智驾玩家们地方配资网开户流程详解，正迎来另一个维度的竞争者。
近日，元戎启行CEO周光在智能电动汽车发展高层论坛上直言，“大模型公司在领域取得巨大突破后，会将能力落地到自动驾驶场景。毕竟，多模态本质上就是预测物理世界下一刻会发生什么，这仅仅是一步之遥。”
也就是说，“真正的智驾竞争，不再来自同行，而是来自大模型公司的降维打击。”
从行业数据看，2025年中国辅助驾驶解决方案市场规模已超过1200亿元，量产芯片算力提升至750 TOPS级别，但城区NOA渗透率仅15%左右，用户黏性徘徊在20%-30%区间。
市场规模以千亿计，算力以百倍速飙升，但消费者的信任和依赖，并没有同步到来。
“消费者并没有把城市辅助驾驶作为日常工具。”周光说。元戎启行已经累计交付近30万台搭载城市NOA功能的量产车，过去一年行驶里程超过13亿公里，避免了14.1万次前向潜在碰撞。
即便拥有这样堪称出色的量产数据，周光也要追问，从“可用”到“爱用”，到底还差什么？
他给出的答案是，认知。
在周光看来，当前行业普遍存在“跷跷板效应”。同一套小模型智驾系统，早上跑得好，中午可能变差；在上海表现不错，换个城市就不行；这个版本优化了某些场景，下个版本又可能退步。
这并非个别算法的缺陷，而是小模型范式本身的瓶颈。量产车型上的智驾模型参数量大多在1B以下，甚至0.1B以下，以卷积为主、Transformer架构稀薄，能力边界已经被物理极限锁死。
因此，辅助驾驶的下一个战场，不再是更高分辨率的摄像头、更大算力的芯片或更密集的路测，而是从“执行系统”向“认知系统”的跃迁。
特斯拉和Waymo已经完成这一转变，用基座模型驱动整个研发体系。元戎启行也在这个方向投入了巨大资源，从模型Scaling和数据Scaling两个方向同步推进，构建40B参数的基座模型，将Driver（驾驶决策）、Analyst（场景理解）和Critic（行为评估）三种能力统一于同一架构。
对元戎启行而言，这也是其基于基座模型实现的范式跃迁。
目前，其全流程的数据闭环，提升效率近10倍，从人工驱动的5天周期压缩至AI Orchestrator驱动的12小时，每一次问题修正也都沉淀为模型能力的持续增长。
而支撑这一切的，是今年年初多模态大模型（尤其是Gemini等模型）的突破。
因此，周光将2026年定义为“多模态进展的元年”。今年的元戎启行，也从小模型时代进入了大模型时代。
而正因如此，目前大模型公司也在争相入局自动驾驶，其核心目的并非盈利，而是通过汽车场景提供的海量带动作（Action）的真实数据，去验证物理AI的通用能力。“接下来会有更多多模态进展的公司进入这个领域，美国那边OpenAI等也会有类似动作。”
此外，周光判断，“物理AI的上半场是自动驾驶，下半场是厨房。”
今年年初，前DeepSeek研发负责人、多模态技术核心研究员阮翀加入元戎启行，正是因为元戎启行要做的不是一家传统的Tier 1供应商，而是一家真正的物理AI公司。
站在2026年这个节点上，周光给出了三组目标：城市NOA量产交付突破100万辆；MPCI（每关键接管行驶里程）提升至1000公里以上；用户高频使用率从目前的20%-30%区间提升至50%以上。更长远的目标是，挑战万公里级的MPCI，实现Robotaxi的规模化应用。
以下为周光在论坛期间的群访实录（略有调整）：
一个30年前的定义，还能框住今天的AI吗？
问：最近关于L2、L3、L4的讨论很多，欧阳明高院士提到L3可能被跳过，直接到L4。您怎么看？
周光：关于L2、L3、L4，这些定义是30年前研究人员基于当时的技术路线制定的。今天，随着大模型、端到端、多模态的发展，AI进展非常快，尤其是基座模型的认知能力在提升。我认为大模型会极大加速从L2到Robotaxi的进程——我说的Robotaxi不是过去依赖高精地图的L4，而是直接从城市NOA迈向Robotaxi。我们看到关键指标（如MPCI）每年快速增长，尤其在大模型介入之后。如果每年一个数量级的提升，很快就会突破。
L3的本质是在模型不完美的情况下，通过人工补丁和工程能力去实现。而通用自动驾驶的路径是提高模型的认知能力，这是两种不同的思路。今年年初多模态取得突破，我认为城市NOA会快速演进到Robotaxi阶段。研究范式已经发生变化，不再靠运营或高精地图，而是靠基础认知模型。
为什么前DeepSeek核心研究员会选择元戎？
问：年初DeepSeek核心研究员阮翀加入元戎，是靠薪酬还是愿景？他会带来哪些变化？
周光：阮翀等顶尖人才选择加入元戎，是因为他们希望经营一家真正的AI公司，而不是以Tier 1的思维做事。元戎的愿景就是物理AI。我们在GTC上谈物理AI、之前谈端到端，基本上一年后大家都开始讲这些话题。这体现了连续性和前瞻性。物理AI的上半场会在车端得到验证——只有车能提供几十万甚至百万级带Action的数据。如果在车端都不能验证，凭什么在机器人领域验证？
小模型的瓶颈已经很明显：很难在城市道路上突破100公里的MPCI，跷跷板效应非常突出。唯一解决方案是大模型，依靠通用常识和完整的大模型体系。我们今天说的大模型是全方位的大模型，包括GPT-VLA架构、训练范式的提升，是整个技术栈的下一个台阶。
阮翀主要负责多模态和基座模型，以通用形式解决物理AI问题，而不是用非通用的方式。具体细节大家可以在北京车展上关注我们的公开亮相。最近大厂也有动作，大家可以留意，最有钱的AI公司选择的第一落地场景都是车，目的不是挣钱，而是验证物理AI本身，这个验证比挣钱重要得多。
为什么大厂选择现在入局自动驾驶领域？
问：您怎么看待大厂（大模型公司、互联网大厂）成立自动驾驶部门？为什么是现在这个时间点？
周光：最近一些大厂也下场做自动驾驶，目的不是赚License的开发费用，而是为了物理AI。物理AI的上半场是自动驾驶，下半场是厨房。但第一个能验证物理AI的场景就是车，因为只有车能提供如此海量的带动作（Action）的数据，让你不再有“数据荒”。这也解释了为什么顶尖人才会加入元戎。文本领域的突破在DeepSeek-R1之后已趋于成熟，接下来是多模态。今年年初Gemini的发布，使多模态对物理世界的理解和规则演绎能力提升了一个数量级，这将极大惠及自动驾驶和机器人。今年是合适的时机，大模型能力将在物理世界真正展现。
根本原因是文本突破之后，大模型的下一步是多模态突破。多模态离物理世界的Agent只有一步之遥。要验证物理AI，还是那个逻辑：只有汽车场景能提供足够的数据。机器人的数据量远远不够——本体差异、触觉、数据采集等原因都导致数据不足。所以大厂选择在汽车领域验证物理AI是顺理成章的。接下来会有更多多模态进展的公司进入这个领域，美国那边OpenAI等也会有类似动作。
打破小模型“跷跷板效应”，迈向多模态大模型的时代
问：今年年初英伟达开源了一个智驾模型Alpamayo，业内看法不太一致，有人认为很有用，有人认为用处不大。您怎么看？
周光： 本质上这还是多模态的进展。今年最大的变化就是多模态的突破，具体到某个模型的发布不是那么重要。因为去年多模态没有进展时，强行用大模型做智驾有些勉强。
智驾其实是大模型技术溢出的受益者。自动驾驶领域真的有那么多原创技术吗？BEV（Bird‘s Eye View）算是智驾领域的一个创造，用比较巧妙的方式解决了静态感知问题。但端到端不是智驾原创的，大模型的认知、CoT也不是，多模态也不是。
然而，智驾是第一个能在物理世界提供海量数据的场景——今天只有车能提供这么多数据。我们现有小模型并没有充分利用这些数据，无论是模型能力、训练方式还是端侧算力限制。特斯拉的发展路径也说明了这一点：从144T到400T再到5000T，AI的趋势是往前走、往Scaling方向走。
如果按照Tier 1的思路，就是做便宜、反向卷100TOPS，以更低成本实现。这也是一种做法。但顶尖的AI人才不会倒着卷。判断一家公司是AI公司还是量产公司，就看它是否坚持向前。特斯拉的新车只会装更新更强的芯片，不会倒回去用3代芯片，尽管3代芯片也已经足够好。
问：您之前提到元戎追求“温暖的智能化”，目前公司在这方面有哪些探索和应用落地？
周光：首先，机器具备语音交互能力就是一种“温暖”。我们从去年开始做相关工作，让车子不再是冷冰冰的。同时，我们始终把安全放在第一位，不会急功近利地推出半成品，这也是负责任的表现。
从高端下沉到十万级市场，技术还能保持领先吗？
问：元戎从最初与Smart等高端品牌合作，到现在与头部新势力（如零跑A10）合作下沉到十万级市场，是不是开始铺规模了？在这个过程中如何坚持前沿技术？
周光：其实技术路线和商业规模并不冲突。真正的难点在于让大模型变得更好，而不是把好的模型“蒸馏”到低算力平台。蒸馏这件事已经很成熟，问题是参数量增加3倍，效果却没有明显变好——这才是今天的问题。
如果你只想拼小算力，那是一条路，可以做蒸馏、做量化，也能实现。但要真正提升体验，必须让大的模型变好，这是最难的。一旦你有一个确定的大模型，可以蒸馏到100TOPS甚至30TOPS的芯片上，当然会有一定性能衰减，因为超过模型容量后性能会急剧下降。但难度不在于蒸馏，而在于让大模型更强。
只要大模型做得好，就一定能适配不同平台。关键是你有没有更大、更强的模型，而不是只有一个小模型。今天很多稠密小模型仍然依赖非常原始的训练手段，必须用大模型的范式来做。
关于Robotaxi，为什么说模型能力比运营更重要？
问：已经落地的Robotaxi出现过趴窝、乘客被困的情况，在应急处理方面还需要哪些设计？远程接管的必要性如何？
周光：Robotaxi最核心的能力是模型能力的提升，其次是运营技巧——哪些问题需要秒级响应、哪些可以分钟级响应，这是运营体系的事。互联网大厂非常擅长运营，能够快速调度不同层级的人员、远程接管、实体兼容，这个调度网络本身也有难度。模型能力的提升更重要，不可能靠先验信息和规则来做自动驾驶。
GPT时代之后，所有人都相信应该由AI驱动。Waymo依托Gemini的人才，也完成了根本性的转变，包括人才体系、技术体系、范式的变更。不是所有公司都能跨越这个阶段，我认为这才是难点。如果还停留在老方法上，不去享受大模型技术溢出带来的优势，我会比较担心。我只是陈述我观察到的现象，不做具体评论。
关于舱驾一体，双脑变单脑，还差多远？
问：舱驾一体芯片更适合算力需求较低的中低端车型，高端车型不适用，您怎么看？智能体爆火之后为舱驾一体带来了哪些新思路？
周光：舱驾一体更多是带来体验上的提升。用车过程中，用户希望车具备交互沟通能力，这带来的体验完全不同。一个“哑巴”车是不太合适的。最终一定是“One Brain”，但目前还做不到，还是“Two Brain”。最终要像人一样，用一个大脑做所有事情。舱驾芯片的融合趋势也在讨论中，未来会有各种模型。
关于舱驾一体芯片的融合趋势，我只强调一点：你既需要驾驶能力，也需要交互能力。今天的“舱”不应该是一堆按钮。我看到车上有一排按钮就很难受，有的车搞了20个按钮，不知道按哪个，这不是自然的交互。体验应该是更好的，通过自然语言、表情、多种形式交流，而不是靠“点点点”。
广瑞网配资提示：文章来自网络，不代表本站观点。
