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

在后方不斷傳來(lái)的鳴笛催促聲中，周光意識(shí)到：即便是當(dāng)時(shí)的端到端模型，也無(wú)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(jué)的潛在風(fēng)險(xiǎn)，系統(tǒng)卻無(wú)法感知。

同年9月，周光公開(kāi)表示：“現(xiàn)在的VLM（端到端1.0），就相當(dāng)于一個(gè)帶著學(xué)員的教練，通過(guò)語(yǔ)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(kāi)車?！?/p>

也是從這時(shí)起，元戎啟行將VLA模型提升為公司級(jí)研發(fā)項(xiàng)目。并在反復(fù)的測(cè)試中，驗(yàn)證了VLA「讓機(jī)器讀懂物理世界」的神奇能力，認(rèn)定它會(huì)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(tái)——DeepRoute IO 2.0，該平臺(tái)搭載自研的VLA（Vision-Language-Action）模型，融合視覺(jué)感知、語(yǔ)義理解與動(dòng)作決策三大核心能力，對(duì)比傳統(tǒng)端到端模型，VLA模型更擅長(zhǎng)應(yīng)對(duì)復(fù)雜路況，可謂實(shí)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(méi)有標(biāo)準(zhǔn)答案，但是在包括汽車在內(nèi)的整個(gè)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(tái)的5個(gè)定點(diǎn)合作項(xiàng)目中，首批量產(chǎn)車即將進(jìn)入市場(chǎng)。

據(jù)了解，DeepRoute IO 2.0可以支持激光雷達(dá)與純視覺(jué)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(tái)。

“在DeepRoute IO 2.0中，我們讓AI學(xué)會(huì)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(duì)風(fēng)險(xiǎn)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(huì)害怕，才是對(duì)安全真正的重視。

之所以反復(fù)強(qiáng)調(diào)「防御性駕駛」，是因?yàn)樗钪狢NN或BEV端到端系統(tǒng)的瓶頸所在——看不見(jiàn)等于不存在。

他表示，人類司機(jī)會(huì)憑借對(duì)空間遮擋關(guān)系的理解，采取謹(jǐn)慎策略通過(guò)復(fù)雜場(chǎng)景。例如，當(dāng)看到人車混行的橋洞、無(wú)信號(hào)燈的路口，或者視線被遮擋嚴(yán)重時(shí)，人類是一定會(huì)減速的。

這意味著，輔助駕駛系統(tǒng)必須提升對(duì)高級(jí)語(yǔ)義和空間關(guān)系的理解能力，而上一代端到端無(wú)法做到這一點(diǎn)，因?yàn)锽EV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(huì)上，他總結(jié)了VLA模型的4大功能：空間語(yǔ)義理解、異形障礙物識(shí)別、文字類引導(dǎo)牌理解、記憶語(yǔ)音控車。

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

“語(yǔ)音控車功能甚至通過(guò)Rule-based就能實(shí)現(xiàn)，而VLA架構(gòu)真正的難點(diǎn)，是對(duì)場(chǎng)景的高級(jí)語(yǔ)義推理，這也是其核心進(jìn)化方向——CoT思維鏈?！?/p>

長(zhǎng)時(shí)序分析，深層次推理

自去年開(kāi)始，周光就已指出，VLA的關(guān)鍵特性就是思維鏈：“你需要通過(guò)多重信息來(lái)決定如何通過(guò)復(fù)雜場(chǎng)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(kù)無(wú)法應(yīng)對(duì)的。”

他表示，短期記憶依靠視頻幀，長(zhǎng)期記憶則借助關(guān)鍵幀與語(yǔ)言描述——正如人類通過(guò)文字記錄歷史，語(yǔ)言是對(duì)現(xiàn)實(shí)的高效壓縮。而VLA就是因?yàn)槟軌蜻M(jìn)行長(zhǎng)時(shí)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(shí)駕駛環(huán)境中存在大量文字信息，例如交通標(biāo)志、臨時(shí)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(shí)設(shè)置，必須通過(guò)實(shí)時(shí)感知和理解才能正確處理。語(yǔ)言理解能力可讓車輛更好地與現(xiàn)實(shí)世界交互，為用戶帶來(lái)更多便利?！?/p>

例如， VLA模型能通過(guò)文本等看懂潮汐車道、公交車道、臨時(shí)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(chǎng)景中復(fù)雜的交互事件、隱藏的語(yǔ)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(shí)別水平，并擁有記憶語(yǔ)音控車功能。其中，后者不僅能支持「快一點(diǎn)/慢一點(diǎn)」等基礎(chǔ)指令，還能記憶用戶偏好，實(shí)現(xiàn)個(gè)性化體驗(yàn)。

通過(guò)實(shí)際體驗(yàn)，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(xiǎn)時(shí)，降速緩行；并在經(jīng)過(guò)存在盲區(qū)的橋洞時(shí)，同樣比較嚴(yán)謹(jǐn)。另外，對(duì)于多種載貨兩輪/三輪車輛，系統(tǒng)也能夠較好地識(shí)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(shí)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(tái)開(kāi)展定制化部署，可適配的車型更是低至15萬(wàn)元級(jí)別，甚至10萬(wàn)元級(jí)別的車型通過(guò)優(yōu)化也有機(jī)會(huì)搭載。

“從傳感器方面來(lái)看，11個(gè)攝像頭正成為主流配置；同時(shí)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(jí)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(jí)芯片算力時(shí)代已經(jīng)到來(lái)，例如特斯拉2500TOPS芯片，雙芯片即可實(shí)現(xiàn)5000TOPS。

如今，元戎啟行的量產(chǎn)車輛已接近10萬(wàn)臺(tái)，獲得超過(guò)10款車型的定點(diǎn)合作，預(yù)計(jì)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(chǎng)監(jiān)督，任何問(wèn)題都會(huì)被放大。在這一節(jié)點(diǎn)，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(yàn)感更強(qiáng)。

周光預(yù)計(jì)， Thor+VLA能帶來(lái)的直觀效果，是絕大多數(shù)人都會(huì)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(lái)必將全面轉(zhuǎn)向基于GPT架構(gòu)的端到端系統(tǒng)?；仡櫞竽Ｐ偷陌l(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。”

他認(rèn)為，雖然技術(shù)發(fā)展沒(méi)有標(biāo)準(zhǔn)答案，但實(shí)際上每個(gè)關(guān)鍵階段都無(wú)法跳過(guò)：從有圖、無(wú)圖、端到端到VLA模型，整個(gè)發(fā)展過(guò)程必不可少，不可能完全繞過(guò)。同時(shí)，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(dòng)駕駛領(lǐng)域。

“技術(shù)發(fā)展需要時(shí)間，時(shí)間將驗(yàn)證一切?！?/p>