元戎啟行研發(fā)VLA模型，在智能駕駛無人區(qū)開啟“瘋狂冒險”。從概念到落地，他們用堅持詮釋技術(shù)信仰，讓智能駕駛從“執(zhí)行”邁向“思考”。

①破局：從路牌困惑到“讀懂”世界

2024年6月的一個炎熱下午，周光乘坐測試車經(jīng)過公司附近的一處紅綠燈，一個不起眼的交通牌提示"車輛左轉(zhuǎn)不受燈控"，測試車依舊停下等待紅燈變綠。那一刻，他盯著后視鏡里不斷鳴笛的車輛，意識到：人類司機能瞬間理解這類特殊場景，但即便是當(dāng)時最接近人類駕駛能力的端到端模型，也因無法理解文字路牌未能通過。這個問題在他心里種下了一顆種子，后續(xù)的內(nèi)部會議上，他與研發(fā)團(tuán)隊幾次提起這個問題。

與此同時，元戎啟行正在探索通用人工智能的多元路徑。RoadAGI實驗室里誕生了VLA原型，它具備環(huán)境語義理解能力，能完成取放物品、避障行走等簡單任務(wù)。在一次Demo演示中，周光發(fā)現(xiàn)這個能根據(jù)環(huán)境信息和語言指令自主決策動作的模型，與需要解讀復(fù)雜路況的智能駕駛模型有著驚人的相似性，不同的是它能夠理解語義信息。這給了他很大啟發(fā)，仿佛密碼鎖最后齒軌的咬合，思路迷宮轟然中開。隨著ChatGPT等大語言模型爆發(fā)，周光與團(tuán)隊更加確定：當(dāng)現(xiàn)階段端到端模型陷入corner case泥潭時，融合語言理解的VLA或許能開辟新航道——這不是簡單的技術(shù)疊加，而是讓機器真正開始“讀懂”物理世界。

2024年9月，元戎啟行將VLA模型提升為公司級研發(fā)項目。

在技術(shù)發(fā)展的浪潮中，時間往往至關(guān)重要，這是一場早于行業(yè)的“技術(shù)豪賭”。引領(lǐng)者從不等“風(fēng)口”，而是提前看見風(fēng)的方向。

元戎啟行作為一家人工智能企業(yè)，始終相信AI技術(shù)將重塑生產(chǎn)力關(guān)系，引領(lǐng)第四次工業(yè)革命的到來。在眾多AI衍生應(yīng)用中，元戎啟行選擇智能駕駛作為突破口，因為它能打破數(shù)字與物理世界的壁壘。隨著輔助駕駛技術(shù)大規(guī)模上車應(yīng)用，元戎啟行打造的基座模型將借助駕駛行為與物理世界深度交互，進(jìn)而洞悉其運作規(guī)律。無論是“無圖”方案、端到端模型，還是VLA模型，元戎啟行始終圍繞AI技術(shù)解決問題。

但最難的從來不是技術(shù)本身，而是在無人區(qū)找到那條對的路。VLA模型的出現(xiàn)，讓智能駕駛從“執(zhí)行者”邁向了“思考者”——它開始理解“為什么這樣開”，而不僅僅是“怎么開”。

這是VLA模型的優(yōu)勢，也是研發(fā)之路的開始。

②攻堅：在荊棘中定義“安全”邊界

當(dāng)決定了新的技術(shù)方向，大家都興奮不已，希望作為行業(yè)技術(shù)引領(lǐng)者，率先研發(fā)出更好用的智能駕駛方案。但當(dāng)著手開始做，才發(fā)現(xiàn)了重重困難。

一方面，VLA在智能駕駛領(lǐng)域研究應(yīng)用少，可參考的專業(yè)知識匱乏，研發(fā)人員需大量閱讀資料后逐步摸索；另一方面，公司面臨客戶量產(chǎn)壓力，主線資源傾向量產(chǎn)項目，且新技術(shù)效果有不確定性，VLA研發(fā)只能保守推進(jìn)，進(jìn)度緩慢。

"最開始，我們都被VLA的'語言天賦'迷住了。"產(chǎn)品經(jīng)理石杰回憶道。VLA模型具備強大的文字理解及OCR識別能力，團(tuán)隊投入大量精力攻克潮汐車道、可變車道、待轉(zhuǎn)區(qū)等文字理解場景。當(dāng)測試車順利通過當(dāng)初困擾大家的“車輛左轉(zhuǎn)不受燈控”指示牌，并給出文字解釋其駕駛決策過程時，車上的人非常激動，這解決了現(xiàn)階段端到端系統(tǒng)的“黑盒”問題，通過思維鏈（CoT）實現(xiàn)透明化推理，極大增強用戶的信任度。同時，VLA模型在互聯(lián)網(wǎng)學(xué)習(xí)海量知識，能夠處理很多corner cases，例如識別超載小貨車、路面上的輪胎等等；還可以通過語音交互控車，實時對話駕馭車輛。

然而，一次測試中的驚險一幕，讓所有人對VLA的期待有所轉(zhuǎn)變。一天，測試車在橋洞正要左轉(zhuǎn)，目之所及沒有任何車輛，測試車勻速前進(jìn)，突然竄出一個外賣騎手迫使車輛緊急重剎，車上的人都嚇了一跳。大家反思如果是老司機開車，一定會在橋洞盲區(qū)提前減速避免風(fēng)險。這點醒了所有人，安全才是輔助駕駛的生命線，用戶需要的是一個真正安全的輔助駕駛系統(tǒng)，能夠主動預(yù)判和規(guī)避風(fēng)險，這比“語音交互”更為重要。對整個場景的高級語義推理是目前端到端系統(tǒng)缺乏的，卻是VLA更擅長的，這一刻，“防御性駕駛”成為VLA模型的核心進(jìn)化方向。

技術(shù)可以不斷突破極限，但安全永遠(yuǎn)是我們的底線。在安全、效率和舒適中，我們努力找到一種平衡，讓輔助駕駛成為用戶日常愛用的出行方式。

研發(fā)之路也充滿技術(shù)攻堅，VLA模型研發(fā)人員肖毅正在摸索。VLA模型的研發(fā)要經(jīng)歷架構(gòu)設(shè)計、數(shù)據(jù)探索和規(guī)模化、模型驗證、部署上車、持續(xù)迭代等流程。在架構(gòu)設(shè)計時，起初肖毅計劃云端推理，將大語言模型部署云端，數(shù)據(jù)回傳至車端控車，但實車上路云端到車端的時延太大，例如車速60km/h，假設(shè)時延需要2s，在拿到云端結(jié)果時，車已經(jīng)向前跑了33米，在這期間實際路況已經(jīng)發(fā)生變化，對于需要及時響應(yīng)的場景，行駛安全將受到極大威脅。一個月后，研發(fā)團(tuán)隊放棄了云端推理，改為本地部署模型。

對車端有限的算力來說，模型車端部署給模型設(shè)計、模型加速以及部署優(yōu)化都帶來了全新挑戰(zhàn)。研發(fā)團(tuán)隊壓縮了詞表，對模型做了剪枝（pruning）和加速，同時元戎啟行強大的推理引擎團(tuán)隊對VLA模型做了大量的算子優(yōu)化、顯存優(yōu)化、硬件新特性適配等，最終使得VLA在車端順暢地跑起來。

當(dāng)然，還有另一個更大的挑戰(zhàn)。數(shù)據(jù)是一切AI模型的基礎(chǔ)，大規(guī)模的高質(zhì)量數(shù)據(jù)對VLA模型來說是重中之重，靠人工標(biāo)注，效率極低。后來肖毅采用迭代大模型自動給數(shù)據(jù)打標(biāo)簽的方式，解決了數(shù)據(jù)規(guī)模標(biāo)注難題，目前元戎啟行也達(dá)到了千萬級Clips的數(shù)據(jù)規(guī)模。

"現(xiàn)在行業(yè)都在追逐大模型，但真正稀缺的是對駕駛本質(zhì)的理解。"周光常對團(tuán)隊強調(diào)。當(dāng)行業(yè)忙著給系統(tǒng)加載更多語料庫時，元戎啟行的VLA正在深度學(xué)習(xí)"如何在不完美的人類駕駛環(huán)境中做出最安全決策"——這才是AI司機的靈魂。

③領(lǐng)航：駛向更安心的AI時代

今年，將有超5款搭載元戎啟行VLA模型的車量產(chǎn)，首款車8月即將上路。

“對于VLA，我期待可以應(yīng)用到Robotaxi上，成為真正的AI司機，讓用戶在安靜環(huán)境中與它直接溝通。它不僅能響應(yīng)指令，還能主動守護(hù)安全?！敝芄庹f到。隨著VLA模型的迭代與應(yīng)用，我們期待它不僅能成為用戶的“AI司機”，更能推動整個行業(yè)向更安全、更透明的智能駕駛時代邁進(jìn)。讓每一次出行，都更安心、更自在。

VLA的研發(fā)，是元戎啟行技術(shù)信仰的縮影。不做追隨者，只做定義者，這條路很難，但值得。

穿行于行業(yè)發(fā)展的驚濤駭浪，元戎啟行深知VLA不過是航程中的臨時錨點，唯以技術(shù)研發(fā)為壓艙石，才能于風(fēng)浪中穩(wěn)馭船身，航向人類智慧深處。未來，元戎啟行將不局限于汽車載體，致力于訓(xùn)練更先進(jìn)的AI模型賦能多種智能體，實現(xiàn)任意點到點的移動能力，先達(dá)成RoadAGI（道路通用人工智能），最終邁向通用人工智能，點燃人類生產(chǎn)力的質(zhì)變奇點。