
在L4这个层面，其实不需要特别明显的差异。
L4真正要解决的，是在一万小时驾驶里，那些因为风格不同或者极端行为导致的危险场景。而这些危险场景在很多地方，哪怕是海外，其实都没有本质上的巨大差异。
有些地方开车猛一点，有些地方保守一点，但
真正到出事的时候，其实都是一样的。
这可能和L2不同。辅助驾驶更在意不同地区整体的驾驶习惯，但L4更关注极端场景，而这些极端场景的分布其实非常一致。
所以去新地方，并不需要太多额外操作。
量子位：
世界模型2.0发挥作用之后，对车端传感器方案和算力会有什么影响？
楼天城：
先说传感器，这里面核心是成本。
如果我们希望使用更便宜、更标准化的传感器，那它们在质量上一定会有一些不足。比如在特别复杂的雨天环境里，标准化传感器可能就会比高端传感器差一些。
这确实需要世界模型继续进步，在生成阶段把这些问题也纳入进去。不过这项技术我们已经做完了，现在已经可以比较好地使用标准化传感器。
再说算力。通常
两三倍的差距不会带来本质变化
，除非是100倍这种量级，才可能真的改变很多事情。但100倍本身也不是个简单数字。
大多数时候，两三倍这种差异，主要还是通过训练范式、开发范式和模型结构去消化。
量子位：
10年前大家最常说的词是corner case，也就是极端场景。当时大家一直在讨论到底能不能穷尽它。现在世界模型是不是找到了一条能解决，或者说能穷尽极端场景的路径？
楼天城：
更准确地说，是穷尽这些场景里的
intention
（意图）
分布
。
场景本身并没有那么多变种，但我们不能说自己已经穷尽了全部场景。真正无限变化的，其实是不同物体之间的意图组合。
同样的场景、同样的状态，因为不同参与者的意图不同，就会形成非常多的组合。世界模型真正能做的，是把这些意图组合穷尽掉。
（停顿……）
在现实世界做这件事，是不可能的。
意图数据本身就很难收集，你不可能在真实道路上要求所有人按照某种设定好的意图去行动。
但在虚拟环境中，我们可以强制设定意图。
量子位：
你们博客里有一句话让我印象很深，在AI驾驶能力超过人类实际水平之后，普通人类数据对世界模型精度提升的价值会趋近于零。这是一个数据层面的洞察，还是认知层面的洞察？
楼天城：
这个认知其实已经存在一段时间了。而且我甚至觉得，如果系统已经做得很好，那这个价值不只是趋近于零，
甚至可能是负的。
量子位：
啊？（惊讶脸）
楼天城：
本质上其实是是AI发展阶段变了。AI会经历从不如人，到接近人，再到超过人，然后继续自我改进的过程。
当人已经明显比AI差的时候，人提供的很多数据反而会把一些不该有的坏习惯带进来。
AI刚超过人的时候，可能整体行为看起来还和人很像，只是它在那些和人不一样的地方做得更好。但恰恰是这些不一样的场景，人已经没法准确判断到底是好还是不好了。
有点像老师。早期当然很感谢老师教了很多东西，但真正到了做研究的阶段，老师其实已经
帮不上太多了
，更不需要再把早年的东西一遍遍重新灌给你。
接下来，
需要AI自己去生成。
这就好像你没法教AlphaGo下围棋，就算让我教，我也教不了啊（教主无奈）。
量子位：
有一种说法是，真正高级的AI司机，可能会在多车道变道时，直接从第一车道切到第四车道……
楼天城：
（打断）这其实要看具体情况。
如果路上视野特别好，看得很清楚，没有遮挡，那它这么做也许完全合理，甚至可能就是最优解。
但换个场景，就不能这么做。有时候人类司机没有意识到潜在风险，因为整个过程需要时间，而且前方可能有遮挡，只是恰好没碰上问题。但AI可以意识到这些潜在因素。
而且人本来就是千人千面。AI还得先判断「到底该学谁」，对吧？
因为有些人会这样开，有些人不会。
量子位：
所以现在让AI教AI怎么学，也能避免学到这些危险行为？
楼天城：
AI一旦不再以开得和人一样为目标，而是以开得更好为目标，它自然就会意识到这些风险因素必须纳入考虑。
但AI教AI最根本的一点，还是它要继续告诉自己，哪里开得不够好，然后持续改进。当AI已经明显超过人之后，要再往上提升，就必须让AI来驱动很多事情。
量子位：
你这个洞察，好像也回应了L2到底能不能升到L4这个问题。如果只是不断模仿和学习人的驾驶方式，是到不了L4的，对吗？
楼天城：
我确实说过类似观点，但这个问题要分技术和产品两个维度来看。
从技术上说，不能简单把某条路径打成L2技术。今天很多公司也在做强化学习。我当时真正想表达的是，
只靠收集人类驾驶数据，做不到L4。
这一点今天其实已经成了共识。几乎所有公司都在谈强化学习、谈世界模型。大家都发现，只靠大量车在路上跑、收集人类数据，这件事帮不了L4。
简单说，不是L2一定走不到L4，而是沿着L2那条纯模仿的技术路径，它本身帮不了你实现L4。
完全没做过L2的公司也一样可以做L4。
从产品角度看，又是另一回事。随着L2越来越安全，用户会慢慢产生一种差不多可以了的感觉。这种trust会导致一个问题，就是在需要接管的时候，用户反而接不过来。
这也是为什么L2开得越好，反而在产品层面会引出新的风险。技术上的瓶颈和产品上的风险，其实是两件事。
量子位：
有人说你给VLA判了死刑。
楼天城：
如果不看中间过程，只说自动驾驶最终形态……
应该，没有L的空间
（语速放缓）。
因为从效率上看，L并不是V和A之间最有效的中间层。今天我们已经能找到更好的layer（层）。
它可能对某些中间阶段是有用的，但我讨论的是终局。在终局里，VLA里的L不是最终的连接方式。
即便未来中间层还会保留一些语义推理能力，那也不太可能还是human language（人类语言）这种L，
更可能是一些新token
。
intention可能不是一种token，但本质上，这已经证明它是更好的中间层。以后也许还会有别的。
所以最终来看，
L不会是V和A之间真正长期存在的桥梁。
量子位：
那中间阶段呢？
楼天城：
中间阶段它当然是不错的。我没说中间阶段没有机会，只是说最终形态不会是这样。
量子位：
但确实已经有一些做VLA的系统，跑出了不错的效果。
楼天城：
对。但很多时候，VLA本身也在变，尤其是
L在变
，它已经不再是传统意义上的human language了。
VLA一开始之所以成立，是因为人类语言数据最好收集，所以它是个很好的起点。但再往后看，从工程实践和产业发展的角度，L扮演的角色会越来越少。
量子位：
你也提到，世界模型2.0让工程师的角色发生了变化。在信息AI领域，大家会讨论超级对齐。那在物理AI或者自动驾驶里，有没有对齐这个概念？
楼天城：
此对齐非彼对齐。这里真正需要对齐的，是对什么叫开得好的标准，而不是和人的驾驶行为做对齐。
如果你说的是
行为上的对齐
，那我们早就不追求那个了，而且那也不是正确方向。但什么叫「好」，这件事还是需要人的参与。
当然，人能提供的关于好与不好的维度，其实是很有限的。AI很早就已经基于这些维度做了大量扩展，而且做得更好。但它不会违反人设定的这些基本维度。
这在技术上未必叫对齐，但它可以实现类似对齐的效果。它
对齐的是评价标准，而不是驾驶行为。
所以它的驾驶行为本身，绝对不会再照着人类怎么开来学。
人会先给出最基本的原则，但再往上更细的东西，人其实也给不出来了。AI就在这些原则之上，把事情做得更好。
量子位：
假设未来要给火星设计一套新的驾驶系统或者交通系统，是不是那时候就该由AI来设计？
楼天城：
（教主漫长停顿5秒）
好问题。
短期内……不会发生。
很长一段时间里，
人类驾驶和自动驾驶还会共存
，所以系统还是必须建立在现有交通规则之上，不能违反任何规则。
当然，如果未来真的出现一种完全不同于今天的新交通体系，那空间就会被打开。但那可能要等到绝大多数车都已经是自动驾驶之后，才会慢慢开始。
如果真到了火星，而且是一个全自动驾驶环境，那就完全是另一套故事了。但这件事还非常远。
量子位：
我自己平时也开辅助驾驶的车。现在很多车会亮蓝灯，表示处于智能驾驶状态。如果我要加塞，我会优先挑蓝灯的车去加。因为现在交通系统里，最复杂的bug，其实往往是人类驾驶员自己。
楼天城：
人现在很多时候更愿意和AI配合，而不是和人配合。
我以前常用AlphaGo来举例。下棋的时候它是对抗关系，但到了配合场景里，你会发现
人其实更喜欢和AI合作
。
AI更懂人，而人也会越来越懂AI。
量子位：
你们提到，研发人员正在变成世界模型的数据员。
楼天城：
更准确地说，是一部分人会变成这样。另一部分人，比如做车载模型部署和优化的，还是在做别的同样重要、甚至更重要的事。
量子位：
你们一直以天才团队著称。当AI开始承担一些高水平研发角色，会不会降低未来自动驾驶行业对天才的需求？
楼天城：
这已经不只是自动驾驶的问题了。
核心在于，人必须学会用新的方式和AI配合。在AI擅长的地方，让AI主导；
在AI不擅长的地方，人去想办法驾驭它。
这不是某个行业、某家公司单独面临的变化，而是整个AI发展到今天，人都必须做出的改变。真正懂得怎么驾驭AI的人，才会成为下一代真正有价值的人才。
这是一次非常大的技术革命。
量子位：
但如果我们把视野放回自动驾驶，当AI开始能替代天才工程师，自动驾驶的入局门槛似乎正在降低，因为对人才密度的要求没那么高了。
不过，你们在构建世界模型2.0的过程中，又依赖了大量运营车辆、反馈数据、精度迭代和整个世界模型闭环……
这样看，入局的壁垒好像反而又更高了（困惑脸）？
楼天城：
其实更准确的说法，是
优势发生了转移。
当然还是需要很多顶尖人才，但他们做的事情会和以前不太一样。过去的技术优势，会逐步转化成更全面的优势。
量子位：
假设你已经知道了今天这些关于世界模型的洞察，如果重新做一次自动驾驶，会有什么不同？
楼天城：
世界上没有时光倒流这种机会（笑）。
但有些认知，确实要走到一定阶段之后才会慢慢形成。比如早年很多公司都觉得，只要不断收集人类数据、不断模仿，就能把事做成。到了今天，几乎所有人都已经认可强化学习的重要性。
但很多公司的车可能还没有发展到那个阶段，也就是还没强到让人彻底判断不了好坏，所以他们还会觉得现有研发方式能继续用下去。也许等再往后走，他们也会有类似认知。
如果真的能带着今天的记忆回到过去，可能确实能少走一些弯路。但现实是，一个团队也必须靠自己一步步意识到这些事情。
沿着原来的方法走，我们Pony自己也走了4年模仿学习。这些经历不是没用，恰恰是因为走过了，才真正理解为什么必须走向强化学习。我们也长期依靠人来主导开发，正因为做过，才真正理解为什么要把更多事情交给AI。
量子位：
所以说你们这十年自动驾驶的探索过程……
楼天城：
（提前预判）这个问题问得很好。
也许知道整个发展过程，才是一家公司真正的壁垒。
（停顿3秒）
一步步走到现在，经历过那些Know-How，经历过那些钻研，才知道下一步该怎么走。
整个
过程本身，就是一笔非常独特的财富。
量子位：
Scaling Law在你们的探索过程中起什么作用？
楼天城：
在数据量还比较小的时候，增加数据当然有帮助。
但当数据量上来之后，尤其是在自动驾驶这种出错代价非常高的场景里，已经被多次证明，单靠加数据帮助很有限。
真正需要的，是训练范式和模型结构层面的改变。不是说Scaling Law没用，而是它在早期作用更大，到了后期，决定上限的已经是其他因素了。
量子位：
你们在博文里
本文来源：量子位