一、从技术思维到第一性原理的认知升级

当前，行业内各类概念不断涌现，如车云一体、SOV、敏捷开发等，这些新名词在认知层面带来干扰。工程师需要掌握的是本质内容，而非单纯的技术知识。

1-3年经验的工程师若能在某一技术领域深耕并取得成绩，基本可满足工作要求。但在2年后，尤其是在智能汽车领域，工程师将面临更多系统层面的问题，例如安全设计中的ISO 26262标准。

真正能贯穿所有业务线的功能安全工程师极为稀缺。资深工程师需打通各环节的关联，以确保产品概念的完整性。目前，这样的工程师数量较少，导致许多安全设计或敏捷体制设计呈现割裂状态，难以发挥实效。

从产品维度出发的知识体系比技术思维更重要，也更稀缺。这类知识难以在学校习得，多靠1-3年的工作经验积累。

从技术思维过渡到产品思维后，新的问题随之出现。以安全与敏捷为例，二者冲突显著。互联网行业强调敏捷，追求快速迭代，而在汽车工业中，传统GVDP流程下，一款车的推出往往需要2年至1.8年，如今却缩短至8个月或1年。

智能汽车既需敏捷又需安全，这类矛盾需在更高层面解决。产品思维在各技术维度上也可能存在矛盾，使得智能汽车开发变得复杂。

这就需要运用第一性原理。当遇到非A即B的矛盾问题时，多数情况下需提升思考维度，以实现矛盾的统一。若仍有矛盾，则继续提升维度，直至触及本质，即第一性原理。

掌握本质后，面对各种繁杂的概念，能快速认知其内涵。唯有思考本质，才能加快认知世界的节奏，为自身发展留出准备时间。

二、智能汽车的第一性原理与系统架构逻辑

智能汽车的第一性原理是打造智能体。传统汽车被视为可靠的机械产品，车企的目标是将其打造成符合客户预期、顺手好用的工具。

但大约从2004年起，互联网思维开始融入车企。特斯拉的颠覆性在于从机器人的角度看待汽车制造，核心是做机器人。

汽车行业正逐步构建智能体的“身体”。机械产品为保证可靠性和质量，多采用离散型设计，而从智能体角度，“身体”是有机整体，各部分关联紧密。

当前，控制器正从离散化向域控制器演进，芯片也在不断整合，旨在降低计算单元间的功耗，为软件运行提供更大自由度，以推动汽车向真正的智能体发展。

建议将汽车思维和互联网思维分开考量，不相互混淆。最终，需明确这两种思维在智能化产品开发中各自的角色。

今天我们探讨的是车云闭环链路。无论哪节课，我基本都会展示这张图。我们正在打造智能驾驶、智能座舱等智能体，而人类是智能体的最佳典范。

左边这张图从人类角度出发，蕴含了解剖学、生物学、认知学等概念；右边则是智能驾驶软件的基本运行结构，二者可按同一框架梳理。

今天所讲内容与这张图关联紧密。左边图中的“内景”，类似道教所说的内心世界，包含对外部世界规律的理解和内心记忆。

整个智能驾驶系统或人工智能系统，实则是在构建一个内心世界模型，以更好地适应外部环境。外部世界包含信息和能量，人类与汽车皆是如此。

智能驾驶系统的架构设计需同时解决对内和对外的问题，以形成完整架构。关于自我意识，虽难以准确定义，但可理解为脑内电信号的传递与存储。

从汽车行业视角看，传统车端软件架构的存在感较弱，占比不足10%。但在智能系统中，情况有所反转，云端软件架构将成为重点，其开发量可能占90%以上。

内部模型中的差异识别，或称为差异编码理论，虽对大脑的研究尚未完全明确，但我个人认可这一说法。

行为闭环具有高频实施的特点。不同的感知、融合、预测和规控模型会在10毫秒至1秒内运行，以保障系统的正常工作。

在此，重点谈谈预测的重要性。首先，需明确传感器存在延时这一事实，即使看似实时传输的相机、雷达数据，也存在延迟。

预测的另一作用是差异识别。驱动人们前进的并非虚无缥缈的信仰，而是差异识别。差异识别则是在决策反馈过程中，发现预测结果与实际感知存在偏差。

第三个过程是云端训练，核心是差异消减。即根据获取的信息，调整大脑中的世界模型，这一模型更多存在于云端。

智能体正是在与不确定环境的对抗中不断成长。传统车企也存在类似的闭环，如工程师根据用户反馈进行调整，但这一过程依赖人工，并非机器自主完成。

抖音的成瘾性是一个有趣的现象。我们身处的不确定环境中，除客观世界外，还存在其他智能体，如抖音。

从赛博朋克的视角来看，这并非好事。生物与智能体之间存在博弈和对抗，而客观世界的教育具有强制性，人们需根据客观事实调整自身。

但在被电子设备屏蔽后，人们面对的可能是不那么客观的世界，如抖音、元宇宙等。这些智能体并非教育人们，而是迎合人们，以降低大脑的功耗，使人获得愉悦感。

三、智能汽车行业的发展趋势与模式革新

后续我们接触的各类概念，都可从这张图引申，回归到打造机器人这一第一性原理。所有技术都服务于提升智能体的性能。

以下总结行业在这一思想指导下的几大趋势。首要趋势是削弱硬件研发制造对软件迭代的影响。要实现意识自由，需先保证“身体”自由。

整车电气化、精简化、平台化、生产自动化等，都是为了优化硬件，避免拖累软件迭代。传感器、执行器、控制器的硬件预埋，是为了方便用户后续扩展功能。

第二个趋势是软硬件协同开发思路的整体调整，这涉及人的因素。供应商与甲方的关系、行业标准、芯片选型、人才培养等都将发生变化。

第三，软件工具被视为与工程师同等重要的生产力。人工智能行业能提升生产力，在不增加人口的情况下创造“人口红利”。

数据驱动成为重要的开发方式，数据资产的保护力度加大。在车端软件无需过多人工开发时，数据的重要性愈发凸显。

研发过程中对数据管道构建的重视程度提高。数据管道是信息流转的抽象概念，传统的数据流转依赖人工，存在诸多不确定性。

软件从1.0到2.0的转变是一大趋势。软件1.0以硬件流转为主，软件静止，依赖工程师的知识和规则算法，迭代效率受物理限制。

软件2.0则以软件与IP流转为主，硬件静止，依赖数据管道和数据资产，对工程师要求提高，机器迭代效率高，在工具层面软硬件耦合。

当下处于过渡阶段，即软件1.5，融合了两种模式。对于软硬件解耦与耦合的争议，需结合具体业务体系来看。

车云一体的业务逻辑构建，使得机器能自主处理一些简单问题，如分析司机的常规车速，类似抖音的自动化逻辑，且正逐步处理更复杂的业务。

车云闭环的基本逻辑是构建数据闭环，即机器人的闭环。车端软件中，深度学习模块占比增加，减少人为迭代；云端则实现自监督学习。

在时间维度上，软件迭代是人工开发与数据驱动模式的结合。初期功能多由人工开发规则算法，同时开发筛选器以发现差异。

随着发展，数据驱动型算法占比增加，筛选器的维度提升，人工开发代码减少，实现迭代。

闭环在智能体中无处不在，车云一体构建的是数据闭环，与传统车企的闭环相比，更直接、高效，能减少失真、错位和主观干扰。

传统车企的闭环链路长，反应迟缓，而现在的闭环更强调与用户直接挂钩，若能达到抖音对用户需求的响应程度，智能汽车的发展便较为成熟。

总结而言，车云一体化旨在构建高效的数据闭环，以第一性原理为指导，借鉴人类认知模型，推动软件从1.0向2.0转变，实现智能体的自主成长。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。