前天聊了蔚来的NWM之后，有读者提问题：

这个视频生成质量应该到不了网络训练的程度吧？

然后昨天又看了下NIOIN的视频回放。

确实发布会的视频到不了网络训练的标准。

但是这些视频其实并不是用来展现训练能力的，而是展现推理能力。

而我们在开车的时候并不是眼睛看到的所有信息都是有效的，例如绿化带种的什么树不重要，有些广告上的字也不重要。

所以某种程度上这些视频的推理也不重要。

当然这部分模型因为要上车端，更高质量视频生成势必带来更高的算力要求，所以在合理的区间内降低质量也是可以想象的。

这里因为没有看到架构图，根据一些论文和目前的宣传大概能看出来方案如图一。

整体方案就是：

在海量视频中训练生成视频的网络，然后将这个网络迁移到轨迹生成，这些轨迹也可以再次作为条件去生成视频，找到最优解决方案，并且可以用这个轨迹在3D重建中进行验证，从而让网络不断进化。

换句话就是，在视频中学会理解世界，然后将这些信息拿过去学开车。

视频生成不是目的，而是过程。

#汽场全开# #nio in 2024 蔚来创新科技日#