【导读】自特斯拉FSD V12率先将端到端年夜模子引入量产车以来， 法则驱动 向 数据驱动 的范式转移已经成为行业共鸣——动作是否流利、可否应答长尾场景、决议计划是否拟人化，代替了传统的功效清单，成为权衡智能驾驶体验的新标尺。于这场由要领论改造激发的海潮中，蔚来履历了从法则构建到数据驱动的艰巨回身，如今又以 世界模子+闭环强化进修 的全新架构从头出发。当技能线路的迷雾逐渐散去，蔚来新版NOA可否依附这套端到端强化进修系统，于繁杂的中国都会场景中实现真实的 拟人化 冲破，重回行业第一梯队？

Part 一、蔚来的辅助驾驶的转型

于中国智能驾驶的迭代中，特斯拉提出的端到端一个拐点，于呈现了这个技能变化以后，都会NOA中拟人化酿成了很是主要的评价点，法则味比力重，是掉队的标记。

体验上重要是动作机械、加减速转向不流利、卡顿，没法应答各类Corner case， FSD V十二、V13 V14 的一起成长，于要领论上特斯拉是一起牵引整个行业的成长。

于蔚来的第一代车型，是缭绕法则来构建的辅助驾驶，确定变道间隔、确定的加减速逻辑、确定的安全界限。于中国繁杂的都会场景繁杂度下其实不完美。

从法则最先，蔚来花了许多时间来切换技能线路。转向数据驱动历程中，用模子把法则“压缩”进参数里，让体系经由过程进修年夜量真实驾驶数据，本身学会怎样变道、择道。

数据驱动的问题是，统一个场景下，人类的举动其实不一致。于门路上，人的习气及交通流量城市影响决议计划，从成果来看，能看到差别的驾驶员于差别的位置换道，模子学到的是一种“折衷选择”，为了安全往往选择守旧追随，或者者说要真正实现“高效、自动通行”，陪同着不少的小变乱。

为了均衡危害，引入更强的舆图及路径指导、收罗专家驾驶数据并削减举动差异，或者者加回一部门法则逻辑。这些都是中国于这段时间走过的路。

Part 二、蔚来新版的NOA

蔚下世界模子于2026年的方针是回到行业的首屈一指的位置。要领是对于智能辅助驾驶全研发迭代要领举行调解，引入世界模子 + 闭环强化进修的模式。

这也因此端到端体系为基础，焦点分为三步：

基础举动习患上：经由过程进修海量人类驾驶举动，让模子形成驾驶答题本，标志各种场景下的举动几率，习患上驾驶基本肌肉影象；

情况深度理解：模子从当前时刻出发，猜测自身下一步多种动作，并推演差别动尴尬刁难周围情况的影响，和情况变化对于自身举动的反作用，实现长达数分钟的永劫序思索，这是焦点运行机制；

闭环强化校准：于虚拟「驾驶科场」中，经由过程数上亿轮专业场景练习及评估反馈，让模子精准理解「好举动与差举动的区分」，基在驾驶知识及人类经验校准举动「答题本」，这一历程即为闭环强化进修。

这里要回覆几个要害问题，强化进修到底解决了甚么问题？这是给成果打分，让模子本身学，模子输出举动后，体系会按照成果赐与正向或者负向反馈，让模子于重复测验考试中学会甚么是“更优解”，历程自己就是一种自我校订。

于现实练习中，经由过程奖励评估机制直接给举动打分；使用真实人类举动反馈，反推出奖励旌旗灯号， 模子于此中会履历自监视进修，慢慢形成不变的决议计划偏好。

举例来讲先构建一个仿真情况，于此中设定一条“方针线”，车辆假如顺遂完成左转并线，就获得奖励；完成患上越快、越平顺，奖励越高。

于此基础上，只保留极少量须要的约束，好比压实线会被扣分，但再也不写繁杂法则。于哪一个位置变道、怎样超过三条车道、如何统筹效率与安全，全数交给模子于仿真情况中自行摸索。

于如许的基础上不需要为每个非凡路口零丁收罗数据。只要仿真情况中构建出“相似布局”的场景，模子就能迁徙能力，防止了为成百上千个繁杂路口反复采数据的低效历程。方针简朴、约束少，让模子本身找路径。

法则一旦极简，反而更不变、更通用。

Part 三、现实的体验

于咱们的现实体验中，换道计谋、导航选道，于门路中的刹车节制都有很年夜的改善。

偏航及繁杂路口，是需要“提早判定”的场景，NOA的体系于快到路口才反映一般感触感染会很差或者者就错了（要末压实线要末错了），需要于更早的阶段就意想到，模子会提早吸收到“将来处罚”，从而自动调解决议计划。

现实上，于拟人化抉择上，好比判定放心感足够时坚决切入，不鲁莽挤压旁车；方针车道拥挤时，迟缓前行并连续寻觅变道空地；经由过程蠕行寻觅通行空地，这些举动都是挺年夜的改善。

结论

蔚来的摸索展现了一个焦点趋向：智能驾驶的下半场竞争，素质上是 进修效率 与 泛化能力 的较劲。世界模子付与体系永劫序推演能力，让车辆可以或许 预感 而非 反映 ；闭环强化进修则经由过程虚拟科场中的亿级轮次练习，使模子于少少法则约束下自立寻优，实现从 学会开车 到 开好车 的跃迁。现实体验中换道计谋的坚决、繁杂路口的提早预判、拥挤场景下的蠕行寻隙，都是这一技能线路落地的直不雅印证。