晚点对任少卿进行了深度的采访，有几个内容值得关注：
- 在蔚来，他一个人接手了几乎从零起步的二代平台，芯片、传感器没定，软件和工程都未开启，却要在 20 个月内实现量产。最后，他完成任务，并推动建立了三层套数据体系，为蔚来智驾打下底层能力的地基。
- 任少卿认为真正的上限在世界模型，即以视频为核心，通过跨模态的互相预测和重建，让系统学习时空和物理规律，再叠加语言层去交互与注入知识，让机器能像人一样理解环境。
- 可以说，蔚来选了一套最难组合：高算力、多传感器、全新架构（世界模型加强化学习）。
- 所以目前 L（语言）在 VLA 里的最大作用，一个是用互联网数据，一个是做一些链式推理，但更重要的还是未来要做到开放式交互。我们会在后续版本里推出 Open-set（开放集指令交互），今年下半年推一个版本，年底的版本里就会有。
- 我们从 Banyan 3.2.0 版本开始换到了世界模型的架构（今年 5 月蔚来推送了世界模型 NWM 的 OTA 更新）。大家都在讨论的 VLA，我们实际是在世界模型里实现了它，即在世界模型（视频驱动的时空认知模型）里引入语言模态，用来补充数据、推理和交互能力，而不只是做语音助手——这个产品形态我们也是国内第一家推的。
- 年底我们会发布 2.0 的迭代版本。从架构看，我们走得比较靠前。关键在于，怎么把新架构里能挖的果子尽快挖出来。每一代都是曲折上升，有时候要丢掉旧的东西，再重新实现，然后逐步把 60%、80% 的潜力释放出来。
- 现在蔚来的这套体系可以通往 L3、L4 吗？任少卿：可以。
- 那你们下一个版本的目标是什么？
任少卿：今年的目标，是把事故损失降低 50%。
- 友商来挖过你吗？
任少卿：倒没来挖过我，但是会打电话给我们同事说，你看少卿又离职了，你们来不来？
