#70 何小鹏：FSD、“在血海游泳”、乱世中的英雄与狗熊

原文讲解：何小鹏如何把大模型、汽车经营与个人转型放到同一场战役里

音频 00:00–00:58 是后段内容预告：造车很苦、公司正在“血海里游泳”、大模型需要数据与费用飞轮，以及他对产品和组织的反思。正式片头约 00:58 开始。机器转写会把小鹏、FSD、Waymo、吴新宙等专名识别错误，以下按节目标题、章节和上下文统一；文中的金额、倍数、销量和时间表都保留为节目时期嘉宾口述或判断。

一、从小米 SU7 发布会开始：三位创始人坐在一起，友谊不是没有竞争

张小珺没有直接从大模型开始，而是先问何小鹏为什么和李想、李斌一起出现在小米 SU7 发布会。何小鹏说，三人当时在百人会坐在一起，雷军邀请他，他当场答应；李想和李斌后来才通过微信回复。这个细节被他用来说明群体决策中的“第一个人”：如果 A 不去，B 可能不去，C 也会犹豫；有人当场说“我去”，其他人就更容易把行动变成现实。

现场座位、雷军会不会因为三个人没来而生气、三人是否讨论竞争，最后都指向同一个问题：汽车行业的商业关系比移动互联网更沉重。一个 App 崩溃，用户可以卸载；一辆车出了问题，背后有安全、售后、品牌、供应链、股价和员工的压力。何小鹏说自己并不喜欢把商业竞争渗透到个人关系里，但在汽车行业很难完全分开。

他对雷军的看法没有因为 SU7 变成简单的崇拜。雷军在汽车领域收获很大值得高兴，但 IP 过度集中也可能给个人带来压力。对何小鹏而言，重要的不是谁在台上更红，而是能否在长期竞争中保留自己的判断。

二、小鹏的原始基因：把汽车看成下一台智能设备

谈到小鹏的智能化路线，何小鹏把起点放在一个很直接的类比：功能手机到智能手机的改变，不只是把电话做得更好，而是改变了交互方式，继而改变了场景。他认为汽车从汽油到纯电，也不仅是能源替换；电能更适合驱动计算、服务器和持续的软件系统，因此更大的电池与电子架构可能成为智能汽车的基础。

小鹏早期的路线包括自动泊车、高速辅助驾驶、语音助手、激光雷达和多城市高精地图。何小鹏强调，小鹏曾在行业里较早把自动驾驶写进广告，把高速辅助驾驶从“长配置表上的功能”变成用户能理解的产品；内部高管起初不相信，试驾后才发现车辆在高速上确实可以自行运行。后来行业里高速辅助驾驶逐步成为中高档车的标配，这让他把“智能化先发”视为公司的重要基因。

这次 AI Day 的 OTA 在他描述中看似只是一次升级，却包含约 1000 个新功能和 5000 个优化；更重要的是，它代表两次结构变化：端到端自动驾驶开始上车，车内智能也开始引入大模型。无高精地图从“全国部分道路能跑”推进到“更多道路都能跑”，再加上从手写规则转向多模态模型训练，意味着小鹏不只是加功能，而是在改写数据流。

三、移动互联网视角带来优势，也带来汽车品牌的盲区

何小鹏把自己的判断来源追溯到 UC 和移动互联网。2007 年 Nokia 仍有全球品牌、技术和客户认知，iPhone 之后短短几年，手机的核心交互和场景就完全改变。他从中学到：当交互方式改变，用户会重新定义设备能做什么。因此他很早就相信汽车最终会自己开，并且会从“座椅朝前、驾驶员掌握方向盘”的形态变成新的空间。

但互联网创业的经验也造成了局限。互联网通常是短链条：数据可以快速迭代，用户可以在线运营，改错的成本相对低；汽车是长链条：一个车型、一个供应链决策或一次产品定位错误，可能要两三年、数千万元乃至数亿元才能修复。何小鹏反思，如果自己拥有更多汽车品牌逻辑，可能会把产品起点放得更高，先做 P7，再逐步下探；而小鹏最初是投资人进入，不是从第一天就作为创始人管理，所以公司早期的定位已经形成。

他还解释了为什么加入小鹏。孩子出生、一个电话和对“人生不能只过得平顺”的思考叠在一起，让他决定做一件更精彩、更辛苦、也更有风险的事。他希望孩子长大后觉得父亲做过一件酷的事情，而不是只在已有互联网成功上继续复制。

四、从 UC 的卖出与低谷，到“自动驾驶能不能卖车”

回顾 UC，何小鹏记得最深的不是融资成功，而是公司差点发不出工资的低谷，以及卖掉公司后担心员工是否开心。他把公司出售比作嫁女儿：重要的不是把女儿嫁出去，而是她到新的家庭后是否过得好。因此 UC 被并入后，团队继续关注收入、文化和员工感受。

自动驾驶能不能卖车，何小鹏的回答比“技术很重要”更具体。他认为两年前消费者可能把智能驾驶排在很后面，但在小鹏用户中已经接近前三；20 万元以上车型的智能化需求更靠前，20 万元以下则因为硬件和软件成本仍然不足而靠后。他给出一个目标：未来 18 个月把自动驾驶能力提高 30 倍，不是提高 30%；如果用户每周只需在上下车之外抓两三次方向盘，且觉得安全，就会形成使用惯性。

这段话的逻辑是：智能化没有成为所有车型的前三需求，并不一定是需求不存在，也可能是体验不够好、覆盖不够广、成本不够低。只要把高频体验做成刚需，再把高成本压到中低成本，排序就会变化。

五、ChatGPT 之后：何小鹏先读论文，再问“怎么落到车里”

2022 年 11 月 ChatGPT 出现后，何小鹏没有先问“我们能不能宣传大模型”，而是让团队从基础论文一路追溯 Transformer 等架构的演化，自己去美国多次体验和交流，还拜访黄仁勋。他的直觉是，大模型不像 VR、AR 或早期加密资产那样只是“可能还没到”，而是一种很快会改变产品的技术；但他也最担心一件事：软件从研究到规模部署可能很快，安全硬件从研究到量产却要经过工艺、设备、工厂、订单、可靠性和维护。

他区分了语言大模型与自动驾驶模型。语言模型可以说错一句话，用户纠正或忽略即可；车的模型必须在毫秒级响应，除了感知，还要同时处理定位、预测、规划、执行和控制。因此自动驾驶大模型不能只靠“生成”，还需要一个守门员、控制器和刹车系统，把模型的灵活性限制在安全边界内。

何小鹏认为，把通用模型直接放进车里是误解。真正的工程路径是：理解论文和模型逻辑，重写汽车原有的数据流，增加数据采集和预训练，建设大规模仿真，反复测试模型输出，再由安全控制和旧系统弥补早期缺陷。最开始训练出来的模型几乎不能用，因为数据量不够、场景覆盖不足；随后模型、数据、训练、仿真和车辆数量共同扩大，才可能在某个阶段突然超过手写规则能覆盖的上限。

他还讲了一个工程规模的困难：规则法可以覆盖明确写出来的有限场景，但大模型需要让大量真实场景进入训练；当场景数量扩大到几十万、几百万甚至更多，非量产公司很难拥有足够车辆和数据。他提到小鹏节目时期训练费用已达数亿美元级别，这个数字属于嘉宾对公司投入的口述，真正关键的是“数据、仿真和训练体系必须一起升级”，而不是单纯买更多卡。

六、中国需要两类公司：基础模型公司与把模型接进工程的公司

何小鹏并不认为每一家应用公司都需要训练 GPT-4 或 GPT-5。他举了装修设计的例子：如果一家应用公司能读取全球大量设计图，理解客户偏好并根据输入自动生成设计方案，它可能只需要一个可控、稳定的中等模型，而不是最先进的通用模型。真正难的是衔接：数据如何快速流动，谁判断设计好不好，仿真如何测试，模型如何在特定国家和用户群里可靠工作。

因此，中国需要做基础模型的公司，也需要能读懂模型、把它放进具体工程和行业的公司。基础模型的能力可以被不同应用复用，但应用公司不能把“基础模型很强”当成自己的交付能力。何小鹏把这件事类比为：大模型像一座房子的图纸与工具，工程落地还需要现场、材料、标准、验收和维修。

他也把这套逻辑延伸到人形机器人。机器人面对的环境和动作组合更无穷，手、眼、身体和语言必须协同，靠程序员把规则一条条写完几乎不可能；但机器人要接受 AI 控制，也需要清洗错误、定义安全和持续训练。汽车和机器人可能共享一部分大模型底层逻辑，却不能因为“同一个模型”就自动共享可靠性。

七、黄仁勋与吴新宙：长期主义不是口号，而是组织设计

何小鹏谈黄仁勋时，关注的不只是英伟达抓住 AI 的判断，更是他的管理方式：长期与员工沟通，很多员工在公司工作十几年，给团队相对宽松的环境和持续愿景。何小鹏认为，长周期技术需要一群真正相信它的人，而中国许多公司更习惯快速投入、快速开花、快速结果，难以给科研足够耐心。

吴新宙离开小鹏去英伟达，对他既痛又开心。痛是熟悉的高管离开，开心是公司不能把所有能力绑定在一个人身上。何小鹏把这件事看成组织成熟的测试：如果一位高管离开，公司就失去方向，说明系统没有完成能力沉淀；好的公司最终要能让团队在个人离开后继续做得更好。

这也是他开始增加全员沟通、小范围沟通的原因。过去他倾向于开一次大会宣布决定，后来发现长周期变革需要反复解释战略、让不直接汇报的人理解为什么这样做，也让一线问题反过来影响决策。管理的重点从“我做决定”变成“组织能否共享判断框架”。

八、华为进入第一梯队：小鹏不想只做供应商，但合作必须少而深

面对华为在智能驾驶上的竞争，何小鹏并不回避冲击。他长期把华为视为强大的中国公司和竞争对手，认为竞争可以迫使小鹏学习更好的能力。有人建议小鹏干脆停止卖车，只向其他车企提供智能化，像华为一样做“博士”；他的回答是，小鹏会向少数合作伙伴输出部分能力，但不会向很多车企同时输出。

原因很现实：2B 是一条很难的路。它稳定后可能舒服，但要满足不同车企的产品、组织、节奏和责任边界，长期交付并不简单。大众是全球车企，硬件、制造和全球化强；滴滴有出行和运营能力；小鹏选择它们是因为可以互相学习，而不是因为自己已经能把所有环节单独完成。

九、智能化护城河：大 AI 会形成数据、费用、销量与供应链的网络效应

何小鹏不同意“只要有钱，每家车企都能补上智能化”的说法。他把今天的“大 AI”和过去的“小 AI”区分开：大 AI 对技术能力、数据量、训练费用、车辆规模和组织执行要求更高，成功概率也更低。小鹏在节目时期称每年在 AI 上投入约数十亿元，包含训练和运营；即使数字需要外部核对，也能说明他所描述的是资本密集型系统。

他给出一个循环：能力越强，能收集的数据越多；数据越多，训练费用越高；费用越高，就需要卖更多车来支撑；卖得越多，又会带来更多数据和供应链规模。这个循环不是一条轻松的飞轮，因为供应商如果只卖一次软件，无法承担持续训练；未来合作可能必须绑定更长时间和更大的投入。

因此“买更多算力”只是底层条件。真正的壁垒还包括数据从哪里来、数据能否合法共享、模型能否在车上实时运行、硬件能否量产、不同国家政策是否允许、用户是否愿意高频使用。何小鹏甚至估计，要复制 Tesla FSD 需要数百亿元、超级强的人、足够多车辆和很长时间，成功概率仍然不高；这些是他的投资式判断，不是精确预算。

十、造车为什么像在血海游泳：长链条让每一次错误都变贵

何小鹏形容造车是“在血海里游泳”，不是为了制造悲情，而是因为汽车同时有世界级竞争者、长链条、强供应链和高失败成本。UC 时代的竞争对手有限，互联网产品可以快速上线和修复；汽车一个车型做错，二三年、数亿元和大量员工努力可能一起沉没。

他又把造车的长期价值讲得很高：如果无人驾驶普及，酒驾会显著减少，老人和孩子出行会更方便，交通事故死亡可能大幅下降。节目中提到全球每年约七十万交通事故死亡、酒驾在中国刑事犯罪中占比很高等数字，都是为了说明产品经理为什么愿意承受痛苦；这些数字需要回到独立统计资料核验，不能当作访谈本身已经证明的事实。

何小鹏的态度因此不是“造车太苦所以放弃”，而是“它很苦，但改变生活方式的强度也更大”。如果一个产品能改变人们出行、工作和城市空间的基本方式，技术人员和产品经理会觉得这种长期投入值得。

十一、G9 与组织调整：从一脚油门一脚刹车到“行稳致远”

谈到低谷，他没有把 G9 的问题归结为一个配置或一个高管，而是承认小鹏过去有“一脚油门、一脚刹车”的节奏：销量好时猛招人、猛上项目，遇到挑战时又迅速收缩，员工和组织被反复拉扯。他举例，公司曾在一年多时间里从几千人扩到一万人左右；招聘本身不难，难的是组织无法吸收这么多新成员，流程、共识和管理能力跟不上。

G9 之后，他更强调“车是一个木桶”。车的竞争不是单项冠军，而是产品规划、供应链、销售、服务、成本、智能化和组织管理的短板共同决定上限。高管并不是简单地“好或坏”：有人擅长从 0 到 1，有人擅长从 1 到 10，也有人擅长把 10 做到 100。小鹏从创业期进入规模化阶段，必须换方法，而不是否定过去所有人。

他把 G9 视为一种幸运：如果销量只是少一点，团队可能会觉得方向没错、只是做得不够好；多个错误同时出现，反而迫使公司重新审视自己的假设。真正困难的是让一万多人的共识一起改变，这比创始人个人承认错误难得多。

十二、乱世与结盟：MONA M03 不是单车，而是成本和能力的组合

何小鹏把车企结盟比作春秋到战国的合纵连横：行业不会像互联网那样只剩一家，但会从上百家逐步变成少数几家主力和若干有特色的公司。大众和滴滴分别提供全球制造与出行运营能力，小鹏希望通过合作补足自己的长板，而不是把所有事情都独立做完。

MONA M03 的意义在于把高等级智能驾驶和更低价格带连接起来。何小鹏认为，过去中国车企的激烈竞争主要在 20 万到 50 万元区间，20 万元以内很少有企业能同时把设计、智能化、成本和利润做好。MONA 作为 15 万级车型，依靠几年以前就开始的产品规划、供应链降本、经营能力和技术节奏，试图证明“便宜不必等于低质量”。

他把车企发布新车型说成“出牌”，每一张牌都来自几年前的布局。MONA 不是突然产生的机会，而是当自动驾驶成本下降、组织能力提高、供应链可以把 BOM 限住时，才有可能把这张牌打出来。销量之外，真正要观察的是它能否带来高频智能化使用、可持续毛利和下一代研发资金。

十三、组织从民主走向更集中：变革期需要快决策，也需要可修正

何小鹏承认，外界说他从民主走向相对集中，有一定道理。变革期需要快速决策、快速执行、快速优化；这不等于永远由一个人独断，而是决定之后仍要快速暴露问题、继续修正。他把公司当下的关注点概括成“2+3”：两个大问题是战略规划、组织管理；三个配套问题是全公司的经营思维、端到端客户体验和全局思考。

他认为汽车行业尤其需要全局思考，因为链条长、时间长、犯错成本高。互联网一个功能做错，可以晚上重写；汽车一个决策做错，可能让三千万元、十二个月甚至一个车型一起付之东流。集中决策如果没有反馈机制会变成僵化，分散决策如果没有共同框架会变成局部最优；因此他真正想建立的不是“更强的 CEO”，而是更快、能复盘、能把短板补上的组织。

在访谈结尾，他把自己描述为处在“经历逆风、自我变革、积蓄能力，进入顺风前夜”的阶段。他不愿提前公布所有未来产品，因为汽车很容易从透露的信息推断战略；对创始人来说，少说多做有时是保护组织节奏。

十四、试驾 FSD 和 Waymo 后的判断：AI 的“加速度”正在改变追赶方式

节目最后进入专门的实测分享。何小鹏两周去了九个城市，开会、看制造、学习 AI，也在美国体验 Tesla FSD 和 Waymo。他过去觉得 Waymo 在体验上领先 Tesla 很多；这次更强烈感受到的，是 Tesla 的进步速度变快了。Waymo 仍然更丝滑、更稳定，但 Tesla 在成本、算力、数据量和覆盖范围上明显更强，局部体验差距从过去的数量级缩小到他主观估计的约三倍。

他把这种变化叫“加速度”。中国过去擅长靠规模、资金、人数和效率追赶，但在 AI 创业里，单纯增加面积或体积可能不够；模型、数据和工程方法的高度会让技术差距加速拉开。他认为中国未来十年的 AI 变化可能比云计算、互联网早期的线性时间表更猛烈，不能再用过去的经验按年均增长去外推。

这不是对 Tesla 的无条件看好。何小鹏明确说，Tesla FSD 如果进入中国，必须适应中国法规、在中国训练和测试，因为美国到处有 Stop sign，中国道路场景不同。FSD 的覆盖和速度很强，Waymo 的局部体验更顺，两者的比较仍取决于车辆硬件、责任和使用范围。

十五、大模型没有消除自动驾驶壁垒：它只是把壁垒向上移动

面对“有了开源模型、算力和硬件，是不是有钱就能复制 FSD”的问题，何小鹏把自动驾驶拆成多层：最底层是 BOM 和硬件，再上面是算力，再上面是模型和 AI OS，再上面是数据，再上面是全球化与政策，最后才是用户体验。语言模型通常容忍低可靠性和较慢响应，汽车需要实时、稳定、可维护、可量产，这意味着不能拿普通大模型直接运行车辆。

他还认为，未来 AI 公司不能永远只做软件。过去服务器、电脑、手机的硬件接口相对标准，软件公司可以与硬件分工；但当 AI 需要实时感知、执行和安全控制，硬件会越来越成为系统的一部分。L4 Robotaxi 还要有云端管理体系、远程接管和车体改造，不能只按“每辆车三万美元、每天二十单、每单七十五美元”的简单算术推回本期。短期真正落地的障碍在于硬件、异常管理、运营成本和规模。

他预期消费者先看到的不是突然出现的无人出租车，而是更低成本、更大范围、更稳定的辅助驾驶。头部公司如果使用大模型后每年能取得更大进步，采用旧规则逻辑的公司可能被拉开越来越大的差距。最终，自动驾驶软件与汽车硬件像山的两面：无论从哪面上去，大型 AI 公司都必须同时拥有模型、产品、车辆和交付能力。

最后问到在血海里游泳有没有绝望，何小鹏回答，创始人必须给自己想象方向和光明，即使在水里看不见终点，也要带着一群人向那个方向游。节目因此没有以“谁赢”收尾，而是以一种组织纪律结束：承认痛苦，保留想象，继续补短板。

以上是原文讲解。下面才进入本文自己的结构化抽象、证据审计与独立判断。

核心判断：大模型给汽车带来的不是一个功能，而是一套新的经营约束

何小鹏的核心论点可以压缩成一句话：大模型会把自动驾驶从规则堆积推向数据和训练，但它同时会把公司推入更高的资本、硬件、组织和供应链门槛。越强的模型需要越多数据，越多数据需要越多训练费用，越多费用需要更大销量和更稳定的经营；如果公司只看到模型效果而看不到这条经营链，所谓 AI 升级可能只是新增烧钱。

问题背景：为什么汽车 AI 不能照搬语言大模型的成功叙事

语言模型可以通过 API 快速触达用户，错误回答通常还能被人类忽略或纠正；汽车模型必须在实时环境中做连续动作，错误会转化成安全责任。汽车还要把硬件、软件、供应链、法规、售后和用户信任同时拉起来，软件模型的提升不能直接替代量产和运营。

因此“大模型改变自动驾驶”至少有三种不同含义：模型架构改变感知和规划；数据与仿真体系改变迭代速度；公司经营方式改变车辆规模和成本。只谈第一种，读者就会误以为一套模型可以自动变成一辆可以卖的车。

机制拆解：汽车 AI 的六层壁垒与一条经营飞轮

按照何小鹏的层次，自动驾驶不是“算力够不够”的单项竞争，而是：BOM/硬件 → 算力 → 模型/AI OS → 数据 → 全球政策与部署 → 用户体验。这六层必须同时满足，任何一层不稳定，最终体验都可能失效。

这六层组成的飞轮是：更强体验 → 更高使用频率与销量 → 更多真实数据 → 更大训练投入 → 更强体验。但它也可能反过来成为负循环：体验不足导致销量不足，销量不足导致数据和现金流不足，训练被迫收缩，竞争差距继续扩大。

关键证据与口径审计

这期包含大量企业内部数据和预测。它们最适合用来理解何小鹏如何做判断，而不是直接拿来当作公开统计。

术语解释

边界与风险：这期节目没有证明什么

何小鹏的企业家叙事也有天然视角：创始人会把公司低谷解释成组织学习，把未来解释成能力兑现。理解他的判断需要同时保留两面：这些经验很适合提出问题，但不替代财务、产品和安全数据。

独立判断：大模型真正重构的，是汽车公司的“单位学习成本”

我认为这期最值得向前推进的概念不是“AI 会不会让自动驾驶更强”，而是“每一次学习要付出多少成本”。规则系统的成本主要是工程师把规则写出来；大模型系统的成本变成采集场景、清洗数据、训练、仿真、验证、量产和持续服务。模型越强，能处理的场景越多，但每个新增场景都可能要求更大的数据和计算闭环。

这会让车企的竞争从一次性产品竞争变成持续学习竞争。谁能让车辆更高频地被使用，谁就有更多数据；谁能把数据转成可靠体验，谁就更容易卖车；谁卖得更多，谁更能承担训练费用。相反，只有一次性购买硬件、没有持续训练能力的供应商，可能很难独立承担下一代汽车 AI 的完整责任。

何小鹏自己的组织反思也和这条判断相连。G9 之后的“稳”不是放慢一切，而是让战略、组织、客户体验和经营思维可以同步；从 0 到 1 的英雄叙事必须进入 1 到 10 的流程化、10 到 100 的规模化。汽车 AI 的真正终局，不是某个创始人能不能讲出未来，而是组织能不能在血海里持续学习，还不被下一次错误淹没。

证据边界与资料索引

本文以节目完整音频为主要材料，按正式片头约 00:58 之后和官方章节重建问答；开头预告单独标注。小鹏的投入、训练费用、员工人数、自动驾驶倍数目标、交通事故数字、Tesla/Waymo 试驾比较、2025 年预测以及未来市场排名，均保留为何小鹏在节目时期的口述、估算或判断，除非另有说明，不视为独立审计后的事实。专名按公开节目标题和上下文校正，不把自动转写错误当作原文引语。

• 张小珺商业访谈录 #70：和何小鹏聊 FSD、“在血海游泳”、乱世中的英雄与狗熊
• 小宇宙节目页：#70 和何小鹏聊 FSD 与大模型
• 系列关联节目：#74 Waymo 和它的对手们
• 系列关联节目：#71 和楼天城聊 Robotaxi
• 系列关联节目：#72 孟醒谈 Tesla Robotaxi