新轮智驾 PK：实战开启

今年以来，不少车企都在智能驾驶领域有了新动作。
理想汽车借 i8 上市，推送 “VLA 司机大模型”；Momenta 携手智己，完成 R6 飞轮大模型上车；元戎在 8 月 26 日发布了自己的 VLA 大模型；小鹏也在 8 月 27 日的新 P7 发布会上推出全新的 VLA 大模型；华为透露 9 月即将推送 ADS 4。
这些头部智驾势力，几乎都选择在近期落地最新的智驾能力，让人不禁想起上一次 “端到端” 模型引领的行业浪潮。但这一次，变革的深度与广度，已有过之而无不及。
这轮竞赛为何集中爆发？各家命名不同的模型背后，隐藏着怎样的技术分野？新一代智驾，究竟 “聪明” 在了哪里？

智驾竞赛，一触即发

为什么行业内的动作如此集中？总结来看，有四大关键驱动力：监管加强和舆情事件拖后了部分公司的既定节奏；各家公司智驾技术和产品所依赖的 AI 底层创新突破，时间起点相近；将 AI 底层技术应用到智驾上，需要大量训练和调整投入，时间周期相对固定；此外，各家公司都看到了这一轮智驾能力提升的潜力，担心其他家优先发布技术和产品，所以基本都选择了先发布 “基础版” 再优化的思路。
其中，最后一点尤为重要。元戎启行 CEO 周光在发布会上就专门表示：VLA 模型（当前版本）的下限已超过端到端（可以简单理解为 2024 年中的大模型技术水平）的上限，未来会越来越好。 周光也解释了这一趋势的底层原因：相比第一代 “端到端”，VLA 大模型实际上去掉了规控时代留下的 “环节”（不再在大模型中划分感知、定位导航、预测、规划等环节），不再是单个环节内一个 CNN 模型，最后再将多个模型拉通形成一个 “大模型”。而是从传感器到控制端只有一个完整的模型。
其次，模型本身从 CNN（早期 AI 围棋、人脸识别等应用的底层技术）为底层核心，升级为 Transformer（即 GPT 等大语言模型崛起的核心底层技术）为核心，大幅提升了智驾大模型对人类大脑的模仿学习能力。 这种技术深层次的改变，让 VLA 具备了思维链（CoT）能力，模型本身不再是一个从感知输入（视觉）到控制输出（行为）的 “黑箱”，而是通过引入语言作为媒介，模仿人类驾驶员的思考模式，将复杂的驾驶决策分解为一系列连贯、有逻辑的中间推理步骤。
同为端到端模型，VLA 也获得了能力上的大幅提升：面对复杂或罕见的（长尾）路况，具备 Cot 能力的 VLA 模型能够一步步分析，例如 “识别校车，需减速慢行”“检测到路边儿童，存在突然横穿马路的风险”“综合判断”。这种分步推理远比单一的、直觉式的端到端输出更为可靠和安全。
Cot 将模型的决策依据以人类可以理解的语言形式展现出来，极大地帮助了研发人员进行模型的调试和优化，也为事故追溯、责任界定提供了清晰的依据，从而增强了用户和监管机构对自动驾驶系统的信任。通过在海量数据中学习推理逻辑，Cot 使得 VLA 模型能够举一反三，将学到的驾驶知识和常识应用到从未见过的新场景中。它不再是单纯地记忆驾驶行为，而是学会了 “如何思考”，让应对现实世界中层出不穷的复杂交通状况成为了可能。
除了 VLA 路线，目前华为和蔚来主推的是另一条路线：世界模型。后者虽然更强调 “海量使用云端模拟的数据、来让大模型‘理解’世界而学会驾驶”，但其最底层的世界模型仍需要 Transformer 技术驱动。华为此前在和浙大、港科大的相关科研成果中，多次提到这一点。

新一代模型，让 AI “学会害怕”？

理论上的强大，最终要靠体验说话。在对元戎启行 VLA 模型的实际测试中，最令人印象深刻的，是其 “防御性驾驶” 能力的提升。
周光用了一个非常人性化的词来形容这种能力 ——“让 AI 学会害怕”。这种 “害怕” 并非迟疑，而是一种高级的智能表现：像人类驾驶员一样，对潜在风险保持先验性的警觉。
右下角为 VLA 模型的 CoT 运行界面，包含对环境的文字定义、推理和决策（下同）。
在深圳常见的立交桥下辅道，人车混行，视野狭窄，VLA 模型会持续进行自我推理，主动将车速降至绝对安全的范围。
在被花坛遮挡视线的路口，当感知到对向车道有电瓶车高速驶来，它的驾驶决策会立刻从 “控速” 升级为 “主动降速”，预留出足够的反应空间。
在丁字路口的汇入场景，VLA 也能在没有驶入路口之前，提前分析识别，降低车速再进行汇入车流的动作，避免因为车速过快导致车辆被迫拐入其他车道。
在老城区复杂的十字路口，它能综合天气、路边违停、行人动态等信息，推理出潜在风险，以一种近乎 “敬畏” 的姿态，缓慢而安全地通过。
总而言之，新模型的体验提升并非体现在某个单一功能上，而是一种综合性的飞跃 —— 更顺滑的控车、更果断的反应和贯穿全程的 “安全感”。尽管在极端场景（全程共两次，一次是在盲区状况下低速变道遇到了施工路段，另一次是路口临停车多导致转向过晚）下仍需人类接管，但那种驾驶时 “心里有底” 的信任感，是此前任何系统都难以给予的。
值得一提的是，因为文字指令的关系，这套智驾系统已经可以用语音进行基础性的操作，例如 “请开快、开慢一点” 等指令能够被系统接收，并以决策的形式给到操纵端。VLA 也已经可以直接读取交通标识上的文字说明，并且按照指示优化驾驶（例如有些路口左转红灯可以进待行区）。

智驾竞赛，如何展开？

在发布会交流环节上，周光自己表示：VLA 目前还没有完全实现思维链（CoT），目前这一技术路线的得分也只是到 6 而已（满分 10 分），还有大量的优化要做。
接下来的主要任务主要是两项，一是持续收集和丰富自有测试车队、量产车数据，以及生成数据；另一个是看清技术趋势，持续完善 VLA 的后训练，不断优化大模型的表现。
对于行业接下来的发展，周光也提了一些观点，其中最重要的三点是：VLA 的成本差异主要在芯片，具体的成本差异不确定，但目前来看 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；早期的智驾芯片主要针对 CNN 设计优化，VLA 模型应用之后，芯片一定会加强对 Transformer 的支持，尤其是在 FP4、FP6 等精度的算力优化上；如果车企或供应商想自研辅助驾驶系统，也很难跳过从规则算法、端到端 1.0 到 VLA 模型的过程，每个发展过程有自己的 Know-How。顶多可以压缩某些阶段的时间，但不可能完全绕过。
如何让 AI 真正地 “理解” 并 “敬畏” 真实世界，从 “会开车” 到 “会思考”，智驾技术和产品正悄然迈入一个新的实战时刻。