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。
END
