来源 ：北北自律机 25年08月31日星期日 理想超充 13 新增。 超充建成数：3161→3174座 基于2025年底4000+座目标 还剩826座 今年新增数进度值：63.09%→63.66% 今年剩余122天 今年时间进度值：66.58% 需每日 6.77 座，达到年底目标值 【附】13 座新增建成 安徽省 铜陵市 铜陵嘉华缤纷城 为城市4C站，规格：4C × 6 北京市 朝阳区 北京京棉新城东区 为城市5C站，规格：5C × 8 北京市 朝阳区 北京朝阳来广营东路 为城市4C站，规格：4C × 6 广东省 深圳市 深圳西部硅谷 为城市4C站，规格：4C × 6 广东省 深圳市 天明科技大厦 为城市4C站，规格：4C × 8 江苏省 常州 常州孟河嘉宏星光城购物中心北门 为城市5C站，规格：5C × 6 江苏省 南京市 南京世界村酒店 为城市4C站，规格：4C × 6 江苏省 南京市 南京明门大厦 为城市4C站，规格：4C × 6 江苏省 苏州 ———————————————————— 苏州星叶生活广场 为城市4C站，规格：4C × 6 陕西省 西安市 西安未央区明珠家具城南停车场 为城市4C站，规格： ...

李想个人兴趣与产品方向 - 李想个人兴趣明显偏向AI而非汽车硬件产品细节打磨 [1][4] - 李想强烈要求双Orin芯片运行VLA（视觉语言行动模型）并推动技术突破 实现Orin芯片运行VLM（视觉语言模型）和VLA [5] - 理想团队与英伟达合作魔改CUDA底层并重写PTX底层指令 实现Orin芯片运行大模型 [5] 产品开发决策细节 - L9二排电视与冰箱交互逻辑由李想主导提出 理想ONE产品细节几乎全部由李想主导定义 [3] - 焕新L9双腔双阀由产品线负责人老汤哥坚持 李想本人倾向双腔单阀方案 [3] - MEGA Home二排21.4寸LCD屏幕由老汤哥坚持 李想倾向更小画质更好的OLED屏 [3] - MEGA Home座椅旋转方案中 李想主张45度旋转 老汤哥主张90度旋转并坚持二排同时具备旋转与零重力功能 [3] 技术突破与硬件规划 - 理想已实现Orin芯片运行VLM和VLA模型 突破英伟达最初认为不可能的技术限制 [5] - 搭载Thor芯片的车型均可更换理想自研自动驾驶芯片 Orin芯片更换可能性尚未明确 [5] - 技术团队通过重构PTX底层指令（类比汇编语言）和魔改CUDA底层实现芯片算力突破 [5] 产品策略调整 - i8车型后续可能改为单一配置加少量选配 该调整可能由李想主导 [3] - i8砍SKU策略属于减法式产品调整 与硬件增量细节打磨形成对比 [3] 市场与产品价值定位 - 短期3个月内AI产品使用价值难以跨越鸿沟至早期大众 仍处于早期采用者阶段 [1] - 理想产品情绪价值当前在大众层面处于较低水平 [1] - AI模型即产品 好的AI产品等同于好的AI模型 构成长期产品价值根基 [1]

公司产品信息澄清 - 理想汽车否认关于i6售价和销量的报道均为不实信息[1] - 公司表示i6不会采用绝对低价策略 但会确保产品物有所值[1] - 具体产品信息和售价将在发布会期间正式公布[1] 产品开发进展 - 公司正全力以赴推进理想i6产品开发[1] - 产品价值将与价格相匹配[1] - 公司理解市场对产品的期待但呼吁耐心等待官方发布[1] 投资者交流渠道 - 提供微信渠道供深度交流公司实际经营情况与长期基本面[2] - 该交流群专注于业务讨论而非车友社群[2]

来源：北北自律机 25年08月30日星期六 理想超充 5 新增。 超充建成数：3156→3161座 基于2025年底4000+座目标 还剩839座 今年新增数进度值：62.87%→63.09% 今年剩余123天 今年时间进度值：66.30% 需每日 6.82 座，达到年底目标值 【附】5 座新增建成 海南省 三亚市 三亚碧桂园郡领海 为城市4C站，规格：4C × 6 河南省 郑州 加微信，进群深度交流理想实际经营情况与长期基本面。不是车友群。 郑州新郑龙湖大道 为城市4C站，规格：4C × 4 浙江省 温州 温州中润广场 为城市4C站，规格：4C × 4 ———————————————————— 江苏省 南京市 南京夜未央音乐街区 为城市4C站，规格：4C × 8 山西省 太原市 太原长风红星美凯龙 为城市4C站，规格：4C × 4 ...

公司战略与定位 - 公司定位为智能终端企业 强调硬件 软件 模型和服务的一体化整合 反对交付芯片时不配套功能的行为[1] - 自动驾驶技术已进入行业第一梯队 预计明年将进一步提升领先地位[3] - 采用校招体系培养自研人才 通过"相信所以看见"的理念推动技术研发 从落后实现技术突破[3] 技术研发与创新 - 正在匹配自研芯片 强调芯片交付需同步配套更大规模模型和更长思维链功能[1] - 技术研发遵循"预研-技术研究-技术研发-产品化"的完整流程 类比苹果M1芯片的推广策略[2] - 新产品发布时重点宣传智驾功能和"理想同学"系统 虽然部分传统用户难以理解但坚持技术引领[2] 产品设计与市场策略 - 车辆颜值是用户购车的否决性因素 直接影响是否进入候选清单[2] - 产品设计追求"移动的家"理念 注重内外部的"高级松弛感"表现[2] - 宣传策略保持克制 不过度宣传芯片等用户感知度低的技术 专注超越用户需求的核心功能[1]

李想对2027年实现L4自动驾驶的判断依据 - 李想判断自动驾驶主线已明确 即提升AI能力使车达到或超越人类驾驶水平 再解决时延问题即可实现自动驾驶[2] - 李想与马斯克同属"悲观者正确 乐观者成功"框架中的乐观者 马斯克比李想更加乐观[2] - 李想通过电话会议回应自研芯片与2027年L4目标 体现对资本市场的重视[2] 自动驾驶发展的理论基础：压缩即智能 - AI产业核心脉络是"压缩即智能" 即用更短描述长度编码海量杂乱数据[3] - 实现压缩即智能的三条主线：基座模型 扩展定律 涌现能力[3] - 新数据若能用原有方式压缩则属无效数据 无法提升智能 例如牛顿力学解释低速宏观数据[3] - 异常数据催生更复杂压缩 例如水星近日点每100年快43角秒的观测数据推动相对论诞生[4] 自动驾驶实现路径与技术框架 - 自动驾驶充分条件：车实时具备人类驾驶能力（语言/3D空间感知/时间） 解决时延 达到超越人类的安全效率水平[4] - 当前LLM复杂语意理解能力已足够 核心挑战是时延控制[4] - 扩展定律表明模型性能随计算资源 数据量 参数规模呈幂律提升[4] - 理想汽车通过VLA架构以仿真数据强化学习 自研芯片解决本地推理时延问题[5] - 能力提升方向明确 类似GPT-1到3.5的"大力出奇迹"模式[6] 技术演进的不确定性与应对策略 - 2027年L4未必实现 马斯克自2015年起多次预测未果[7] - 未来架构可能超越VLA和Transformer 因Transformer计算量随token数平方增长[7] - 理想汽车核心优势：以提升车理解物理世界为主线 而非单纯处理工程问题[7] - 公司具备快速学习AI前沿能力 例如MindGPT 3.1 ASPO借鉴DeepSeek R1 GRPO选择性学习思想[7][8] - GRPO筛选正确输出作为学习信号 ASPO动态管理训练样本难度（保留预测准确率20%-80%样本）[8][10] - AWE算法降低困难token损失权重 避免梯度干扰[10] - ASPO将学习状态与窗口长度耦合 动态调整训练策略[11] 研发投入与学术合作 - 理想汽车与北京市自然科学基金委员会 顺义区科学技术委员会设立联合基金 年投入几千万元[11] - 通过基金会对接高校教师 获取未公开研究成果 保持技术前沿性[11]

超充网络建设进展 - 公司超充站总数从3152座增至3156座 单日新增4座[1] - 基于2025年底4000座目标 剩余需建设844座[1] - 年度新增进度达62.87% 时间进度为66.03% 建设进度略滞后于时间进度[1] 超充站建设规划 - 需日均建成6.81座超充站方可达成年度目标[1] - 剩余建设周期为124天[1] 新增站点分布与技术规格 - 天津市武清区冀津服务区建成高速4C站 配备4个4C超充桩[1] - 无锡市中邦拉普达建成城市5C站 配备6个5C超充桩[1] - 杭州市万怡酒店与台州市椒江汇丰路分别建成城市4C站 各配备6个4C超充桩[1]

辅助驾驶里程与保有量 - 2025年7-8月成都辅助驾驶里程及AD Max保有量均位列全国第一 [1] - 2025年8月累计辅助驾驶里程达49亿公里 [1] - 系统算力为13 EFLOPS [1] 用户使用数据与性能表现 - VLA用户辅助驾驶每日使用率较端到端+VLM方案提升2.2倍 [1] - VLA用户泊车功能使用率提升2倍 [1] - 首批i8车主单日最长辅助驾驶里程达770公里 [1] - 单次最长辅助驾驶里程达420公里 [1] - 预计2025年MPI（平均单次接管里程数）可达1000公里 包含高速数据 [1] 技术能力与产品特性 - VLA系统具备更强推理能力、规划能力、记忆能力及迭代能力 [1] - 公司认为语言能力是驾驶决策高度压缩的表达方式 实际决策中语言参与度高 [1] 用户反馈与活动 - 资深司机与新司机现场分享对理想辅助驾驶系统的使用体验与未来期望 [1] 产品推送计划 - 8月29日全系车型开放VLA试驾体验 [1] - 9月10日向所有AD Max用户全量推送VLA系统 覆盖22款L系列车型 同步上线语音控车功能 [1]

【附】8 座新增建成 基于2025年底4000+座目标 还剩848座 今年新增数进度值：62.34%→62.69% 今年剩余125天 今年时间进度值：65.75% 需每日 6.78 座，达到年底目标值 北京市 顺义区 北京艾迪公园 为城市5C站，规格：5C × 8 广东省 东莞市 东莞天源电脑城 为城市4C站，规格：4C × 6 河北省 秦皇岛市 秦皇岛金梦海湾希尔顿欢朋酒店 为城市5C站，规格：5C × 8 来源：北北自律机 25年08月28日星期四 理想超充 8 新增。 超充建成数：3144→3152座 四川省 乐山市 理想汽车乐山长青路零售中心 为城市5C站，规格：5C × 8 云南省 昆明市 昆明阳光俊园 为城市4C站，规格：4C × 6 ———————————————————— 加微信，进群深度交流理想实际经营情况与长期基本面。不是车友群。 辽宁省 大连市 大连时代峯汇 为城市4C站，规格：4C × 6 内蒙古自治区 呼和浩特市 呼和浩特祥泰大酒店 为城市4C站，规格：4C × 8 陕西省 西安市 西安汇景国际广场 为城市5C站，规格：5C × 8 ...

混合专家模型(MoE)的核心机制 - MoE本质是稀疏注意力手段 旨在提高计算效率 实现小算力运行大模型的目标[1] - 通过提前选取对数据结果起决定作用的少量参数进行计算 近似实现全部参数计算效果 对最终输出影响极小[2] - 专家分配并非基于场景划分 而是数据驱动下的参数优化过程[1] 传统场景划分方式的局限性 - 固定场景对应专家模型会导致场景限制问题 遇到未见场景时无法处理[1] - 若按场景划分多个小模型分别训练 不符合MoE结构的本质设计[1] - 专人专用方式会造成参数利用率低下 部分专家可能永远无法被激活[2] 专家激活与分配机制 - 工作应均匀分配给每个专家 避免低触发率专家造成的参量浪费[2] - 每次可激活不同数量专家 实现算力动态分配[2] - 更难的问题可分配更多算力 同时提升效率和最终效果[2] 实际应用中的表现特征 - 不同专家可能自然形成特定场景偏好 但这是训练结果而非设计原因[3] - 高速场景可能频繁使用某子模型 超车场景可能使用另一子模型 这是数据驱动的自然分布[3] - 专家特长分化是模型训练的"果"而非主观设计的"因"[3]