又一家抢滩发布VLA，智能驾驶的iPhone4时刻真要来了吗？

2024年6月，元戎启行总部门口突然立了一块“车辆左转不受灯控”的交通指示牌。

当时元戎启行的测试车遇到红灯就停了，后车因为看到标识而鸣笛催促。

这类场景无法通过传统端到端学习解决，必须依靠对文字的理解。

即便通过地图打tag也需要至少一周，而大模型则可以实时处理。

在这时候，元戎启行决定着手研发VLA模型。

其实在更早的2023年底GPT-4发布时，周光团队就意识到GPT是真正的跨时代突破：

它打破了我们对AI发展进程的认知，原来从弱AI到强AI可能只需要几年，而非过去认为的50年。GPT-4不仅能理解图像，还能做出逻辑判断，例如告诉我们“这里可以左转”。

周光甚至称：“如果我们不转型为大模型驱动的公司，未来很可能面临降维打击。”

从去年6月着手研发到今天正式发布，元戎基于VLA模型的最新辅助驾驶系统已经正式落地，并且在今年已经收到了5款车型的VLA定点合作。

那么，理想、小鹏和元戎都在频繁提及的VLA是什么？它能给辅助驾驶带来哪些帮助？

什么是VLA？

VLA模型三个字母代表的分别是Vision、Language、Action，即视觉-语⾔-动作模型。

通过VLA，汽车可以连接物理世界，通过对环境的了解，更好地帮人类开车。

这里很重要的一点是L的加入，正如开头的那个小故事，通过传统的模型，系统很难读懂“车辆左转不受灯控”的真正含义，也就无法解决这类场景。

但是语言模型的加入，就可以轻松化解。

举一反三，传统模型无法解决的潮汐车道、限时限行，VLA都可以化解。

同时，基于VLA模型的端到端具有思维链的能⼒，拥有更⻓时序的推理能⼒，对于实时复杂路况的处理能⼒也会越强。

并且VLA模型摆脱了“⿊盒效应”，可解释性更强。

大家应该看过理想VLA展示的语音控车功能，元戎启行的VLA也有这类功能。

除了识别车外文字类标识，加入了语言模型的VLA也可以实现语音控车，“司机感”更强。

但是周光称：“VLA最难的是思维链和长时序推理，这才是VLA真正的核心能力”。

而今天元戎抢先发布的DeepRoute IO 2.0作为一个全品的平台，不仅搭载自研的VLA模型，也能够支持激光雷达、纯视觉方案，并且适配多芯片平台，适配多价格区间车型。

周光称，这套平台最低可以适配到15万级车型，甚至10万级车型也有希望搭载。

VLA 能给辅助驾驶带来哪些好处？

那么大家都在宣传的VLA模型，除了增加了能够读懂车外文字、听懂车内语音指令的能力，还能给辅助驾驶带来哪些提升？

我们上文提到，语音控车这类功能其实并非VLA核心能力，过去利用规则也可以做。

VLA更有价值的是基于长时序推理和思维链，带来的复杂场景解决能力。

传统的端到端时序不够长，可以推理几秒内的路况，但是对复杂路况缺乏“弹性”，而VLA支持高级语义理解和长时序因果推理，在面对复杂场景会有更好的表现。

另外对VLA也有更强的空间语义理解能力，举个例子：

基于BEV架构的端到端存在的天生劣势是，它在无法看到盲区后的环境情况下，系统就会认为“不存在”。

而人类则会利用经验来判断这种遮挡关系，进而采取谨慎保守的策略通行。

采用VLA的系统，在这类场景上的处理能够更加拟人，核心原因就是感知潜在风险，主动对盲区进行 “预防性预判”，这就是我们常说的“防御性驾驶”。

举一反三，在面对桥洞、复杂路口，甚至是公交车遮挡这类常见case时，VLA所展现出的安全感、平顺性都要更好。

除了空间语义理解能力，VLA也能让系统更快、更好地应对异形障碍物与非结构化障碍，响应的速度更快。

端到端与VLA并非对立的技术路径，在周光看来，真正的智能驾驶必须依赖大模型，未来必将全面转向基于GPT架构的端到端系统。

5辆定点，VLA即将迎来量产

元戎的辅助驾驶是在2024年8月量产的，在即将到来的2025年9月，元戎即将迎来10万台量产交付的里程碑时刻。

仅仅一年多时间，就有超10万台搭载元戎辅助驾驶的车型驰骋于大江南北。

周光谈到这一成绩的时候，除了自豪，还带有焦虑：随着交付量扩大，尤其是接近10万台的规模，我们面临更严格的市场监督。

早期千台、万台的阶段问题发生概率较低，但规模扩大后，任何问题都会被放大。”

与此同时，第一代端到端系统正逐渐触及性能瓶颈。于是，全新的DeepRoute IO 2.0应运而生。

VLA无疑是今年智能驾驶圈最热门、被提及次数最多的词。也是各大车企、供应商抢占的高地，元戎率先量产意义重大，但是真正能够做成什么水平，给辅助驾驶带来多大提升，我们量产见分晓。