打開今日頭條查看圖片詳情

出品丨虎嗅汽車組

作者丨李賡

頭圖丨AI生成

如果不是年初官方按下智駕宣傳的“急停鍵”，近期“智駕”或許早已再次被炒上了天。

原因無他，只因中國最頭部的一批智駕勢力，幾乎都選擇了在近期落地自己最新的智駕能力：

• 理想汽車借i8上市，推送 “VLA 司機大模型”；

• Momenta攜手智己，完成R6飛輪大模型上車；

• 元戎昨天（8月26日）發(fā)布了自己的VLA大模型；

• 小鵬今天（8月27日）的新P7發(fā)布會上發(fā)布自己全新的VLA大模型；

• 華為透露9月即將推送的ADS 4。

如此整齊劃一的步調(diào)，不禁讓人想起上一次“端到端”模型引領(lǐng)的行業(yè)浪潮。但這一次，變革的深度與廣度，已有過之而無不及。這輪競賽為何集中爆發(fā)？各家命名不同的模型背后，隱藏著怎樣的技術(shù)分野？新一代智駕，究竟“聰明”在了哪里？

本期《智駕雷達》VOL.5，我們就來提前“縱覽”一下智駕圈即將發(fā)生的這一輪競賽，并嘗試為你先講清楚其中的脈絡(luò)。

新一輪智駕競賽，時候到了

首先是第一個問題：為什么行業(yè)內(nèi)的動作如此集中？虎嗅汽車綜合多家智駕勢力的信息，總結(jié)出了四大關(guān)鍵驅(qū)動力：

• 監(jiān)管加強和輿情時間拖后了部分公司的既定節(jié)奏；

• 各家公司智駕技術(shù)和產(chǎn)品，最底層是AI最底層的創(chuàng)新突破，時間起點相近；

• 將AI底層技術(shù)套用到智駕上，需要相當多的訓練和調(diào)整投入，需要的時間周期相對固定；

• 各家公司都看到了這一輪智駕能力提升的潛力，對其他家優(yōu)先發(fā)布技術(shù)和產(chǎn)品擔心，基本都選擇了先發(fā)布“基礎(chǔ)版”再優(yōu)化的思路。

其中最重要的必然是第4點。元戎啟行CEO周光在昨天的發(fā)布會上就專門表示：VLA模型（當前版本）的下限已超過端到端（可以簡單理解為2024年中的大模型技術(shù)水平）的上限，未來會越來越好。

打開今日頭條查看圖片詳情

注：E2E 1.0模型可以看到中間的模型部分存在“分塊”，對應E2E 2.0的VLA模型則為一體

周光也在現(xiàn)場通過PPT解釋出了這個趨勢的底層原因：相比第一代“端到端”，VLA大模型實際上去掉了規(guī)控時代留下的“環(huán)節(jié)”（不再在大模型中劃分感知、定位導航、預測、規(guī)劃等環(huán)節(jié)），不再是單個環(huán)節(jié)內(nèi)一個CNN模型，最后再將多個模型拉通形成一個“大模型”。而是從傳感器到控制端只有一個完整的模型。

其次是模型本身從CNN（早期AI圍棋、人臉識別等應用的底層技術(shù)）為底層核心升級為Transformer（就是GPT等大語言模型崛起的核心底層技術(shù)）為核心，大幅提升了智駕大模型對人類大腦的模仿學習能力。

打開今日頭條查看圖片詳情

相比智駕行業(yè)上一輪普及的VLM大模型，VLA大模型在架構(gòu)和能力上更貼近智駕能力的需求

這種技術(shù)深層次的改變，讓VLA具備了思維鏈（CoT）能力，模型本身不再是一個從感知輸入（視覺）到控制輸出（行為）的 “黑箱”，而是通過引入語言作為媒介，模仿人類駕駛員的思考模式，將復雜的駕駛決策分解為一系列連貫、有邏輯的中間推理步驟。

同是端到端模型，VLA也獲得了能力上的大幅提升：

• 增強決策的邏輯性和可靠性：面對復雜或罕見的（長尾）路況，具備Cot能力的VLA模型能夠一步步分析：“識別校車，需減速慢行”>“檢測到路邊兒童，存在突然橫穿馬路的風險”>“綜合判斷。這種分步推理遠比單一的、直覺式的端到端輸出更為可靠和安全；

  
  

• 提升系統(tǒng)的可解釋性和透明度：Cot將模型的決策依據(jù)以人類可以理解的語言形式展現(xiàn)出來。極大地幫助了研發(fā)人員進行模型的調(diào)試和優(yōu)化，也為事故追溯、責任界定提供了清晰的依據(jù)，從而增強了用戶和監(jiān)管機構(gòu)對自動駕駛系統(tǒng)的信任；

  
  

• 提升模型的泛化能力和處理復雜場景的能力：通過在海量數(shù)據(jù)中學習推理邏輯，Cot使得VLA模型能夠舉一反三，將學到的駕駛知識和常識應用到從未見過的新場景中。它不再是單純地記憶駕駛行為，而是學會了“如何思考”，讓應對現(xiàn)實世界中層出不窮的復雜交通狀況成為了可能。

除了VLA路線，目前華為和蔚來主推的是另一條路線：世界模型。后者雖然更強調(diào)“海量使用云端模擬的數(shù)據(jù)、來讓大模型'理解’世界而學會駕駛”，但其最底層的世界模型仍需要Transformer技術(shù)驅(qū)動。華為此前在和和浙大、港科大的相關(guān)科研成果中，多次提到這一點。

新一代模型，讓AI“學會害怕”？

理論上的強大，最終要靠體驗說話。在對元戎啟行VLA模型的實際測試中，最令人印象深刻的，是其“防御性駕駛”能力的提升。

周光用了一個非常人性化的詞來形容這種能力——“讓AI學會害怕”。這種“害怕”并非遲疑，而是一種高級的智能表現(xiàn)：像人類駕駛員一樣，對潛在風險保持先驗性的警覺。

打開今日頭條查看圖片詳情

右下角為VLA模型的CoT運行界面，包含對環(huán)境的文字定義、推理和決策（下同）

在深圳常見的立交橋下輔道，人車混行，視野狹窄，VLA模型會持續(xù)進行自我推理，主動將車速降至絕對安全的范圍。

打開今日頭條查看圖片詳情

在被花壇遮擋視線的路口，當感知到對向車道有電瓶車高速駛來，它的駕駛決策會立刻從“控速”升級為“主動降速”，預留出足夠的反應空間。

打開今日頭條查看圖片詳情

在丁字路口的匯入場景，VLA也能在沒有駛?cè)肼房谥?，提前分析識別，降低車速再進行匯入車流的動作，避免因為車速過快導致車輛被迫拐入其他車道。

打開今日頭條查看圖片詳情

在老城區(qū)復雜的十字路口，它能綜合天氣、路邊違停、行人動態(tài)等信息，推理出潛在風險，以一種近乎“敬畏”的姿態(tài)，緩慢而安全地通過。

總而言之，新模型的體驗提升并非體現(xiàn)在某個單一功能上，而是一種綜合性的飛躍——更順滑的控車、更果斷的反應和貫穿全程的“安全感”。盡管在極端場景（全程共兩次，一次是在盲區(qū)狀況下低速變道遇到了施工路段，另一次是路口臨停車多導致轉(zhuǎn)向過晚）下仍需人類接管，但那種駕駛時“心里有底”的信任感，是此前任何系統(tǒng)都難以給予的。

值得一提的是，因為文字指令的關(guān)系，這套智駕系統(tǒng)已經(jīng)可以用語音進行基礎(chǔ)性的操作，例如“請開快、開慢一點”等指令能夠被系統(tǒng)接收，并以決策的形式給到操縱端。VLA也已經(jīng)可以直接讀取交通標識上的文字說明，并且按照指示優(yōu)化駕駛（例如有些路口左轉(zhuǎn)紅燈可以進待行區(qū)）。

接下來的智駕競賽，將會如何展開？

在昨天的發(fā)布會交流環(huán)節(jié)上，周光自己表示：VLA目前還沒有完全實現(xiàn)思維鏈（CoT），目前這一技術(shù)路線的得分也只是到6而已（滿分10分），還有大量的優(yōu)化要做。

接下來的主要任務主要是兩項，一是持續(xù)收集和豐富自有測試車隊、量產(chǎn)車數(shù)據(jù)，以及生成數(shù)據(jù)；另一個是看清技術(shù)趨勢，持續(xù)完善VLA的后訓練，不斷優(yōu)化大模型的表現(xiàn)。

對于行業(yè)接下來的發(fā)展，周光也提了一些觀點，其中最重要的三點是：

• VLA的成本差異主要在芯片，具體的成本差異不確定，但目前來看15萬元以上的車型都可以適配，10萬元級別的車型通過優(yōu)化也有機會搭載；

  
  

• 早期的智駕芯片主要針對CNN設(shè)計優(yōu)化，VLA模型應用之后，芯片一定會加強對Transformer的支持，尤其是在FP4、FP6等精度的算力優(yōu)化上；

  
  

• 如果車企或供應商想自研輔助駕駛系統(tǒng)，也很難跳過從規(guī)則算法、端到端1.0到VLA模型的過程，每個發(fā)展過程有自己的Know-How。頂多可以壓縮某些階段的時間，但不可能完全繞過。

如何讓AI真正地“理解”并“敬畏”真實世界，從“會開車”到“會思考”，智駕技術(shù)和產(chǎn)品正悄然邁入一個新的實戰(zhàn)時刻。

本文來自虎嗅，原文鏈接：
https://www.huxiu.com/article/4742364.html?f=jinritoutiao