大模型不是銀彈，自動駕駛仍有硬骨頭

每年的NVIDIA GTC，都是AI技術路線的風向標。

在這個舞臺上，芯片、機器人、自動駕駛、AI模型交織在一起，討論的往往不是某個產品，而是下一代技術范式。

過去一年，自動駕駛行業其實不缺新概念：VLA不斷迭代，“世界模型”輪番登場。但真正稀缺的，從來不是造新詞，而是能落地的體系。

在這樣的背景下，元戎啟行這次在GTC上沒有強調某個具體功能，而是試圖講清一件更底層的事情：用基座模型重構輔助駕駛系統。

這件事，值得行業認真看看。

因為如果這條路徑成立，改變的就不只是性能，而是整個自動駕駛的研發方式

PART 1自動駕駛，正在進入“第二階段”

過去幾年，城市NOA開始大規模落地。

到2025年，中國搭載城市NOA的乘用車銷量已經超過300萬輛，滲透率突破15%。

但行業很快遇到了一個更現實的問題，功能有了，用戶卻未必愿意用。

不少用戶的真實反饋很一致：系統不是不能開，而是不夠讓人放心。

復雜路況下的猶豫、突兀的減速、不夠自然的決策，這些問題不會讓系統失效，但會讓人放棄使用。

這背后的矛盾在于，城市場景復雜度遠超預期，長尾問題幾乎沒有邊界，依賴人工的數據閉環，開始跟不上車隊規模。換句話說，自動駕駛正在從一個工程問題，變成一個AI問題。

在GTC的分享中，元戎啟行CTO曹通易沒有過多展示功能，而是重點講了一套新的技術框架，其核心是一套約40B參數規模的VLA基座模型。

所以元戎的思路，不是加模塊，而是“換大腦”。

按照設計，這個模型能盡可能統一感知、理解、決策甚至評估能力。它既在“開車”，也在“理解場景”，同時還在判斷自己開得好不好。

這種思路，本質上是在收斂系統結構，把過去拆分的能力，重新壓回一個可以持續進化的模型里。

這也是最近兩年，自動駕駛逐漸顯現的一條分水嶺：繼續優化模塊，還是構建統一模型。

PART 2真正的變量，不是模型，而是“迭代速度”

如果只看40B參數，這件事很容易被理解成又一次模型軍備競賽。更值得關注的，其實是它對研發體系的影響。

傳統自動駕駛的迭代，很大程度依賴人工參與的數據閉環，周期通常以天為單位。而元戎給出的說法是，在引入基座模型之后，這個周期可以被壓縮到約12小時。

這件事如果成立，意味著競爭邏輯在發生變化。過去比的是誰做得更好，將變成比誰改得更快。

自動駕駛開始從功能工程，走向一種更接近AI訓練的節奏。

技術路徑之外，元戎也給出了一些市場數據，累計交付超過25萬輛搭載城市NOA的量產車，在第三方供應商市場，單月市占率接近40%。202年，其目標是突破100萬輛。

這些數字的意義在于數據規模。

當自動駕駛進入模型驅動階段之后，車輛數量本身就變成了訓練資源的一部分。模型、數據、算力，這三件事開始重新綁定在一起。

在演講中，元戎對這套模型有一個更大的定義，它不僅是輔助駕駛的基座模型，也是面向物理世界的AI基座模型。他們的目標，顯然不只是汽車。

可以理解為，如果一個模型能夠同時處理感知、理解、決策和行動，那么它的應用邊界就不一定局限在汽車。

Robotaxi、機器人，甚至更廣義的具身智能，本質上都在解決類似的問題。

這也是為什么，這類敘事更適合出現在GTC，而不是傳統車展。

當然，這條路并不輕松，基座模型的方向很清晰，但問題同樣嚴峻。

首先是算力與成本。

40B參數模型的訓練，本質上是重資產游戲。即便通過蒸餾壓縮后部署到車端，對算力和成本的要求依然不低。而汽車行業，恰恰是對成本最敏感的行業之一。

其次是安全與驗證。

當模型開始承擔自我評估的角色，一個更深的問題是評估標準從哪里來？

如果標準本身也內生于模型，那么如何避免系統在復雜邏輯中自洽，而不是真正可靠？

最后是一個更長期的問題，規模，是否真的能解決長尾？

大模型可以極大優化常見場景，但對于真正極端、罕見的情況，是否能夠靠繼續做大來解決，行業其實還沒有答案。

PART 3自動駕駛，正在進入“模型時代”

無論如何，元戎啟行這次在GTC釋放的信息已經很明確，自動駕駛的競爭邏輯，正在發生轉移。

早期行業比拼的是傳感器、感知算法、規控能力。接下來，更可能比拼的是：模型規模、數據規模、訓練效率。自動駕駛公司，也在逐漸變成AI公司。

元戎啟行顯然已經押注了這條路線。這是不是最終答案，現在還很難判斷。

但可以確定的是，當越來越多玩家開始用大模型重新定義自動駕駛系統時，行業的競爭焦點，已經不再只是誰的車更會開，而是誰能造出一個真正可靠的“大腦”。