大模型不是银弹，自动驾驶仍有硬骨头

每年的大模NVIDIA GTC，都是银弹硬骨AI技术路线的风向标。

在这个舞台上，自动芯片、驾驶机器人、大模自动驾驶、银弹硬骨AI模型交织在一起，自动讨论的驾驶往往不是某个产品，而是大模下一代技术范式。

过去一年，自动驾驶行业其实不缺新概念：VLA不断迭代，驾驶“世界模型”轮番登场。大模但真正稀缺的银弹硬骨，从来不是自动造新词，而是能落地的体系。

在这样的背景下，元戎启行这次在GTC上没有强调某个具体功能，而是试图讲清一件更底层的事情：用基座模型重构辅助驾驶系统。

这件事，值得行业认真看看。

因为如果这条路径成立，改变的就不只是性能，而是整个自动驾驶的研发方式

PART 1

自动驾驶，正在进入“第二阶段”

过去几年，城市NOA开始大规模落地。

到2025年，中国搭载城市NOA的乘用车销量已经超过300万辆，渗透率突破15%。

但行业很快遇到了一个更现实的问题，功能有了，用户却未必愿意用。

不少用户的真实反馈很一致：系统不是不能开，而是不够让人放心。

复杂路况下的犹豫、突兀的减速、不够自然的决策，这些问题不会让系统失效，但会让人放弃使用。

这背后的矛盾在于，城市场景复杂度远超预期，长尾问题几乎没有边界，依赖人工的数据闭环，开始跟不上车队规模。换句话说，自动驾驶正在从一个工程问题，变成一个AI问题。

在GTC的分享中，元戎启行CTO曹通易没有过多展示功能，而是重点讲了一套新的技术框架，其核心是一套约40B参数规模的VLA基座模型。

所以元戎的思路，不是加模块，而是“换大脑”。

按照设计，这个模型能尽可能统一感知、理解、决策甚至评估能力。它既在“开车”，也在“理解场景”，同时还在判断自己开得好不好。

这种思路，本质上是在收敛系统结构，把过去拆分的能力，重新压回一个可以持续进化的模型里。

这也是最近两年，自动驾驶逐渐显现的一条分水岭：继续优化模块，还是构建统一模型。

PART 2

真正的变量，不是模型，而是“迭代速度”

如果只看40B参数，这件事很容易被理解成又一次模型军备竞赛。更值得关注的，其实是它对研发体系的影响。

传统自动驾驶的迭代，很大程度依赖人工参与的数据闭环，周期通常以天为单位。而元戎给出的说法是，在引入基座模型之后，这个周期可以被压缩到约12小时。

这件事如果成立，意味着竞争逻辑在发生变化。过去比的是谁做得更好，将变成比谁改得更快。

自动驾驶开始从功能工程，走向一种更接近AI训练的节奏。

技术路径之外，元戎也给出了一些市场数据，累计交付超过25万辆搭载城市NOA的量产车，在第三方供应商市场，单月市占率接近40%。202年，其目标是突破100万辆。

这些数字的意义在于数据规模。

当自动驾驶进入模型驱动阶段之后，车辆数量本身就变成了训练资源的一部分。模型、数据、算力，这三件事开始重新绑定在一起。

在演讲中，元戎对这套模型有一个更大的定义，它不仅是辅助驾驶的基座模型，也是面向物理世界的AI基座模型。他们的目标，显然不只是汽车。

可以理解为，如果一个模型能够同时处理感知、理解、决策和行动，那么它的应用边界就不一定局限在汽车。

Robotaxi、机器人，甚至更广义的具身智能，本质上都在解决类似的问题。

这也是为什么，这类叙事更适合出现在GTC，而不是传统车展。

当然，这条路并不轻松，基座模型的方向很清晰，但问题同样严峻。

首先是算力与成本。

40B参数模型的训练，本质上是重资产游戏。即便通过蒸馏压缩后部署到车端，对算力和成本的要求依然不低。而汽车行业，恰恰是对成本最敏感的行业之一。

其次是安全与验证。

当模型开始承担自我评估的角色，一个更深的问题是评估标准从哪里来？

如果标准本身也内生于模型，那么如何避免系统在复杂逻辑中自洽，而不是真正可靠？

最后是一个更长期的问题，规模，是否真的能解决长尾？

大模型可以极大优化常见场景，但对于真正极端、罕见的情况，是否能够靠继续做大来解决，行业其实还没有答案。 

PART 3

自动驾驶，正在进入“模型时代”

无论如何，元戎启行这次在GTC释放的信息已经很明确，自动驾驶的竞争逻辑，正在发生转移。

早期行业比拼的是传感器、感知算法、规控能力。接下来，更可能比拼的是：模型规模、数据规模、训练效率。自动驾驶公司，也在逐渐变成AI公司。

元戎启行显然已经押注了这条路线。这是不是最终答案，现在还很难判断。

但可以确定的是，当越来越多玩家开始用大模型重新定义自动驾驶系统时，行业的竞争焦点，已经不再只是谁的车更会开，而是谁能造出一个真正可靠的“大脑”。