元戎启行发布VLA模型，起点是让AI学会害怕？｜附CEO对话实录

VLA，这是 2025 年最热的辅助驾驶技术路线之一，理想 i8 已经量产，小鹏 P7 紧追不舍，而华为却说我们不用这个技术。

就在昨天，VLA 阵营又一位新玩家来了，元戎启行发布全新一代辅助驾驶平台——DeepRoute IO 2.0，并搭载自研的 VLA（Vision-Language-Action）模型。

元戎启行 CEO 周光透露，开发 VLA 模型的起点是让 AI 学会害怕。传感器看不见，并不代表没有危险，这也是在之前端到端时代辅助驾驶的局限。

经常使用辅助驾驶的司机一定有这样的体验，在驾驶员觉得危险的场景（例如遮挡、转弯、车道合并）之下，辅助驾驶反而信心满满，快速通过。更严重的问题是，这样的表现却通常被驾驶员认为辅助驾驶的效率高于人类，造成过度信赖。随着搭载辅助驾驶车型的不断增多，任何问题都有可能被放大。

究其原因，AI 没有学会害怕。

元戎启行的 VLA 模型就有四大功能，分别是空间语义理解、异形障碍物识别、文字类引导牌理解、记忆语音控车。

其中，空间语义理解就成为了最核心的功能。在辅助驾驶过程中，车辆对前视摄像头的画面进行语义理解（Vision-Language），当车辆行驶到遮挡、复杂路口、桥洞等视野盲区时，系统可以进行预防性判断，最终决策降低车速（Action）。

异形障碍物识别使系统能够识别并灵活应对如施工锥桶、超载小货车等非结构化障碍；文字类引导牌识别让系统看懂路标，解析潮汐车道、公交专用道等文字信息；记忆语音控车功能支持自然语言指令交互，并逐步学习用户偏好，实现个性化与拟人化的驾驶体验。

周光透露，DeepRoute IO 2.0 平台适配「多模态+多芯片+多车型」，支持激光雷达与纯视觉版本。目前，基于 DeepRoute IO 2.0 平台，元戎启行已达成 5 个车型的定点合作项目，首批量产车即将进入市场。

对话周光：VLA 最大难点在思维链和长时序推理

一场简短的发布后，元戎启行 CEO 周光接受了 42 号车库等多家媒体的共同采访。

聚焦元戎启行 VLA 模型的技术细节，周光表示，基于英伟达 Thor 芯片，VLA 能够以每秒几 Hz 的水平运行，可以做到实时响应。

在 VLA 研发过程中，最大的难点是思维链（Chain of Thought, CoT）和长时序推理。周光认为：「这才是 VLA 真正的核心能力。思维链是这类架构的基本要求。没有它，就不能算是 VLA。」

最近，业内针辅助驾驶究竟要不要激光雷达，VLA 路线是不是辅助驾驶更优的方案展开了相当多的讨论。而发起这两个讨论的，一个是马斯克，另一个是华为。

周光认为，激光雷达目前对通用障碍物识别仍有重要作用。但随着大模型技术的发展，视觉会在感知中扮演越来越重要的角色，大模型有望逐步解决现在依赖激光雷达的部分任务。

那么辅助驾驶真的需要 VLA 吗？周光认为，真正要实现思维链（COT）就需要走 VLA 方向，除非算力不足，可能会选择别的路径。

在一小时的深度交流中，周光谈到了元戎启行 VLA 模型的技术细节、VLA 训练，并针对行业热点问题进行了一一回应，我们将对话全程进行了整理，在不改变愿意的前提下略有删减，供大家参考。

量产 VLA 的其他技术细节

Q：量产 VLA 模型的目标运行帧率是多少？

A：目前是每秒几赫兹的水平，具体数值不便透露，但肯定能做到实时响应，不会出现几秒一帧的情况。

Q：VLA 模型针对不同芯片平台，在算法和训练上做了哪些优化？技术架构是否有前瞻性布局？

A：VLA 模型的研发和训练本身与芯片无关，训练完成后才会进行部署适配。不同芯片平台主要影响的是工程部署的工作量，并不会反过来改变训练方式或模型架构。

Q：元戎启行支持多种芯片平台，是否有具体范围？随着国产芯片（如地平线）和车企自研芯片的发展，这些是否都能适配？车企能指定芯片吗？

A：芯片适配有一定要求，比如基础算力、带宽等。模型训练完成后会经过蒸馏和量化，适配需要满足基本条件。合作中车厂可以提出芯片需求，适配成本（时间、资金、数据）都是可协商的。我们目前以某款芯片为起点，未来会支持更多芯片，并不局限于一家。

Q：目前行业明确走 VLA 路线的似乎只有元戎启行和理想。也有观点认为，大语言模型虽强于文本推理，但在空间感知上并非强项。您如何看待这种说法？

A：更准确地说，VLA 本质是「基于 GPT 的端到端模型」。目前坚持投入大算力的公司，包括小鹏，其实都在朝这个方向走。比如特斯拉最新芯片算力达 2,500 TOPS，CNN 模型根本不需要如此大规模的算力，只有 GPT 架构才需要大参数和大算力支持。CNN 模型参数量有限，而 GPT 架构天然适合扩展，这才是未来方向。

Q：关于语音控车，您提到它属于基础功能。那么在 VLA 模型中，真正难的是什么？

A：最难的是思维链（Chain of Thought, CoT）和长时序推理。这才是 VLA 真正的核心能力。

Q：是否可通过思维链的表现来评价 VLA 模型的好坏？

A：思维链是这类架构的基本要求。没有它，就不能算是 VLA。目前行业还没有像 NLP 那样统一的评测基准，但未来可能会建立基于物理场景的专用 Benchmark。

Q：从车机界面能否直观判断 VLA 模型的优劣？

A：现阶段我们还是聚焦于解决 0 到 1 的问题。像特斯拉的交互已经做得很成熟，但我们需要先确保核心能力落地，再优化用户体验。

Q：车端实际能跑多大的模型？

A：参数量暂不方便透露。不过受车规算力和功耗限制，即便是上车的 GPT 模型，也仍属于“小模型”范畴。

Q：VLA 模型是否也会出现幻觉？如何降低这类风险？

A：预训练阶段确实可能产生幻觉，但通过后训练对齐技术，已经能极大抑制这一现象。现在主流大模型（如豆包、千问）幻觉现象已经很少，这方面已有较好的解决方案。

Q：随着 VLA、VLM 等技术推进，辅助驾驶能力基线普遍提升，各家方案是否会出现趋同？元戎启行如何保持自身特色？

A：端到端技术确实存在趋同，差别更多体现在推进节奏上。元戎在防御性驾驶等方面布局较早，半年前就已强调这一方向。技术判断的准确性是关键，尤其在 VLA 这种广度较大的领域。

Q：VLA 模型帧率目前低于某些端到端方案（10 - 20 帧），这是现阶段的限制吗？是否有补偿方式？

A：帧率影响本质是延迟问题。从 100 毫秒降至 50 毫秒已有明显收益，VLA 初期帧率稍低是正常现象。帧率并非越高越好，预判能力增强也能弥补帧率限制。

Q：如果持续提升 VLA 的推理（Reasoning）能力，未来可能带来哪些突破？

A：VLA 目前还未完全实现思维链（COT），这是关键差距。长远来看，语言和推理能力是实现完全无人化自动驾驶的核心。比如遇到「左转不受灯控」这种临时标识，依赖地图更新是不够的，第一次遇到就需实时理解。VLA 在这条路上任重道远，需要更多技术沉淀。特斯拉之所以投入十倍算力和参数，正是因为 GPT 架构是明确方向，CNN 无法支撑这种扩展。

Q：请问 VLA 模型系统最低可适配什么价位的车型？哪些车型能够应用？

A：目前 15 万元以上的车型都可以适配，10 万元级别的车型通过优化也有机会搭载。端到端方案成本更低，而 VLA 模型目前更依赖算力支持。传感器方面，11 个摄像头正成为主流配置，像特斯拉就坚持纯视觉路线。行业整体在提升算力，下一代芯片将达到 5,000 TOPS，甚至 10,000 TOPS 级别也不远了。

Q：VLA 模型相比端到端方案会贵多少？成本差距大吗？

A：主要成本差异在芯片，其余部分基本一致。芯片成本取决于制程工艺，目前千T级芯片算力时代已经到来，例如特斯拉 2,500 TOPS 芯片，双芯片即可实现 5,000 TOPS。

Q：上次车展听您提到 VLA 模型不止用于车，还会拓展至机器人。能否多分享一些？是人形机器人还是无人驾驶？是否有相关合作？车用和机器人用的 VLA 模型是同一套吗？

A：是的，VLA 模型本身是通用架构，不再为特定场景定制。正如我们年初发布的 RoadAGI 策略所说，未来这一技术可泛化至多种移动场景——包括小区、电梯、办公室等室内外环境。现在的机器人很多还依赖遥控或巡线技术，而我们希望能实现真正自主、通用的移动能力。

Q：您给当前版本打几分（满分10分）？最大挑战是什么？

A：我个人打 6 分，刚及格。VLA 模型仍处于早期，相当于「幼年期」，但上限远高于端到端方案。新一代架构需要新一代芯片支持，这不是 CNN 时代可比的。

Q：非 VLA 架构也可实现防御性驾驶，VLA 是必须的吗？

A：统计方法能部分实现防御策略，但复杂场景需真正推理能力。VLA 因具备 CoT 和语言推理，能更彻底解决这些问题。BEV 在空间理解上存在天然局限。

VLA 是如何训练的？

Q：元戎启行 VLA 的基础模型是千问吗？

A：我们会采用多种模型进行蒸馏，千问是开源模型中比较优秀的，我们也尝试过基于千问以及自研蒸馏的方案。所以并不完全依赖于某一特定模型，也有来自千问的技术成分，但不完全一致。

Q：您没有提到云端世界模型和仿真数据。目前行业普遍使用仿真路径，元戎如何应对推理卡资源问题？

A：VLA 与第一代端到端最根本的区别是模型架构变了——从 CNN 转向 GPT。训练方法比如是否引入 RL，只是策略问题。CNN 架构本身无法实现类似人类的推理和泛化能力。

Q：训练数据来源是什么？是否来自自有测试车队和长城？

A：数据来源是多方面的：包括自有测试车队、量产车数据，以及生成数据。要实现 GPT 架构的预训练，必须依赖大规模、多样化数据集，这是 CNN 模型无法胜任的。

Q：关于 VLA 模型对训练资源的需求，有厂商表示需要数万张卡。元戎启行如何看待这种巨大的资源消耗？是否会带来成本压力？另外，为什么现在行业都在强调强化学习和 AI 训练？

A：强化学习只是模型训练的一种手段，属于「后训练」阶段的一部分。如今行业已进入后训练时代，但这本身并不值得过度强调——就像 GPT 或 Waymo 也不会单独强调强化学习。元戎在技术选型上一直较为精准，VLA 是一个全新领域，方向选择很多，如果有清晰的技术判断，资源消耗完全可以更高效。事实上，辅助驾驶场景的 GPT 模型规模相对可控，比如 7B 模型并不需要极端庞大的算力。

Q：仿真测试方面，有厂商大幅减少实车测试、增加仿真里程，这是行业趋势吗？

A：我们更专注于自身技术路线。仿真是数据来源的一种，关键不在于是真实还是仿真，而在于数据质量。高质量数据集才是模型优化的核心。

Q：长期看仿真数据在训练中的占比会达到多少？仿真数据生成能力会成为壁垒吗？

A：仿真需基于真实数据，否则无法有效模拟。现实数据仍是主体，仿真作为补充。从预训练到后训练阶段，仿真比例会逐渐提升。行业应关注大模型整体发展，避免局限在自动驾驶领域。技术本质是相通的，就像人脑神经元结构并无太大差异。

对行业热点的看法

Q：最近马斯克提到「激光雷达会让自动驾驶越来越不安全」，您怎么看？

A：激光雷达目前对通用障碍物识别仍有重要作用，正如之前提到的，大模型的知识库能力可以识别很多未知障碍物。我相信随着大模型技术的发展，视觉会在感知中扮演越来越重要的角色。短期来看，激光雷达受限于技术发展和数据集的成熟度，仍有其价值；长期来看，大模型有望逐步解决现在依赖激光雷达的部分任务。

Q：如何看待其他车企推出 VLA 模型？比如小鹏。元戎的差异化优势在哪里？

A：小鹏的 VLA 进展也不错，他们基于千问模型做出了实打实的成果。VLA 涵盖面很广，不像端到端那样直接，更需要精准的技术判断和持续积累。

Q：从规则算法、端到端 1.0 到 VLA 模型，如果现在车企或供应商想自研辅助驾驶系统，能否可以直接切入 VLA？是否需要完整经历之前的研发阶段？您研发端到端时是否预见到其上限？

A：每个阶段都无法跳过，从有图、无图、端到端到 VLA 模型，整个发展过程必不可少，最多只能压缩某些阶段的时间，但不可能完全绕过。至于 VLA 模型的上限，目前其下限已经超过端到端方案的上限。

Q：过去几年，国内外厂商推出的智驾芯片对于 Transformer 模型的支持都不是很好。既然 VLA 是一个 GPT based E2E 架构，这是不是意味着：以后各家厂商在研发高阶智能辅助驾驶芯片时，除了做到数千 TOPS 的算力，还必须将对 Transformer 模型的原生、高效支持作为核心设计指标？

A：确实如此。早期芯片主要针对 CNN 设计，未来一定会加强对 Transformer 的支持，尤其是在 FP4、FP6 等精度的优化上。

Q：华为不走 VLA 路线，您怎么看？

A：若算力不足，确实可能选择其他路径。但真正要实现思维链（CoT）仍需 VLA 方向。

Q：作为行业参与者，如何共同将智驾蛋糕做大？除技术外还需哪些助力？

A：宣传需理性，避免过度承诺，尤其在安全方面。技术发展需时间，需正确引导用户预期。监管与行业自律也很重要。

Q：元戎是否会参与 L4 竞争？目前进展如何？

A：传统自动驾驶等级划分已过时，真正的无人驾驶需推理能力，纯规则系统无法应对「红灯可左转」这类问题。