1980年代，卡內基梅隆大學的機器人專家漢斯·莫拉維克（Hans Moravec）提出人工智慧領域的一個悖論：讓計算機在邏輯推理、下棋等高階智力活動中達到甚至超越人類水平，相對容易;但要讓它具備孩童那樣的感知、運動和常識認知能力，卻難於登天。
這個悖論的核心在於：對機器而言，真正的困難在於“理解”物理世界並與物理世界進行直覺式的互動。四十餘年後，莫拉維克的觀點，也投射在了智慧駕駛的漫長 征途上。
如果現在你跟智駕從業者深聊，會發現一個微妙的變化：幾年前，從業者們還在為感測器的配置、特定場景的覆蓋率等討論不停;而今天，話題焦點又多了一個更具體的模型結構——VLA（視覺-語言-行動模型）。為什麼?
一、智駕的終極體驗，是“像人一樣決策”
我們知道，要實現高階智慧駕駛，最大的挑戰之一就在於：真實物理世界的複雜性和不確定性。比如，如何理解一個交警招手動作的複雜意圖?如何判斷一個滾向路邊的足球背後是否會衝出一個孩子?它要求AI不僅要識別物體，更要理解場景、預測意圖並進行復雜的因果推理。為何如此困難?
元戎啟行創始人兼CEO周光，這位擁有物理學背景的AI博士，在前陣子和我們交流時一語道破其中的關鍵。他將駕駛行為劃分為兩個層次：一個是“Move like human”（像人一樣行動），另一個是“Decision like human”（像人一樣決策）。
周光認為，早期的AI決策模型，更擅長處理“條件反射式”的駕駛行為，比如跟車、車道保持、簡單避障等，這些可以被歸納為“Move like human”（像人一樣行動），但這隻能解決95%常見的駕駛問題。
但決定智慧駕駛安全性和體驗感上限的，恰恰是那些需要推理和預判的長尾場景，也就是圈內常說的Corner Case。他舉了一個直觀例子：“前方兩三百米外有施工，人類老司機會立刻觀察後視鏡，提前變道。但（早期的）智駕系統，可能是開到近處，識別出錐筒、水馬這些障礙物時才做出反應，往往帶來突兀和不舒適的駕乘體驗。”
要解決這個長尾問題，系統必須具備周光所強調的“推理駕駛”（Inferential Driving）能力，這要求系統能夠基於對物理世界規律的“理解”，進行復雜的因果推理和未來預測。
如果無法實現“Decision like human”，系統就可能停留在“高階的輔助駕駛”階段，難以邁向L4乃至更高階別，無法讓人類駕駛員真正放手。智慧駕駛的本質，是一個需要理解並作用於真實物理世界的“物理AI”（Physical AI）命題。
要跨越這“最後一公里”，行業亟需一種能夠賦予機器“認知”和“推理”能力的全新正規化。這正是VLA這一模型結構，迅速成為當下行業新共識的根本原因。
二、VLA邁向推理駕駛
VLA將視覺（Vision）、語言（Language，代表認知和推理）和動作（Action）融合在一個統一框架內。這種融合帶來了能力層級的質變，超越了簡單的功能疊加。
“從舊架構變成GPT架構，這是一個根本性的變化。”周光反覆強調。在他看來，過去的技術迭代（包括BEV等），都只是CNN框架下的“小版本更新”，而VLA才真正開啟了智慧駕駛的“大版本升級”，因為它讓系統開始逼近“物理AI”的理想形態。
這種對技術本質的洞察，讓元戎啟行在技術路線上做到知行合一，堅信VLA是實現高階智慧駕駛的最優解。“要是不上VLA，我覺得是不可能到L5的。”周光判斷，“VLA讓業界真正看到了實現L5級完全自動駕駛的希望，未來的發展路徑將緊跟大模型技術的演進。”
這家公司早在2019年剛創立不久，就完成了名為“全融合”的技術架構（即早期的BEV鳥瞰圖技術）。到了2020年，便全力投入“無圖”研發，讓系統直接從攝像頭等感測器獲取的“原始資料”中學習，即時感知和理解物理世界。
到了2022年，周光和團隊的預判得到了初步驗證。他告訴我們，當時團隊已經能透過演算法，即時生成道路的拓撲結構圖，雖然還不完美，但已經能清晰識別出路口和轉向關係。這表示“無圖”技術路線被成功跑通，為後續研發奠定了基礎。
VLA帶來的，是使用者體驗上可感知的“老司機感”，這種實實在在的體驗變革，遠勝於冰冷的引數：比如在複雜的城市路口，系統能預判可能出現的“鬼探頭”，提前做出柔和的決策，而非急剎車;在人車混流的狹窄街道，系統能理解交通參與者的“意圖”，進行更靈活的博弈，而不是死板地等待;面對臨時施工或異形障礙物，系統能基於對物理世界的基本理解進行推理，做出合理應對。
這種從“輔助人”向“理解人”乃至“超越人”的進化，也有業界的權威觀點支撐。阿里巴巴集團執行長吳泳銘此前在公開演講中指出，通往超級人工智慧（ASI）的關鍵瓶頸在於“真實世界的資料”和“自主學習”。他強調：“只有讓AI與真實世界持續互動，獲取更全面、更真實、更即時的資料，才能更好的理解和模擬世界，發現超越人類認知的深層規律。”
一句題外話，我們在寫作之餘回溯了周光早年的學術研究，發現他早在德州大學達拉斯分校攻讀博士期間，就提出“去中心化自穩定演算法”和“群體協作智慧體”模型，探討如何透過區域性通訊與自組織機制，讓分散式系統在無中心控制下實現穩定協同。這種“由區域性互動湧現全域性智慧”的邏輯，與VLA的視覺、語言、行動三模態的協同推理架構，在思想上已高度契合。
三、VLA 為何需要一座“算力電站”?
然而，為汽車裝上VLA這個強大的“物理AI大腦”，難度巨大。它顛覆了傳統的研發模式，帶來三個“指數級”增長的挑戰，讓智駕公司必須重塑自己。
挑戰一：資料處理的“量級之變”。VLA模型吃的不是“二手”的高精地圖資料，而是物理世界最原始、最鮮活的多模態資料——海量的影像、影片、感測器訊號。處理這些資料，對資料處理的吞吐量和效率提出了前所未有的要求。
挑戰二：模型訓練的“正規化之變”。訓練VLA模型，就像培養一個天才。不能從零教起，而是採用“知識蒸餾”技術：先用一個擁有千億引數的雲端“教師模型”（基座大模型）進行預訓練，再將它的智慧“蒸餾”到車端僅有幾十億引數的“學生模型”上。這個過程，對算力叢集的規模、穩定性和排程能力要求極高。
挑戰三：研發效率的“成本之變”。“早些年幾百張卡就能開個小作坊。”周光感慨，“但在VLA時代，幾千張卡是起步，萬卡是入場券。”研發成本結構也從過去“人力佔97%，算力佔3%”的勞動密集型，轉向“人力與算力一半一半”的資本密集型。
阿里雲智慧AI汽車行業線銷售總監黃晨，向我們揭示了一個殘酷的現實：“一臺GPU智算伺服器，它每一分鐘的成本都可以核算出來。你如果只用了70%，那麼30%空跑的時間就是損失掉的真金白銀。”
面對這些挑戰，自建算力中心已非最優解。建設和運維一個“超萬卡叢集”，其工程複雜度、能耗和成本都是天文數字。智駕公司最明智的選擇，是接入一個穩定、高效、且懂AI的“算力電網”。
這正是元戎啟行與阿里雲的合作進入深水區的原因。他們需要的不是簡單的算力租賃，而是一個能解決VLA時代全鏈路挑戰的合作伙伴。
四、超級AI雲的全棧解法
具體而言，阿里雲提供的“超級AI雲”，是一套從IaaS（基礎設施）、PaaS（平臺工具）到MaaS（模型服務）的全棧式解決方案，精準解決其在VLA路上可能遇到的痛點，從而帶來極致的效率最佳化。
第一重：以極致的工程能力，構築穩定高效的算力基石（IaaS層）。
要解決“萬卡叢集甚至超萬卡叢集”的穩定性問題和通訊效率瓶頸，無疑需要久經考驗的系統工程能力。元戎啟行的算力需求，主要由阿里雲PAI-靈駿智算服務承載，PAI-靈駿的核心價值在於，透過自研的高效能網路及智慧排程演算法，能將大規模叢集的AI算力利用率提升超過95%。對於“每一分鐘都是錢”的智駕研發而言，這意味著巨大的成本節約和時間縮短。
VLA訓練中，海量小檔案的併發訪問，對儲存系統是極大考驗。對此，阿里雲的分散式檔案系統CPFS就派上用場，它提供超高併發的多機讀取能力，為萬卡叢集提供了資料的“飽和投餵”，確保元戎VLA模型訓練極致高效。
此外，VLA大模型的訓練也是一場圍繞資料的精密接力賽：對元戎啟行而言，百PB級的原始感知資料在深圳彙集、清洗和標註，最終在阿里雲烏蘭察布智算叢集完成模型迭代。面對該問題，阿里雲的雲企業網CEN構建了一張覆蓋全國的“算力一張網”，可實現資料和算力的靈活排程。同時，阿里雲的全棧安全防護體系，可確保元戎啟行在雲端訓練過程中的資料安全。
這些堅實的基礎設施，共同構成了元戎啟行在VLA時代加速奔跑的底氣。
第二重：以獨有的工具鏈，加速資料處理與模型迭代（PaaS層）。
說完了資料訓練，那麼說到資料處理，其效率也直接決定了模型訓練的速度，如何高效完成海量多模態資料的清洗、標註和預處理，是模型訓練的重要一步。
在資料處理方面，阿里雲自研的分散式計算框架MaxFrame，日均可完成數十萬級資料包處理，生成數百萬Clips和數億訓練樣本，相比開源框架效能提升40%以上。同時，結合智慧資料開發治理平臺DataWorks，可實現百萬級任務統一開發排程與後設資料追溯，高效支撐VLA模型海量多模態資料訓練。這些工具鏈的高效協同，為VLA模型訓練提供了充足且高質量的“燃料”。
接下來在模型訓練階段，迭代速度決定了競爭優勢。阿里雲專為智駕領域定製“加速包”PAI-TurboX，在資料層、計算層、系統層深度最佳化。阿里雲端計算平臺事業部負責人汪軍華介紹，TurboX能在多個主流模型上將訓練時間縮短50%以上——這意味著元戎的模型迭代週期直接減半，能夠更快將新技術能力應用到產品中。
第三重：以開源開放的生態，提供創新的戰略縱深（MaaS層）。
如上文所提，VLA模型的構建並非從零開始，它需要強大的基座模型進行知識蒸餾和調優。在這一點上，阿里雲的開源開放戰略，為元戎啟行提供了助力。
通義千問（Qwen）系列模型，作為全球第一的開源模型矩陣（根據Huggingface開源大模型榜單Open LLM Leaderboard），它目前全球下載量超6億次，衍生模型超17萬個，為行業提供了堅實基座。周光對此高度認可：“元戎啟行經常用通義大模型去做一些蒸餾，通義開源挺好的。”這種開放性，讓元戎啟行得以站在基座模型的肩膀上，更高效最佳化自己的車端模型。
同時，它支援廠商基於開源能力做深度自研，這一點至關重要。這使得元戎啟行能夠將寶貴的研發資源，投入到智駕垂類知識的積累和創新上，而不是重複造輪子。
從IaaS的工程能力，到PaaS的工具鏈，再到MaaS的開源開放生態，阿里雲提供的“超級AI雲”全棧能力，構築了其在智駕訓練領域的重要地位。正如阿里雲智慧集團公共雲事業部AI汽車行業總經理李強在一次公開演講中提到，超過60%中國智慧輔助駕駛的AI算力來自阿里雲。這足以證明，阿里雲已成為智駕訓練中那朵好用的雲。
五、選擇對的夥伴，駛向更遠的路
誠然，強大的技術基建，最終要轉化為商業成果和產業引領。
在商業策略上，許多智駕公司廣撒網、服務多個品牌車型（多SKU），而作為全棧智慧駕駛解決方案提供商元戎啟行，再次展現了與其技術路線一致的“專注”。
周光進一步指出，有的智駕公司SKU特別多，但月銷可能只有幾百臺;元戎啟行專注於“大單品”策略——集中資源與車企深度合作，打造爆款車型。在他看來，只有深度合作，才能打磨出極致的產品體驗。“你越是做的散，做的雜，你這個產品越難。”
這種“少而精”的策略背後，是對自身技術研發效率的絕對自信。而這份自信，很大程度上來源於其選擇了一個能提供長期價值、深刻理解AI、並具備開放生態的雲合作伙伴。
當然，智駕的商業化過程中，成本控制也至關重要。如今智駕已成標配，而非溢價項。黃晨告訴我們：“車上有智駕，不一定讓你多賣1萬塊，但如果沒有，一定不被接受。”
換句話說，當智駕成為“標配”而非“溢價項”，Tier 1供應商的利潤空間被持續擠壓。這樣一來，選擇雲服務商，早已超越了單純的資源採購，更上升為一項關乎核心競爭力的戰略決策。因為雲端基礎設施的技術深度與工程效率，直接決定了演算法迭代的速度和質量，進而影響最終產品的市場競爭力。
對元戎啟行而言，與阿里雲合作的核心價值，在於透過阿里雲全棧式的技術能力（包括高效的基礎設施、長期積累的技術價值、以及開源開放的生態），將每一分算力的技術價值發揮到極致。這正是其構築自身技術壁壘、實現商業正迴圈的底氣所在。
對於所有致力於在物理AI時代取得突破的智慧駕駛參與者而言，元戎啟行的實踐極具參考價值：要跨越智慧駕駛的“最後一公里”，需要擁抱VLA;而要高效地訓練VLA，需要選擇一朵像阿里雲這樣具備全棧能力、能夠提供長期價值陪伴、且開源開放的“超級AI雲”。
因為在新世界裡，走得快需要好的技術。而走得遠，則需要好的夥伴。