然后就是在二维画面中看出三维的精确距离信息，并精准获得周围空间信息的、大名鼎鼎的 Occupancy“占用网络”模型，它能相对精准地判断出可通行路面，从而不再需要高精地图信息作为感知的辅助，而只需要导航地图作为对方位、目的地的大体了解即可。
这些数据塑造的模型，连同人们使用这些模型后的反馈，都会作为算法模型下一步训练的素材，被放到专用的训练计算机集群里，让算法自己迭代优化。然后，加上针对个别场景的一点点规则、例外，再经过仿真和工程车路试确定安全，就可以推送给用户完成下一次循环了。考虑到理想汽车在道路上的数量，这个循环的速度理论上是很快的。
通过这样的循环，理想就可以啃下一个个关键路段节点。当某个地区的节点都训练到位了，这一地区的城市 NOA 就会开放。为了加快这个进度，理想还推出了针对个人用户的“通勤 NOA”，训练个大概三周左右，用户就能在上下班通勤路线打开城市 NOA。一条条通勤路径，最后汇聚成一个片区，一座城市。
【8 次接管，还能叫好吗？】
当然这些幕后工作，理想汽车的用户是不会看见的——至少不会完全看见。他们能接触到的只是看上去略显传统的智能驾驶可视化界面，如果他们进一步观察，会发现画风和显示的内容与过去略有一些不同。只不过到了城市 NOA 阶段，画面上每一个东西都是 BEV 感知架构看到之后“画”出来的。
这样的数据量对工程师来说还不太够，所以他们又设计了专门的工程模式界面。这个极其炫酷的界面以更精确的形式，显示理想 AD MAX 系统看到了什么、将会做什么。在我看来，这个界面一定要用“极客模式”或其它什么炫酷的名字，加以包装后，留给理想的消费者；它的一键录制、一键上报功能也会很有用。
左侧显示了系统的一些基本信息，比如它用的是导航级 SD Map（区别于HD Map 也就是高精地图），已经实现 BEV 感知架构与占用网络的融合。左下角则是它对世界的基本认识，在城市 NOA 眼中，这个世界是由小汽车、客车、货车、自行车/摩托车、行人和通用障碍物构成的。图中蓝点组成的线是本车行驶轨迹，橙线则是系统预判其它道路使用者未来 5s 的行动路径。