全球 AI 界的頂級(jí)盛會(huì)——英偉達(dá) GTC 已經(jīng)在美國(guó)西海岸的圣何塞正式開幕。昨天和今天，大半個(gè)中國(guó)智駕圈齊聚 GTC，暢談 2025 智駕未來。

商湯絕影 CEO 王曉剛、理想汽車智駕研發(fā)負(fù)責(zé)人賈鵬、元戎啟行 CEO 周光、小米汽車自動(dòng)駕駛與機(jī)器人部楊奎元、卓馭 AI 首席技術(shù)官陳曉智先后發(fā)言，他們觀點(diǎn)中最核心的內(nèi)容其實(shí)就在兩個(gè)方面，一是端到端智駕的落地，二是下一代 VLA 模型（Vision-Language-Action，視覺-語言-動(dòng)作）模型。

就在今早，理想汽車和元戎啟行分別發(fā)布了 VLA 模型。李想發(fā)微博稱：「這是我們通往 L4 路上最重要的一步。就像 iPhone 4 重新定義了手機(jī)，MindVLA 也將重新定義自動(dòng)駕駛。」

在落地時(shí)間上，這兩家最先在智駕領(lǐng)域推出 VLA 架構(gòu)的公司也是不謀而合，理想 MindVLA 將與 i8 一同到來，元戎啟行計(jì)劃年中搭載進(jìn)入多款車型。

2025 年的智駕競(jìng)爭(zhēng)，VLA 會(huì)是非常關(guān)鍵的一環(huán)。

在智駕量產(chǎn)落地的過程中，「端到端」已經(jīng)成為任何一家廠商都繞不開的技術(shù)。去年全年，小米汽車完成了高速 NOA - 基于規(guī)則的城市 NOA - 端到端智駕的三代技術(shù)路線升級(jí)，最新的端到端版本將用上超過 1,360 Clips 訓(xùn)練的模型。商湯絕影的端到端智駕方案 UniAD 也將在今年正式量產(chǎn)上車。此外，卓馭也希望打造更具個(gè)性化的端到端智駕系統(tǒng)。

在實(shí)現(xiàn)端到端 + VLA 的背后，恰好是英偉達(dá)提供了核心算力以及大量的工具鏈。在中國(guó)智駕市場(chǎng)中，英偉達(dá)也一直占有核心的市場(chǎng)地位。面對(duì)華為、特斯拉等強(qiáng)勁對(duì)手的「圍剿」，英偉達(dá)和它的朋友圈如何應(yīng)對(duì) 2025 年智駕的競(jìng)爭(zhēng)，在本屆 GTC 上我們找到了答案。

理想發(fā)布 VLA 模型，動(dòng)動(dòng)嘴就能控車

也許過不了多久，語音也可以自如地指揮車輛智能駕駛了。比如我們想喝咖啡，于是就讓車找家星巴克，然后到了地方把我們放在門口。

值得高興的是，這種場(chǎng)景并不是一種在腦海中的設(shè)想。在英偉達(dá) GTC 大會(huì)上，理想智駕研發(fā)負(fù)責(zé)人賈鵬就通過視頻的方式演示了這種場(chǎng)景。

賈鵬還演示了另外兩種場(chǎng)景，一種是車主也不清楚自己在哪兒，但是可以呼喚車子來接；另一種則是車主先行下車，接著讓車子自行去尋找車位。

總的來說，賈鵬把這形容為「每個(gè)人的專職司機(jī)」，并且他還表示理想會(huì)「重新定義智能駕駛」。

之所以能夠?qū)崿F(xiàn)這樣的場(chǎng)景，據(jù)賈鵬介紹，理想依靠的是 VLA 技術(shù)，也就是視覺語言動(dòng)作模型（Vision-Language-Action Model），而理想則把自己的 VLA 技術(shù)稱作 MindVLA。

當(dāng)前，理想的智能駕駛技術(shù)仍是端到端 + VLM。這套技術(shù)方案上車之后，不僅大幅提升了理想的智駕水平，而且還助推了 AD Max 車型銷量的增長(zhǎng)。不過，賈鵬表示，端到端 + VLM 也有很多問題。

比如，端到端和 VLM 是兩個(gè)獨(dú)立的模型，要聯(lián)合訓(xùn)練比較困難。此外，端到端 + VLM 還有對(duì) 3D 空間理解不夠、駕駛知識(shí)和內(nèi)存帶寬不足、難以處理人類駕駛的多模態(tài)性等問題。

對(duì)于人類駕駛的多模態(tài)性，賈鵬專門做了進(jìn)一步的解釋，就是指同樣一個(gè)駕駛行為，人不同的話，駕駛狀態(tài)也會(huì)不同。另外，即使是同一個(gè)人，心情不一樣的時(shí)候，開車的方式也會(huì)出現(xiàn)不同。

而 MindVLA，據(jù)賈鵬介紹，它并不是簡(jiǎn)單粗暴地將端到端和 VLM 這兩個(gè)模型統(tǒng)一在一起，這其中有很多模塊都需要重新設(shè)計(jì)。在能力上，MindVLA 可以同步提高智駕的上限和下限，實(shí)現(xiàn)空間、行為和語言的統(tǒng)一。

具體地說，MindVLA 可以對(duì) 3D 空間有更好的理解；具備語言智能，可以理解車主的語音駕駛指令；能夠在世界模型中強(qiáng)化學(xué)習(xí)等。

最終，借助 VLA，理想就是要實(shí)現(xiàn)類似于開頭所說的那些駕駛場(chǎng)景。而等到那些駕駛場(chǎng)景真的落地的時(shí)候，車子也就更像是一個(gè)四輪機(jī)器人了。

小米楊奎元：端到端數(shù)據(jù)量超 1,360 萬 Clips

2021 年，小米汽車正式立項(xiàng)，當(dāng)時(shí)楊奎元就已經(jīng)加入小米汽車。四年來，他參與了小米 SU7 智駕的研發(fā)、量產(chǎn)到 OTA 的全程。

在本屆 GTC 上，小米汽車自動(dòng)駕駛與機(jī)器人部楊奎元分享了小米端到端全場(chǎng)景智能駕駛在物理世界探索、建模方面的技術(shù)細(xì)節(jié)。

區(qū)別傳統(tǒng)的模塊化架構(gòu)，端到端智駕從輸入端到輸出端只有一個(gè)模型，從之前的感知模型化，拓展到了感知規(guī)控模型化。對(duì)于端到端智駕來說，數(shù)據(jù)驅(qū)動(dòng)和模型泛化能力至關(guān)重要。

這也是小米智駕系統(tǒng)快速量產(chǎn)交付背后的秘密。2024 年 3 月，小米 SU7 交付即搭載高速 NOA；2024 年 8 月，實(shí)現(xiàn) NOA 全國(guó)都能開；2024 年底，小米推送端到端先鋒版。目前，小米智駕系統(tǒng)為端到端 + VLM。楊奎元稱：「小米智能駕駛實(shí)現(xiàn)了一年追三代。」

楊奎元談到，無論是 SU7、SU7 Ultra 還是 YU7，小米在設(shè)計(jì)車輛的時(shí)候，充分考慮到了車輛對(duì)物理世界探索，以及實(shí)現(xiàn)高階智駕需求。從外觀上，傳感器選型和安裝上保持不同車型的硬件一致性，打好了規(guī)模化探索物理世界的硬件基礎(chǔ)。

去年 3 月交付之后，目前參與物理世界探索的車隊(duì)規(guī)模已經(jīng)超過 18 萬輛（今天下午小米汽車宣布交付已經(jīng)突破 20 萬），同時(shí)還在以每月 2 萬輛的速度攀升。

車隊(duì)規(guī)模快速增長(zhǎng)，也讓行駛里程快速增加。去年年底，車隊(duì)每天行駛里程 500 萬公里。目前，車隊(duì)每天行駛總里程接近 1,000 萬公里。

對(duì)于端到端智駕來說，停車場(chǎng)、ETC 收費(fèi)站、城區(qū)環(huán)島、鄉(xiāng)村道路等就是難點(diǎn)場(chǎng)景。訓(xùn)練這些場(chǎng)景則需要連續(xù)視頻片段（Clip）。在楊奎元的分享中，去年 10 月，小米汽車的訓(xùn)練數(shù)據(jù)為 238 萬 Clips，經(jīng)過四個(gè)月的累積，今年 2 月達(dá)到 1,363.8 萬 Clips。

楊奎元說：「這也是下一個(gè)千萬 Clips 端到端版本所用的訓(xùn)練數(shù)據(jù)量。」

在擁有豐富的物理世界探索數(shù)據(jù)后，還需要對(duì)物理世界進(jìn)行建模。

楊奎元指出，物理世界建模分為三層：分別是Ot（原始的數(shù)據(jù)觀測(cè)層，通過車身傳感器記錄物理世界）、Zt（深度神經(jīng)網(wǎng)絡(luò)的隱式特征層，數(shù)據(jù)驅(qū)動(dòng)的方式形成對(duì)當(dāng)前場(chǎng)景的理解）、St（方便人理解和操作的顯示符號(hào)層）。

對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)中的輸入層、中間層以及輸出層。其中數(shù)據(jù)觀測(cè)層需要圖像、激光雷達(dá)點(diǎn)云、導(dǎo)航信息（Ot），通過 BEV 編碼網(wǎng)絡(luò)，得到 BEV 的隱式表達(dá)（Zt），通過不同的解碼器，得到動(dòng)態(tài)元素、靜態(tài)元素、未來軌跡。經(jīng)過不同的建模方式，最終經(jīng)過人工建模的 Cost（包括碰撞 Cost、車道偏移 Cost、舒適性 Cost）約束軌跡的合理性。

另外還有個(gè)時(shí)間維度，歷史幀很簡(jiǎn)單建模容易，但是未來幀無法直接觀測(cè)，是建模的重點(diǎn)和難點(diǎn)。

數(shù)據(jù)觀測(cè)層（Ot）有很多工具可以使用，比如 3DGS 重建技術(shù)，或者是 OpenAI 的 Sora、英偉達(dá) Cosmos 等等。生成大模型通過直接擬合原始數(shù)據(jù)的概率分布，加上額外使用歷史幀圖像、隱式特征、顯示符號(hào)等控制條件，可以進(jìn)行原始信號(hào)的生成。這部分生成速度比較慢，主要在云端仿真物理世界，用于閉環(huán)仿真評(píng)測(cè)以及長(zhǎng)尾數(shù)據(jù)生成。但是生成模型主要用于傳感器細(xì)節(jié)信號(hào)恢復(fù)，但是理解能力欠佳。當(dāng)然，也有部分生成 + 理解的隱式特征空間。

智駕領(lǐng)域，還沒有成熟的基座模型可以用于生成穩(wěn)定的特征表達(dá)。

顯示符號(hào)層，人工可以直接編碼操作，借助人類對(duì)物理世界已經(jīng)具備的建模能力，通過規(guī)則代碼的方式和模型結(jié)合完成時(shí)序上的建模。比如勻加速、軌跡采樣等。

同時(shí)，小米正在嘗試將三層表達(dá)聯(lián)合起來的時(shí)序建模。還能將深度神經(jīng)網(wǎng)絡(luò)模型上將中間的隱式特征在時(shí)序緯度上拓展到未來幀，由此可以形成完整的時(shí)空神經(jīng)網(wǎng)絡(luò)模型，統(tǒng)一由數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)。在未來幀預(yù)測(cè)變化時(shí)，小米同樣對(duì)動(dòng)靜態(tài)元素分開處理。

在工程落地上，小米與英偉達(dá)在云端、車端也進(jìn)行了大量落地優(yōu)化。

元戎啟行 CEO 周光：VLA 年中上車

周光在演講中首先談到了過去一年元戎啟行在智駕領(lǐng)域的進(jìn)展。

去年，元戎啟行智駕方案合作落地兩款車型（魏牌藍(lán)山、smart 精靈 5 號(hào)），今年預(yù)計(jì)將會(huì)推出十余款智能駕駛車型落地。在 2024 年第四季度，元戎啟行在國(guó)內(nèi)城市智駕市場(chǎng)占有率達(dá)到 15.3%。

目前，元戎啟行的智駕方案已經(jīng)搭載進(jìn)入超過 4 萬臺(tái)汽車，截至 2 月底，元戎啟行智駕總里程 4,000 萬公里。周光預(yù)計(jì)，今年將有 20 萬臺(tái)進(jìn)入市場(chǎng)，2026 年將有 50 萬臺(tái)車搭載元戎啟行的智駕系統(tǒng)。此外，元戎啟行已在德國(guó)進(jìn)行路測(cè)。

在快速上車的同時(shí)，元戎啟行的下一代智駕系統(tǒng)也正在開發(fā)。去年 9 月，元戎啟行開始研發(fā) VLA 模型，希望能夠用這套模型處理復(fù)雜的長(zhǎng)尾場(chǎng)景。根據(jù)規(guī)劃，今年年中元戎啟行的 VLA 模型將部署在多款車型上。

周光展示了元戎啟行 VLA 模型的架構(gòu)：

• 最下方 Input 是輸入。其中有攝像頭等傳感器的圖像輸入，也有文本輸入，這可以是來自車內(nèi)人員的指令輸入，或者是來源于智能座艙、導(dǎo)航的信息。

• 上一層是視覺編碼器和文本編碼器。其中，視覺編碼器負(fù)責(zé)處理輸入的圖像，提取特征。文本編碼器捕捉語義，理解文本指令。

• 再之上是視覺、文本融合，這也就是 VLA 模型的核心，讓模型同時(shí)理解圖像和文本的指令。

• 最終，輸出駕駛行為，以及文字輸出。

實(shí)際上，VLA 模型有相當(dāng)多的優(yōu)勢(shì)，其中最大優(yōu)勢(shì)之一就是與現(xiàn)有的大語言模型范式兼容。其中 VLA 模型同樣遵從 Scaling Law，隨著模型參數(shù)提升，性能也會(huì)提升。同時(shí)，用預(yù)訓(xùn)練、后訓(xùn)練、持續(xù)訓(xùn)練改進(jìn)模型。同時(shí)還兼容 DPO、RLHF、GRPO 等技術(shù)。并且，思維鏈可以直接用于推理決策（潮汐車道的思考）。

VLA 的另一大核心優(yōu)勢(shì)，則是可以讓智駕更像人。將基于規(guī)則的偏好注入模型，讓 VLA 符合人類預(yù)期的駕駛決策。這意味著，VLA 模型能夠識(shí)別并優(yōu)先考慮安全的駕駛行為，從而減少現(xiàn)實(shí)世界中的不良習(xí)慣。此外，還能選擇人類偏好的最優(yōu)路徑。

周光還專門講到了 VLA 的挑戰(zhàn)：

• 最重要的是實(shí)時(shí)響應(yīng)的能力。基于英偉達(dá) AGX 平臺(tái)，當(dāng)前一代產(chǎn)品 VLA 的處理速度大約是 5 FPS，下一代平臺(tái)的速度是 20 FPS。

• 數(shù)據(jù)。需要豐富的現(xiàn)實(shí)世界數(shù)據(jù)，VLA 開發(fā)會(huì)優(yōu)先使用現(xiàn)實(shí)世界數(shù)據(jù)，真實(shí)世界遠(yuǎn)比模擬器復(fù)雜。

在 VLA 模型發(fā)布后，元戎啟行的下一個(gè)目標(biāo)則是實(shí)現(xiàn)道路上的通用人工智能（RoadAGI）。

周光在演講中播放了這樣一段視頻，一輛帶有機(jī)械臂的無人配送車可以像外賣小哥一樣，實(shí)現(xiàn)城市內(nèi)小區(qū)-小區(qū)，店鋪-店鋪的點(diǎn)到點(diǎn)自動(dòng)駕駛。穿越閘機(jī)旁邊的狹窄通道，自動(dòng)識(shí)別街邊店鋪之后，無人配送車來到取外賣的店鋪門口。店員把外賣裝進(jìn)車?yán)镏螅瑹o人配送車可以走人行道、過馬路送外賣。

第一單是送到外賣柜，這里高能，配送車?yán)锊刂粋€(gè)機(jī)械臂，可以自動(dòng)把外賣拿出來放進(jìn)外賣柜里，然后關(guān)閉外賣柜。

第二單是送到寫字樓前臺(tái)，配送車自己過閘機(jī)，用機(jī)械臂自己按電梯，最后外賣放在公司前臺(tái)。

在演講中，周光并沒有透露是否量產(chǎn)這款無人配送車，但這樣的能力，或許就是元戎啟行對(duì) RoadAGI 的設(shè)想。

商湯絕影王曉剛：端到端將在今年量產(chǎn)

在英偉達(dá) GTC 上，商湯絕影 CEO 王曉剛宣布 UniAD 已經(jīng)獲得項(xiàng)目定點(diǎn)，并且在今年就會(huì)量產(chǎn)。

UniAD 是商業(yè)絕影研發(fā)的一種端到端智駕方案，早在 2022 年，商湯絕影就提出了 UniAD。到了去年 11 月份，商湯絕影則正式發(fā)布了 UniAD。

值得注意的是，UniAD 基于英偉達(dá) Drive AGX 平臺(tái)的 MIG 技術(shù)研發(fā)，支持端到端和傳統(tǒng)規(guī)則方案的雙系統(tǒng)運(yùn)行。王曉剛表示，商湯絕影在此基礎(chǔ)上充分發(fā)揮了雙系統(tǒng)協(xié)同的作用，設(shè)計(jì)了首個(gè)量產(chǎn)級(jí)的、極致安全的端到端智駕解決方案，能在復(fù)雜交互場(chǎng)景中保障行車安全。

同時(shí)，王曉剛還介紹了商湯絕影的世界模型 —— 開悟。王曉剛表示，開悟可以理解真實(shí)世界中的物理法則和交通規(guī)則，生成場(chǎng)景也非常可控，能夠以「元素級(jí)別」的精度去控制場(chǎng)景，完全可以滿足端到端模型訓(xùn)練和仿真對(duì)于數(shù)據(jù)質(zhì)量的高要求。

開悟生產(chǎn)數(shù)據(jù)的效率也非常高。據(jù)王曉剛介紹，開悟基于 1 張英偉達(dá) A100，平均每天的數(shù)據(jù)生產(chǎn)能力，大約相當(dāng)于 100 臺(tái)路測(cè)車所擁有的數(shù)據(jù)采集能力。

此外，通過世界模型，開悟還能夠?qū)崿F(xiàn)多樣化和真實(shí)的場(chǎng)景推演，以及專家軌跡生成，最終形成端到端智駕的數(shù)據(jù)閉環(huán)和自我迭代的能力。

針對(duì)開悟大模型的綜合實(shí)力，王曉剛表示它可以大幅降低端到端模型訓(xùn)練的數(shù)據(jù)門檻，并在充分探索各種可能性的基礎(chǔ)上有望實(shí)現(xiàn)遠(yuǎn)超人類的駕駛表現(xiàn)。

除了 UniAD，王曉剛還介紹了商湯絕影在智能座艙上的研發(fā)成果 —— A NEW MEMBER FOR U。

「A NEW MEMBER FOR U」是一個(gè)情感陪護(hù)伙伴，在去年 11 月份就發(fā)布了。據(jù)王曉剛分享，「A NEW MEMBER FOR U」感知敏感性、互動(dòng)積極性都非常高，它可以持續(xù)推理用戶需求，記憶自我進(jìn)化，記住用戶生活習(xí)慣，甚至是主動(dòng)提醒在車內(nèi)吃糖的小朋友少吃糖。

在體驗(yàn)上，「A NEW MEMBER FOR U」依靠 Always-on 持續(xù)運(yùn)行框架，可以做到零拷貝傳輸，并支持持續(xù)推理，推理速度高達(dá)每秒 96 tokens，針對(duì)復(fù)雜場(chǎng)景可以做到更實(shí)時(shí)的響應(yīng)。

最后，王曉剛還介紹道，到 2026 年，商湯絕影將和英偉達(dá)完成艙駕融合產(chǎn)品在各大車廠的量產(chǎn)落地，并加速智能汽車進(jìn)入 AGI 時(shí)代。

卓馭陳曉智：讓智駕更個(gè)性化

在英偉達(dá) GTC 上，卓馭 AI 首席技術(shù)官陳曉智指出一個(gè)問題 —— 當(dāng)前的端到端智駕，其通過數(shù)據(jù)訓(xùn)練所學(xué)到的駕駛能力是一種平均風(fēng)格，但在實(shí)際駕駛中，每個(gè)人都有自己的獨(dú)特的風(fēng)格，所以端到端智駕與真實(shí)人駕還有很大的差距。

因此，在卓馭的目標(biāo)中，就是令端到端智駕擺脫其平均駕駛風(fēng)格，進(jìn)而滿足用戶或激進(jìn)、或保守的個(gè)性化駕駛需求。這里的個(gè)性化包括三點(diǎn)：

• 個(gè)性化的駕駛風(fēng)格，需要系統(tǒng)在長(zhǎng)時(shí)間維度上理解用戶駕駛行為；

• 個(gè)性化的駕駛風(fēng)格，是指在某個(gè)具體的駕駛動(dòng)作上符合用戶的個(gè)性化要求；

• 支持語音交互。

這套技術(shù)方案卓馭將其歸納總結(jié)為「生成式智駕體驗(yàn)」。

為了實(shí)現(xiàn)「生成式智駕體驗(yàn)」，據(jù)陳曉智介紹，卓馭首先是基于世界模型完成智駕的預(yù)訓(xùn)練和后訓(xùn)練，其中預(yù)訓(xùn)練會(huì)以每周迭代的速度打牢智駕的基礎(chǔ)能力問題，后訓(xùn)練則以每天迭代的速度解決長(zhǎng)尾問題。

接著是端到端提示推理，用戶可以用語音來提示智駕，從而令智駕更清晰地知道用戶意圖，最終推理出符合用戶意圖的駕駛軌跡。

此外，陳曉智還介紹道，「生成式智駕體驗(yàn)」適用于任何構(gòu)型的硬件方案，并且對(duì)先驗(yàn)地圖的依賴性也比較弱。

根據(jù)官方信息，卓馭的「生成式智駕體驗(yàn)」基于英偉達(dá) DRIVE AGX 平臺(tái)打造。同時(shí)，卓馭還基于該平臺(tái)打造了一套艙駕一體的融合大模型，陳曉智表示，簡(jiǎn)單地說，其實(shí)就是智駕域和座艙域共享一套 LLM 大模型。

至于上述的「生成式智駕體驗(yàn)」何時(shí)落地，陳曉智表示，卓馭在今年內(nèi)就會(huì)將其量產(chǎn)。

06寫在最后

英偉達(dá) GTC 大會(huì)已經(jīng)見證了中國(guó)智駕領(lǐng)域的集體爆發(fā)，今年，VLA 模型與端到端技術(shù)正是通向更好用智駕的核心路徑。理想、元戎啟行等廠商率先推出 VLA 架構(gòu)，通過融合語言指令與駕駛決策，讓車輛真正成為能理解人類意圖的「四輪機(jī)器人」。

在這場(chǎng)技術(shù)革命中，英偉達(dá)的算力底座與工具鏈成為關(guān)鍵推手，助力車企跨越感知、決策與執(zhí)行的鴻溝。隨著 VLA 上車、端到端大規(guī)模量產(chǎn)，2025 年智駕競(jìng)爭(zhēng)將聚焦于場(chǎng)景泛化能力與用戶體驗(yàn)的個(gè)性化。當(dāng)車企與科技公司攜手突破技術(shù)邊界，智駕正從功能模塊邁向通用人工智能（AGI），而這場(chǎng)變革的終點(diǎn)，或許是重新定義人與機(jī)器的共生關(guān)系。