撰文/濮振宇

目前，行業(yè)內(nèi)逐漸興起VLA研發(fā)熱潮，小鵬汽車、理想汽車都在進行相關(guān)布局。

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。

如今，從理想、小鵬等整車企業(yè)，到元戎啟行等智駕供應(yīng)商，越來越多企業(yè)開始布局VLA模型。VLA與現(xiàn)有的端到端架構(gòu)的區(qū)別在哪里？它能給企業(yè)和用戶帶來什么？

讓AI學(xué)會“害怕”

區(qū)別于端到端架構(gòu)的模仿學(xué)習(xí)，VLA大模型的優(yōu)勢是通過強化學(xué)習(xí)不斷進化，讓機器嘗試理解“為什么這樣做”。

元戎啟行對VLA模型的投入，源于元戎啟行CEO周光對技術(shù)趨勢的判斷。

2023年底，GPT-4發(fā)布后展現(xiàn)出的多模態(tài)理解和邏輯推理能力，讓周光看到了一條通往更高階智能駕駛的路徑，他認為“強AI時代”可能提前到來。

“它打破了我們對AI發(fā)展進程的認知——原來從弱AI到強AI可能只需要幾年，而非過去認為的50年……如果我們不轉(zhuǎn)型為大模型驅(qū)動的公司，未來很可能面臨降維打擊。”周光在接受經(jīng)濟觀察報等媒體采訪時說。

真正促使元戎啟行堅定轉(zhuǎn)向VLA的，是一個發(fā)生在2024年6月的具體場景。在深圳福田保稅區(qū)入口，突然立起一塊“車輛左轉(zhuǎn)不受燈控”的指示牌。當(dāng)時元戎啟行的測試車在紅燈前停下，卻因無法理解牌面文字而被后車鳴笛催促。

“這類場景無法通過傳統(tǒng)端到端學(xué)習(xí)解決，必須依靠對文字的理解。即便通過地圖打標(biāo)簽也需要至少一周，而大模型則可以實時處理?！敝芄庹f。這件事讓他意識到，基于CNN的端到端系統(tǒng)已經(jīng)觸及天花板，必須構(gòu)建具備語義理解能力的新架構(gòu)。

除了場景難題，量產(chǎn)規(guī)模也是促使端到端轉(zhuǎn)型的一個重要的刺激因素。官方數(shù)據(jù)顯示，元戎啟行已獲得超過10款車型的定點合作，并實現(xiàn)近10萬輛具備城市領(lǐng)航輔助系統(tǒng)的量產(chǎn)車型交付，涵蓋SUV、MPV、越野車等多個車型。

規(guī)模擴大帶來了新挑戰(zhàn)。周光坦言，當(dāng)交付量達到10萬輛級別后，任何問題都會被放大?！霸缙谇_、萬臺的階段發(fā)生問題的概率較低，但規(guī)模擴大后，我們面臨更嚴格的市場監(jiān)督?！彼f。

市場上出現(xiàn)了更多嚴苛的評測，消費者對輔助駕駛安全的要求越來越高?！半m然目前我們的評測表現(xiàn)仍處于頭部，但我認為輔助駕駛還可以做得更好，仍有優(yōu)化空間?！敝芄庹f。這種焦慮感刺激元戎啟行加速技術(shù)迭代，第一代端到端系統(tǒng)正逐漸觸及性能瓶頸，VLA被視為打破瓶頸的關(guān)鍵。

此前，理想汽車自動駕駛研發(fā)高級副總裁郎咸朋預(yù)測，未來VLA能將事故里程（MPA）提升至人類駕駛的10倍，做到600萬公里才出一次事故（當(dāng)前理想輔助駕駛為350—400萬公里/次事故，人類駕駛約60萬公里/次事故）。

對于當(dāng)前的主流技術(shù)路線，周光持批評態(tài)度。他以基于BEV架構(gòu)的端到端系統(tǒng)為例，指出其存在先天局限。就像玩坦克大戰(zhàn)，墻后的物體無法被看到，系統(tǒng)就會認為“不存在”。

在周光看來，真正的智能駕駛必須突破視覺遮蔽的限制，實現(xiàn)對空間關(guān)系的理解和推理?！斑@并不是說我們要‘穿墻透物’，而是必須提升對高級語義和空間關(guān)系的理解能力?！彼f。

基于這一判斷，元戎啟行將“防御性駕駛”作為VLA訓(xùn)練的核心目標(biāo)。周光表示：“在DeepRoute IO 2.0中，我們讓AI學(xué)會了‘害怕’。害怕是生物進化出的保護機制，AI也應(yīng)當(dāng)具備對風(fēng)險的敬畏之心。”基于這種判斷，元戎啟行的VLA系統(tǒng)在盲區(qū)等場景中會主動進行“預(yù)防性預(yù)判”，像人類一樣采取謹慎策略。

對于特斯拉CEO埃隆·馬斯克提出的“激光雷達會讓自動駕駛越來越不安全”的觀點，周光回應(yīng)稱，激光雷達目前對通用障礙物識別仍有重要作用。

不過，周光強調(diào)，隨著大模型技術(shù)的發(fā)展，視覺會在感知中扮演越來越重要的角色。元戎啟行的策略是兼顧兩條路線——VLA平臺同時支持激光雷達與純視覺版本，以適應(yīng)不同客戶和場景的需求。

不只用于汽車

周光對VLA的期待遠不止于智能駕駛領(lǐng)域。在元戎啟行的規(guī)劃中，VLA的能力可復(fù)用于機器人、無人駕駛等多種移動場景。

周光表示，VLA模型本身是通用架構(gòu)，不再為特定場景定制。這一理念與元戎啟行2025年3月發(fā)布的道路通用人工智能平臺"AI Spark"一脈相承，旨在讓智能體在道路上自主行駛，并具備與物理世界深度交互的能力。

"正如我們年初發(fā)布的Road AGI策略所說，未來這一技術(shù)可泛化至多種移動場景——包括小區(qū)、電梯、辦公室等室內(nèi)外環(huán)境。"周光說。在他看來，現(xiàn)在的很多機器人還依賴遙控或巡線技術(shù)，而VLA架構(gòu)將支撐它們實現(xiàn)真正自主、通用的移動能力，完成從單點功能到通用智能體的系統(tǒng)演進。

目前，行業(yè)內(nèi)逐漸興起VLA研發(fā)熱潮，小鵬汽車、理想汽車都在進行相關(guān)布局。

周光表示，元戎啟行在防御性駕駛等方面布局較早，半年前就已強調(diào)這一方向。小鵬基于千問模型確實做出了實打?qū)嵉某晒?，而元戎啟行的?yōu)勢在于對技術(shù)路線的早期判斷和快速工程化能力。

如何向用戶推廣VLA這樣具有技術(shù)門檻的產(chǎn)品？周光表示，VLA模型最直接的價值是讓輔助駕駛更自然、更人性化，能應(yīng)對更多復(fù)雜場景，而這需要通過與用戶的持續(xù)互動來不斷優(yōu)化。元戎啟行更傾向于通過實際體驗讓用戶感受VLA的價值，而非進行技術(shù)概念的灌輸。

在發(fā)布會尾聲，周光為當(dāng)前的技術(shù)階段給出了評價——滿分10分中僅打"6分"，剛剛及格。他解釋稱，VLA模型仍處于早期，相當(dāng)于幼年期，目前的VLA仍無法實現(xiàn)全無人駕駛，缺乏完全的推理能力，僅靠高精地圖無法根本解決泛化問題。

不過，"幼年期"也意味著巨大的成長空間。周光認為，VLA的上限遠高于端到端方案，"其下限已經(jīng)超過端到端方案的上限"。在他看來，新一代架構(gòu)需要新一代芯片支持，這不是CNN時代可比的。隨著下一代芯片達到更高算力，VLA模型的潛力將得到進一步釋放。