2024年6月，元戎啟行CEO周光乘坐測試車經(jīng)過一處紅綠燈，看到了一個不起眼的交通牌——「車輛左轉(zhuǎn)不受燈控」，但測試車依舊停下等待紅燈轉(zhuǎn)綠。

在后方不斷傳來的鳴笛催促聲中，周光意識到：即便是當(dāng)時的端到端模型，也無法充分理解道路環(huán)境與通行條件。而且，許多人類能輕易察覺的潛在風(fēng)險，系統(tǒng)卻無法感知。

同年9月，周光公開表示：“現(xiàn)在的VLM（端到端1.0），就相當(dāng)于一個帶著學(xué)員的教練，通過語言的形式，告訴學(xué)員左轉(zhuǎn)、減速…而VLA，則是換成教練親自開車。”

也是從這時起，元戎啟行將VLA模型提升為公司級研發(fā)項目。并在反復(fù)的測試中，驗證了VLA「讓機(jī)器讀懂物理世界」的神奇能力，認(rèn)定它會是Corner case泥潭中的一條新航道。

到了昨日（8月26日），元戎啟行發(fā)布全新一代輔助駕駛平臺——DeepRoute IO 2.0，該平臺搭載自研的VLA（Vision-Language-Action）模型，融合視覺感知、語義理解與動作決策三大核心能力，對比傳統(tǒng)端到端模型，VLA模型更擅長應(yīng)對復(fù)雜路況，可謂實現(xiàn)了斷代式突破。

如何讓AI懂得「害怕」？

盡管如今的AI技術(shù)路線仍沒有標(biāo)準(zhǔn)答案，但是在包括汽車在內(nèi)的整個具身智能行業(yè)中，VLA已經(jīng)成為了代表技術(shù)能力和落地可行性的關(guān)鍵路徑。

今年，小鵬、理想相繼宣布VLA的量產(chǎn)消息。而元戎啟行也表示，在基于DeepRoute IO 2.0平臺的5個定點合作項目中，首批量產(chǎn)車即將進(jìn)入市場。

據(jù)了解，DeepRoute IO 2.0可以支持激光雷達(dá)與純視覺雙版本，率先適配英偉達(dá)Drive Thor芯片，后續(xù)將拓展至更多平臺。

“在DeepRoute IO 2.0中，我們讓AI學(xué)會了‘害怕’——害怕是生物進(jìn)化出的保護(hù)機(jī)制，AI也應(yīng)當(dāng)具備對風(fēng)險的敬畏之心。”周光表示，防御性駕駛是VLA的核心目標(biāo)。只有讓AI學(xué)會害怕，才是對安全真正的重視。

之所以反復(fù)強(qiáng)調(diào)「防御性駕駛」，是因為他深知CNN或BEV端到端系統(tǒng)的瓶頸所在——看不見等于不存在。

他表示，人類司機(jī)會憑借對空間遮擋關(guān)系的理解，采取謹(jǐn)慎策略通過復(fù)雜場景。例如，當(dāng)看到人車混行的橋洞、無信號燈的路口，或者視線被遮擋嚴(yán)重時，人類是一定會減速的。

這意味著，輔助駕駛系統(tǒng)必須提升對高級語義和空間關(guān)系的理解能力，而上一代端到端無法做到這一點，因為BEV是難以學(xué)習(xí)空間理解的。

“VLA的下限，就已經(jīng)是端到端1.0的上限了”。在發(fā)布會上，他總結(jié)了VLA模型的4大功能：空間語義理解、異形障礙物識別、文字類引導(dǎo)牌理解、記憶語音控車。

比起許多用戶認(rèn)為非常炫酷的「語音交互」功能，周光認(rèn)為VLA主動預(yù)判、規(guī)避風(fēng)險的作用更為重要。

“語音控車功能甚至通過Rule-based就能實現(xiàn)，而VLA架構(gòu)真正的難點，是對場景的高級語義推理，這也是其核心進(jìn)化方向——CoT思維鏈?！?/p>

長時序分析，深層次推理

自去年開始，周光就已指出，VLA的關(guān)鍵特性就是思維鏈：“你需要通過多重信息來決定如何通過復(fù)雜場景，也需要不斷地與其他車輛博弈、交互，這種復(fù)雜度是規(guī)則庫無法應(yīng)對的?！?/p>

他表示，短期記憶依靠視頻幀，長期記憶則借助關(guān)鍵幀與語言描述——正如人類通過文字記錄歷史，語言是對現(xiàn)實的高效壓縮。而VLA就是因為能夠進(jìn)行長時序上下文分析，所以能處理更復(fù)雜的路況，完成更深層次的推理。

“現(xiàn)實駕駛環(huán)境中存在大量文字信息，例如交通標(biāo)志、臨時路牌等。有些是印刷在道路上的靜態(tài)文字，可借助地圖數(shù)據(jù)；但還有很多是臨時設(shè)置，必須通過實時感知和理解才能正確處理。語言理解能力可讓車輛更好地與現(xiàn)實世界交互，為用戶帶來更多便利?！?/p>

例如， VLA模型能通過文本等看懂潮汐車道、公交車道、臨時限行區(qū)域等道路標(biāo)志，并從多重信息中確認(rèn)通行規(guī)則。

基于此，DeepRoute IO 2.0也將擁有更高階的思考能力，能夠理解交通場景中復(fù)雜的交互事件、隱藏的語義信息和邏輯推理。

除了上述功能外，VLA還具備更高的異形障礙物識別水平，并擁有記憶語音控車功能。其中，后者不僅能支持「快一點/慢一點」等基礎(chǔ)指令，還能記憶用戶偏好，實現(xiàn)個性化體驗。

通過實際體驗，我們可以發(fā)現(xiàn)DeepRoute IO 2.0在道路兩側(cè)停滿車輛、存在「鬼探頭」風(fēng)險時，降速緩行；并在經(jīng)過存在盲區(qū)的橋洞時，同樣比較嚴(yán)謹(jǐn)。另外，對于多種載貨兩輪/三輪車輛，系統(tǒng)也能夠較好地識別。

周光認(rèn)為，盡管目前的VLA模型仍處于「幼年期」，但其上限遠(yuǎn)高于端到端方案：“新一代架構(gòu)需要新一代芯片支持，這不是CNN時代可比的?！?/p>

算力枷鎖終將瓦解

目前，「成本」經(jīng)常被認(rèn)為是VLA上車的阻礙之一。而周光卻表示，DeepRoute IO 2.0不僅可面向多種主流乘用車平臺開展定制化部署，可適配的車型更是低至15萬元級別，甚至10萬元級別的車型通過優(yōu)化也有機(jī)會搭載。

“從傳感器方面來看，11個攝像頭正成為主流配置；同時行業(yè)整體都在提升算力，下一代芯片將達(dá)到5000TOPS，甚至10000TOPS級別也不遠(yuǎn)了?！?/p>

他表示，VLA與端到端1.0的主要成本差異在于芯片，其余部分基本一致。而芯片成本取決于制程工藝，目前千T級芯片算力時代已經(jīng)到來，例如特斯拉2500TOPS芯片，雙芯片即可實現(xiàn)5000TOPS。

如今，元戎啟行的量產(chǎn)車輛已接近10萬臺，獲得超過10款車型的定點合作，預(yù)計第四季度的交付量還將進(jìn)一步提升。

交付量的擴(kuò)大，往往意味著要面臨更嚴(yán)格的市場監(jiān)督，任何問題都會被放大。在這一節(jié)點，元戎啟行正式步入「2.0階段」，打通上一代端到端的瓶頸，讓輔助駕駛系統(tǒng)更加可靠，體驗感更強(qiáng)。

周光預(yù)計， Thor+VLA能帶來的直觀效果，是絕大多數(shù)人都會認(rèn)為這樣的系統(tǒng)「是好用的」，城市接管可能達(dá)到百公里起步的水平。

“真正的智能駕駛必須依賴大模型，未來必將全面轉(zhuǎn)向基于GPT架構(gòu)的端到端系統(tǒng)。回顧大模型的發(fā)展，它經(jīng)歷了從通才到專家系統(tǒng)的演進(jìn)：GPT-4屬于‘通才’，如今進(jìn)入強(qiáng)化學(xué)習(xí)階段，模型正變得更專業(yè)、更可靠?！?/p>

他認(rèn)為，雖然技術(shù)發(fā)展沒有標(biāo)準(zhǔn)答案，但實際上每個關(guān)鍵階段都無法跳過：從有圖、無圖、端到端到VLA模型，整個發(fā)展過程必不可少，不可能完全繞過。同時，他也呼吁行業(yè)應(yīng)關(guān)注大模型整體發(fā)展，避免局限在自動駕駛領(lǐng)域。

“技術(shù)發(fā)展需要時間，時間將驗證一切。”