图片来源：GTC YouTube
Z Highlights
-
第二代车队已有约20%的行驶里程实现自动驾驶，我们预计未来将提高到70%；这不是简单功能添加，而是AI能力嵌入到整车神经系统的体现。
-
中国EV公司从第一天起就选择了垂直整合、原生软件架构，这是它们速度远超传统车厂的根本原因；而在西方，Rivian和Tesla是仅有的两家从零打造整车计算平台的企业。
-
如果你今天从零设计一辆车，不会想用100多个供应商提供的ECU堆出一个系统；你会选择统一的软件堆栈和中央计算架构，而这恰恰是传统车厂难以打破的桎梏。
-
我们用端到端的AI学习方法替代规则驱动架构，将大模型蒸馏部署至本地推理平台，自动驾驶只是第一个应用场景，未来整个汽车都将是一种运行在物理世界中的机器人。
RJ Scaringe是Rivian的创始人兼CEO，该公司专注于打造智能电动平台与软件定义汽车。Rishi Dhall是NVIDIA汽车业务副总裁，长期推动AI在智能驾驶与制造领域的落地应用。
创业初心与软件定义汽车的逻辑
Rishi Dhall：欢迎大家来到GTC，也欢迎大家了解人工智能在电动汽车领域中正在扮演的新角色。我是NVIDIA汽车业务负责人Rishi Dhall，今天由我来主持。我们感到非常自豪，能够请到RJ Scaringe Rivian的创始人兼CEO，一起探讨这一话题。RJ，非常欢迎你的到来。
RJ Scaringe：谢谢你，Rishi。我很高兴来到这里，也很期待这场对谈。
Rishi Dhall：到目前为止，今天的大会非常精彩，Jensen的主题演讲也非常震撼。你知道，这曾经是一个偶尔会提到AI的GPU展示，现在则几乎99.9%都围绕人工智能展开。你们公司在这方面的投入令人印象深刻，我们一会儿也会聊到相关内容。Rivian最近刚刚实现首次正毛利，并继续扩大生产规模。顺便说一句，这是一个巨大的里程碑，祝贺你！你觉得走到这一步，最困难的地方是什么？在创办公司之初，有哪些是你当时低估了的？
RJ Scaringe：哦，天哪，这个清单可太长了。要创建一家汽车公司，作为企业本身就非常复杂，而作为产品则更加复杂。在最初那一天，你什么都没有，却需要几乎所有东西。你需要数十亿美元的资本。需要数百家供应商交付成千上万个零件。还需要一个由数千名工程师组成的团队，一个有用户共鸣的品牌，以及能与消费者建立强大联系的产品。但起步时，这一切都不存在，所以非常具有挑战性。你必须从零开始把这些要素拼接在一起。没有资本，就无法开发技术；没有技术，就很难获得融资。但在早期几年里，我们还是逐步推动了一些初始的产品概念和品牌雏形。我们经历了很多次战略转型，关于产品和品牌最终应呈现的样貌，也有很多次调整。
但从2009年我创办Rivian到现在，有一些核心理念始终未变。其中最重要的一个是，我们坚信产品要有超越技术层面的意义。也就是说，它们要能与用户建立情感连接。为了做到这一点，我们认为在多个关键领域进行垂直整合非常重要，其中最关键的就是电子系统和汽车软件。你可以想象，在十年前，我跟当时那群非常早期的投资人说，我们要开发自己的计算平台、自己的实时操作系统、自己的信息娱乐平台系统……他们会一脸疑惑地问：“你确定要自己做这些？这工作量可不小。”但现在回头看，这是非常正确的决定。
我们围绕这些自研系统所打造的整车和品牌，已经收获了大量用户的热情回应。连续两年，我们在客户满意度上都获得了最高评级，并且也有外部品牌在验证我们软件系统的价值。我们长期投入打造的技术，不仅服务于Rivian的产品。也可以赋能给来自不同品牌、不同定价、不同规格的全球产品。这种合作模式非常令人振奋。
Rishi Dhall：我们稍后会详细聊聊和大众的合作。但现在我们来回顾一下，从你2009年在MIT创业开始至今，人工智能和技术的演进对你对公司愿景的塑造产生了哪些影响？你可能没想到，如今AI已经变得如此关键。而你的行业也已离不开它了。
RJ Scaringe：确实。一开始我们的关注点主要在车的创新，包括动力系统以及可持续性。当然，AI并不是当时的重点。但过去几年里，我们真正加大了对人工智能的投入，而且AI的融入已经深刻改变了我们的整个业务。它不仅仅出现在汽车本身上。我们的第二代车型开始实现自动驾驶，这基于我们早期推出的R1T和R1S所积累的计算与感知能力。这些车已经可以在高速路段实现免手操作。我们的数据显示，第二代车队中，大约有20%的行驶里程是在自动驾驶模式下完成的。
接下来几年，这一比例预计将从20%增长到60%、甚至70%。这是非常显著的跃升。我们可以探讨自动驾驶近几年的发展轨迹，但更重要的是，AI的影响远不止于此。我们是一家面向消费者的整车品牌，要做到这一点就必须构建强大的服务基础设施，包括大型诊断体系、客户服务团队、数百个服务站点，以及遍布各地的销售与充电网络。美妙的是，这一切的设计都不是对旧体系的改造，而是从零开始就以AI为核心来构建的。我们不需要拆除传统系统再重建，而是以“如果今天重来一次，我们会怎么设计”的思维，从一开始就构想并实现了它。
自动驾驶、AI整合与全栈能力的战略意义
Rishi Dhall：对我们来说，这真的很令人兴奋。说到人工智能，我想聊聊中国市场，那里的电动汽车创新正在以惊人的速度发生。顺便说一句，我看到我的一些中国同事也来到了这次大会，他们带来了大量的新车型、先进的电池技术、AI功能强大，而且价格非常低廉。相比之下，西方几乎没有太多选择，成本高、推进缓慢。你怎么看？为什么中国能跑得这么快？Rivian和其他西方公司又能从中学到什么？
RJ Scaringe：这是个好问题，背后涉及好几个因素。我先从电动化渗透率说起。今天在美国，只有大约8%的新车销售是电动车，换句话说，92%的新车仍然是内燃机驱动的。而在中国，这个数字是45%。这相当于五到六倍的差距。
原因当然很多，我们可以花很长时间探讨因果关系。但我认为其中一个核心问题在于，美国市场的产品选择太少了。如果你看大部分销量集中在5万美元以下的车型，在这个价格带，目前只有一两款真正有吸引力的电动车，其中就包括Tesla的Model 3和Model Y。虽然Tesla产品非常出色。但如果你拿它与传统燃油车市场相比，你会发现那里有数百种不同外形、品牌、价格点、配置组合的选择。而在电动车领域，美国还远远没达到这种丰富度。
为了提升渗透率，我们必须提供更多选择。我们最早推出的是R1系列，就像你在屏幕上看到的，它是一款高端SUV，平均售价接近9万美元，也是目前全球最畅销的高端电动SUV。但这毕竟是一个较小的细分市场，因为大多数消费者不会为一辆车支付超过7万美元。所以我们的下一款产品叫做R2，起售价为4.5万美元。它保留了Rivian的魔力，但体型更紧凑，价格更亲民，我们对它非常兴奋。但如果想真正推动美国市场的电动化，仅靠R2还不够，我们还需要10个、15个甚至20个类似的产品，提供更多样化的选择。
回到你说的中国市场，中国和美国的对比非常鲜明。你在那里能看到非常多样的品牌、款式和技术，投资密度也很大。中国的一个真正独特之处是：他们从第一天起就采取了原生的、从零构建的软件架构。我们在西方常常把“成本”当作中国优势的全部，但这只是表面。我认为，随着制造过程越来越自动化，劳动力成本差异将逐步缩小。最终，真正的竞争将围绕产品功能、系统架构和品牌体验展开。这才是中国真正有意思的地方。
在西方，目前只有两家公司真正从零构建了计算架构：我们Rivian和Tesla。而在中国，很多公司从创立那一刻起就采用了垂直整合的方式，打造自己的软硬件系统。讽刺的是，这个趋势可以追溯到燃油喷射系统出现之前的年代。20世纪60年代以前，汽车完全是机械化的，没有计算机。最早引入汽车的计算设备，是用来控制燃油喷射系统的。从那个时候开始，越来越多的系统开始依赖小型计算机，也就是我们现在说的ECU（电子控制单元）。
比如你有一个电动座椅，它有一个ECU；燃油系统有一个ECU；空调系统也有一个。就这样，这些模块像拼图一样慢慢积累，形成了一个极其复杂的电子系统网络。你最终会拥有一个由一百多个小型计算单元组成的车内网络，它们分别由不同的供应商开发、维护和更新。每一个ECU都运行着属于它自己的软件系统，这些系统可能来自一级、二级，甚至三级供应商。如果你要进行一个系统级别的功能更新，那就是一场协调地狱，极其复杂。而如果你今天从头开始设计一辆“软件定义汽车”，你不会选择这样的结构。你会说：“我需要尽可能少的计算单元，使用中央计算来统一处理。”有些公司的极端方案，甚至是一台主控计算机负责处理所有任务。
在Rivian，我们的方案是使用三个“区域控制器”两个在前部（左前和右前），一个在后部，来大幅减少整车的ECU数量。要实现这个目标，你就必须自己构建计算平台，自己开发底层软件堆栈。你必须取代过去由供应商主导的部分，掌握核心技术。而这正是我们与众不同的地方。在西方，目前我们和Tesla是唯一真正掌握这套架构的公司。而在中国，这样的公司已经不在少数。我常说，如果你想真正发挥人工智能的潜力，不能只满足于在自动驾驶等狭窄功能上做文章。你必须重新思考整车体验，这就要求你拥有完整的技术通道。一个支持通用软件架构的网络系统，以及一个可以在整个平台上持续发布功能更新的能力。而一旦你使用的是一个嵌套在一级、二级供应商体系里的传统系统，这几乎是不可能做到的。
中美电动车差异与西方厂商的落后原因
RJ Scaringe：当你使用的是一个深度嵌套、围绕一级和二级供应商搭建起来的系统时，要进行根本性的转型真的非常难。而我刚才描述的所有内容，正是我们与大众汽车达成这项重大合作的原因。他们将采用我们自研并已部署到自家业务中的整套架构。
Rishi Dhall：很好的解释。那么既然提到了大众和这项交易，我想进一步问一个问题：我们从中国的电动车公司、从Tesla，还有从你们Rivian身上看到，人工智能和电动车正在重塑整个行业。但传统车厂显然还在苦苦挣扎。你认为他们到底没理解什么？为什么他们非得和你们这样公司合作，而不是自己去做？
RJ Scaringe：我认为这个问题非常现实。如果你设想一个传统车厂，可能已经有五十年、六十年，甚至上百年的历史。他们的组织结构和决策流程是围绕一整套传统核心能力建立起来的，而这些能力大多集中在机械层面，比如设计发动机、设计车身等等。可问题是，在今天以及面向未来的汽车行业中，这些技能已经不再是决定性因素了。你擅长设计发动机，这并不意味着你就能设计出一个计算平台，或开发出一整套软件系统。
这些传统企业现在面临的真正挑战是：他们必须从组织结构上彻底重新思考如何变得更像一家软件公司，更像一家电子科技企业。这不是理念上的转变，而是一个非常现实、非常艰难的转型过程。这个过程还被一个现实因素进一步加剧：传统汽车行业有一个极其庞大且根深蒂固的供应体系。这些供应商中，有很多已经在行业内占据多年，并且他们都想保留自己的既得利益。而且更复杂的是，很多小型ECU中运行的软件，其实并不是供应商自己写的。这听起来有点疯狂，但事实就是如此。你可以把它理解为一套层层嵌套的抽象系统：OEM把技术需求交给一级供应商，一级供应商再理解并转交给二级供应商，由二级甚至三级供应商编写具体的软件。最终，你的核心功能是由一个极其复杂、难以协调的多层体系来构建的。
所以，想打破这个系统是非常非常困难的。相比之下，像我们这样从零开始的新公司，拥有一张干净的画布，可以用一种完全不同的方式来构建整个系统。说实话，如果你不是为了造车而从事这项工作，你永远不会像传统汽车行业那样，去从软件和电子角度构建一家公司。而现在的挑战在于，我们不仅要构建那些现代化的技术系统，我们也必须同时承担起传统车企几十年来一直擅长的事比如建立机械系统。我们必须制造大型冲压件、铸造件，要设计和组装车身部件，并确保极高的尺寸精度，同时管理一个极其复杂的供应链。这些事情传统车厂早已驾轻就熟，而我们必须一边建立技术能力，一边补课制造能力。所以现在的局面是：传统车厂还在摸索如何应用新技术，而我们这些技术导向的公司，则在努力学习如何大规模造车。我们希望很快能打通这两端。让Rivian既拥有技术的深度，又拥有生产的广度。
制造与供应链扩张的现实挑战
Rishi Dhall：造车到底有多难？我们经常听到那位著名的CEO睡在生产线上，只为确保产品成功落地。那么，像你们这样的公司，如何避免陷入同样的困境？尤其是在执行技术落地这件事上，很多电动车公司就是被这个“陷阱”困住的。
RJ Scaringe：我认为第一件必须面对的事是，要理智、诚实地承认这件事有多难。过去也许可以轻松一些，但在今天，这种事已经不是一个小公司就能轻易完成的了。现在你不仅要面对两类竞争者：一边是传统车厂，他们正在努力推进电动化，重新构建他们的技术栈；另一边则是Tesla，他们显然已经在这一领域领先多年。再加上国际上，尤其是中国，也有着蓬勃发展的技术生态和电动车社区。所以现在创业，是在面对一个非常激烈且昂贵的竞争环境。这是一个需要数十亿美元投入的行业，必须要有极其强大的团队，目标一致，才能有实现的可能。
就拿我们自身来说，我们在2020年底开始产品发布。2021年初正式交付。第一款车型是你现在屏幕上看到的R1T皮卡，紧接着我们又发布了R1S SUV，再后来则是与Amazon合作开发的商用货车。推出任何一款车都已足够复杂，而我们是在疫情期间同时发布三款产品。这其中最棘手的挑战之一，就是供应链。2022年我们都经历了供应链危机，那一年甚至连石膏板都难以采购。而一辆车包含将近30,000个离散零件，任何一个零件的缺失都可能让整条生产线停摆。哪怕只是一个紧固件不到位，整辆车就造不出来。
大家经常谈到“缺件会让你产量下降，影响收入”，这当然没错。但更麻烦的是，其余98%的零件还是照常到货。于是，我们的仓库就堆满了用不了的零件，因为缺的那2%阻止了整车组装。这个问题在我们产品发布初期就出现了。我常跟别人说，我们的供应链爬坡团队就是在这种“熔炉”中锤炼出来的。从2022年到2023年，他们经历了各种难以想象的挑战。现在我们正在准备推出R2平台的新车型，配套的是一座全新建造的工厂。这个产品的供应链结构与之前非常不同。我们现在作为企业已经更加成熟，也拥有更多的谈判和执行杠杆。
但即便如此，我仍然认为，在规模化这类业务时，最难的部分就是供应链。你得处理成千上万个零件，这些零件来自几百家不同的供应商，必须精准协调。一旦系统开始运转，会逐渐形成内部的惯性和节奏，但在一开始的时候，几乎每天都会出现紧急情况。比如供应商突然来电说：“我们有一台冲压机出问题了。”你立刻开始在脑子里飞快计算：这每小时要造成多少经济损失？这真的很难，完全不轻松。
Rishi Dhall：我们接下来来聊聊我们之间的合作。在NVIDIA，我们相信有“三台计算机”的体系：一台用于训练，也就是GPU；一台用于模拟，比如做工厂的数字孪生、车辆的数字孪生，以及各种环境模拟；第三台是部署在工厂和汽车中的边缘计算单元。如果你真的在做这些事情，那我们就需要密切合作。过去几年里，我们正是在这三个层面上建立起了合作关系。你们在使用我们的GPU进行模型训练，也在探索Omniverse作为数字孪生平台，此外你们的车辆也都搭载了NVIDIA的芯片。所以你们这一路走来，进展如何？能不能谈谈你们是如何将这些技术真正落地的？
AI未来展望：通用智能、机器人与行业转型
RJ Scaringe：你刚才提到的三台计算机架构，都是基于CUDA的，这使得我们的开发环境更高效。我觉得有一件事特别值得强调，那就是过去几年技术发展的速度之快。我们先来谈谈自动驾驶，因为这是最相关的部分。过去十年，自动驾驶的发展主要是基于规则驱动的方法。典型流程是，首先搭建一个感知系统，至少包括摄像头，在我们的案例中还会加上雷达。这些传感器会观测周围环境，把看到的每一个物体不论是汽车、自行车还是摩托车进行识别和分类，然后为每个目标附加向量数据，比如速度和加速度。接着，这些感知信息会被输入到一个规划器中，由它来生成一系列基于规则的决策。之后控制模块根据这些规划结果告诉车辆如何转向、加速或刹车。这就是绝大多数自动驾驶系统的基本架构，包括我们自己第一代车型所采用的系统。
但我们在三年前就预见到了即将发生的变化，那就是端到端学习方法的崛起。这个思路不再强调每个子模块，而是围绕一个数据飞轮来构建整个流程。我们会先使用大量数据训练一个离线的大模型，然后再将其蒸馏成一个可以部署在车载推理平台上的轻量模型。这使得系统整体效率大幅提高。当然，数据仍然是瓶颈。这是一种“数据饥渴”的方法，系统必须依赖整个车队源源不断地产生有价值的数据，才能持续迭代模型。
这一趋势在大语言模型（LLMs）上已经体现得非常明显。而与LLMs不同的是，汽车领域的数据来源并不是互联网上的大规模通用语料，而是我们自己生成的、高噪声的、非结构化的物理世界数据。因此我们需要设计出一整套机制，来精确提取、清洗并训练这些数据。正如你提到的，我们与NVIDIA合作，使用GPU进行离线训练。而在车辆端，我们的第二代平台拥有240 TOPS的处理能力，远高于之前的Orin平台，能在本地完成全部推理任务，实现毫秒级的实时决策。从这个平台开始，我们的路线图也将持续演进，未来的产品会搭载更强大的车载平台。与此同时，我们也会使用更强的GPU来训练参数更大的离线模型。真正特别的是，当我们开始思考如何为物理世界构建“基础模型”时，自动驾驶只是第一个直接落地的场景。这类基础模型未来将在更多现实世界场景中发挥作用。你可以把自动驾驶车辆看作是一种在复杂物理环境中运行的机器人应用。虽然车辆的执行动作本身非常简单加速、减速、转向，这些纵向或横向的控制很基础，但其所处的环境却极度复杂，变化极多。
我们组建了一支非常出色的团队，很高兴能与James和Viia一起合作。他们在Rivian内部做得非常棒，打造出了一些令人惊叹的产品。我们也迫不及待想让这些成果尽快落地。说到机器人技术，Jensen经常提到：制造机器人的最佳企业，可能就是汽车制造商。因为我们已经在造一种机器人，只不过它们是在道路上行驶的。汽车本质上就是另一种类型的机器人。所以我们在关注机器人发展时，会看到各种不同的形态。人形机器人当然是其中一种，因为我们生活的这个世界在很多方面就是按照“人类尺寸”设计的。但尤其在工业场景中，机器人未必要做人形，而是应该根据功能需求来设计。
我们相信，未来的工业机器人将拥有比今天高得多的智能水平，外形和动作也将更加契合工厂的实际需求。比如：机器人能够沿着Z轴延展，以更高的角度去抓取物体；或者配备轮子，以更高速度在不同区域之间移动。我们真的相信机器人技术将在制造业中产生巨大变革。尤其是在应对全球供应链挑战、关税上涨、以及低成本市场竞争时，通过自动化降低人工依赖，将是一种非常强大且具有颠覆性的解决方案。就像自然界的生物演化一样，不同物种进化出适配各自环境的独特形态。人类有人的优势，但像猎豹那样的生物能跑得远比我们快。在机器人世界里，也会出现同样的现象我们将看到大量为不同用例而优化设计的多样化形态。我们确实希望未来能够推出价格在20,000到30,000美元之间的车型。但那不是我们现在的重点。目前我们专注的是R2和R3，就像它们现在的状态一样。
Rishi Dhall：那么，当你谈论这些不同的产品系列时，对你来说，未来五年最重要的事情是什么？是让汽车和工厂全面采用人工智能？是打造更好的电池？还是别的什么？你最想优先实现的目标是什么？
RJ Scaringe：我认为这是一个错误的二元问题。我们需要两者兼顾。我们必须在人工智能方面做到卓越，同时也要在所有价位段实现产品覆盖。我们希望在未来五到十年内，做到100%电气化。这不仅意味着我们自己要推出定价低于45,000美元的产品，还意味着市场上要有足够多选择。我认为消费者需要的不只是一辆Rivian或Tesla。他们还需要其他品牌也能提供真正令人兴奋、技术领先的电动车。只有这样，才能满足全球每年8,000万到9,000万辆新车的市场需求。
Rishi Dhall：我们来看看观众提问。有人问到：你为Rivian构建了SDV架构，也和大众达成了协议。你认为将操作系统和架构授权给其他OEM，是一个可行的商业模式吗？因为现在几乎每家车厂都在尝试构建类似的系统。
RJ Scaringe：这是个非常好的问题。首先，我们当前的重点确实放在大众集团的项目上。当然，我们也看到与其他制造商合作的潜力。这是一个很有意思的思维实验，对我来说甚至像个谜题，我现在也很难给出确定的答案。但有一点我非常坚信：我无法想象，十年后还有汽车公司使用现在这种过时的网络架构。目前很多平台根本无法实现深度的软件更新，也无法与人工智能系统深度集成。你要修改任何核心功能，可能得协调多达75到100个供应商的ECU。这在未来是不可持续的。我无法想象这种体系还能存在十年。但与此同时，我也不知道传统厂商要如何迅速补齐这种“从底层重构”的能力。因为这些技术能力，在他们内部往往并不具备。
那些生产ECU的传统供应商，也面临着典型的商学院式利益冲突。他们靠销售大量小型ECU获利，但如果你用一个统一的大ECU替代这些模块，对他们的营收就是直接的破坏。我们的第一代车辆曾经搭载了17个内部ECU，全是我们自己研发制造的。我们知道，随着时间推移这些模块会逐步整合。即便如此，我们的ECU数量仍比传统车辆少三到四倍。现在我们已经将数量减到了7个ECU，每辆车因此节省了数千美元的成本。如果你从OEM角度看，这是降本增效；但从供应商角度看，这就是业务流失。所以这背后确实存在真实的利益冲突。我不知道这种结构性矛盾最终会如何解决。我们确实认为这条路径具备增长潜力，但它会如何演进，目前还难以预测。
Rishi Dhall：最后一个问题，其实是观众几个问题叠加的。你们在山景城和雷德蒙德都设有SDV实验室，那是你们进行自动驾驶研发的地方。那么你们为大众开发的这套技术授权，是适用于整个集团吗？比如奥迪、保时捷等品牌？还有一个特别有意思的问题：我有个孙子，到2028年就16岁了。到那时候，他能不能开上一辆搭载Rivian技术的车？
RJ Scaringe：在大众合作方面，是的，这项授权是面向整个集团的。包括保时捷、奥迪、大众、斯柯达等等，一整个品牌组合。顺便说个小插曲，我从小就是个狂热的汽车爱好者，尤其喜欢保时捷。当我们宣布这项合作时，我爸特别激动，立马打电话告诉我：“好啦，现在你终于可以理直气壮地买一辆保时捷了，而且里面还有你自己开发的技术。”我当时只说：“是的，爸，没错。”至于你孙子的问题，是的，到2028年，我们肯定会在那里。他应该可以开上一辆搭载Rivian架构的车。
Rishi Dhall：这真是一场精彩的对话，RJ。你不仅让电动皮卡变得很酷，还让人们相信它是终极的冒险之车。非常感谢你今天来到这里，和我们分享这一切。
原视频：�� Rivian CEO Talks EV Future & AI Innovation | Fireside Chat with NVIDIA VP ��
https://www.youtube.com/watch?v=pJAn5TGLgFc
编译：Nicole Wang
请注意，本文编译自文末载明的原始链接，不代表Z Potentials立场。如果您对本文有任何想法或见解，欢迎在评论区留言互动探讨。
Z Potentials将继续提供更多关于人工智能、机器人、全球化等领域的优质内容。我们诚邀对未来充满憧憬的您加入我们的社群，与我们共同分享、学习、成长。
（文：Z Potentials）