無萬卡，不VLA：元戎啟行與阿里云的“想法”和“解法”

　　1980年代，卡內基梅隆大學的機器人專家漢斯·莫拉維克(Hans Moravec)提出人工智能領域的一個悖論：讓計算機在邏輯推理、下棋等高級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，卻難于登天。

　　這個悖論的核心在于：對機器而言，真正的困難在于“理解”物理世界并與物理世界進行直覺式的交互。四十余年后，莫拉維克的觀點，也投射在了智能駕駛的漫長征途上。

　　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，從業者們還在為傳感器的配置、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）。為什么?

　　一、智駕的終極體驗，是“像人一樣決策”

　　我們知道，要實現高階智能駕駛，最大的挑戰之一就在于：真實物理世界的復雜性和不確定性。比如，如何理解一個交警招手動作的復雜意圖?如何判斷一個滾向路邊的足球背后是否會沖出一個孩子?它要求AI不僅要識別物體，更要理解場景、預測意圖并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)，但這只能解決95%常見的駕駛問題。

　　但決定智能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后視鏡，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，這要求系統能夠基于對物理世界規律的“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“高級的輔助駕駛”階段，難以邁向L4乃至更高級別，無法讓人類駕駛員真正放手。智能駕駛的本質，是一個需要理解并作用于真實物理世界的“物理AI”（Physical AI）命題。

　　要跨越這“最后一公里”，行業亟需一種能夠賦予機器“認知”和“推理”能力的全新范式。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。”周光反復強調。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才真正開啟了智能駕駛的“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是實現高階智能駕駛的最優解。“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傳感器獲取的“原始數據”中學習，實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，當時團隊已經能通過算法，實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系。這表示“無圖”技術路線被成功跑通，為后續研發奠定了基礎。

　　VLA帶來的，是用戶體驗上可感知的“老司機感”，這種實實在在的體驗變革，遠勝于冰冷的參數：比如在復雜的城市路口，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，系統能基于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。阿里巴巴集團首席執行官吳泳銘此前在公開演講中指出，通往超級人工智能(ASI)的關鍵瓶頸在于“真實世界的數據”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、更實時的數據，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，我們在寫作之余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“去中心化自穩定算法”和“群體協作智能體”模型，探討如何通過局部通信與自組織機制，讓分布式系統在無中心控制下實現穩定協同。這種“由局部交互涌現全局智能”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：數據處理的“量級之變”。VLA模型吃的不是“二手”的高精地圖數據，而是物理世界最原始、最鮮活的多模態數據——海量的圖像、視頻、傳感器信號。處理這些數據，對數據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“范式之變”。訓練VLA模型，就像培養一個天才。不能從零教起，而是采用“知識蒸餾”技術：先用一個擁有千億參數的云端“教師模型”(基座大模型)進行預訓練，再將它的智慧“蒸餾”到車端僅有幾十億參數的“學生模型”上。這個過程，對算力集群的規模、穩定性和調度能力要求極高。

　　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“人力占97%，算力占3%”的勞動密集型，轉向“人力與算力一半一半”的資本密集型。

　　阿里云智能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智算服務器，它每一分鐘的成本都可以核算出來。你如果只用了70%，那么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“超萬卡集群”，其工程復雜度、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云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云的全棧解法

　　具體而言，阿里云提供的“超級AI云”，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優化。

　　第一重：以極致的工程能力，構筑穩定高效的算力基石（IaaS層）。

　　要解決“萬卡集群甚至超萬卡集群”的穩定性問題和通信效率瓶頸，無疑需要久經考驗的系統工程能力。元戎啟行的算力需求，主要由阿里云PAI-靈駿智算服務承載，PAI-靈駿的核心價值在于，通過自研的高性能網絡及智能調度算法，能將大規模集群的AI算力利用率提升超過95%。對于“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，海量小文件的并發訪問，對存儲系統是極大考驗。對此，阿里云的分布式文件系統CPFS就派上用場，它提供超高并發的多機讀取能力，為萬卡集群提供了數據的“飽和投喂”，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數據的精密接力賽：對元戎啟行而言，百PB級的原始感知數據在深圳匯集、清洗和標注，最終在阿里云烏蘭察布智算集群完成模型迭代。面對該問題，阿里云的云企業網CEN構建了一張覆蓋全國的“算力一張網”，可實現數據和算力的靈活調度。同時，阿里云的全棧安全防護體系，可確保元戎啟行在云端訓練過程中的數據安全。

　　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，加速數據處理與模型迭代（PaaS層）。

　　說完了數據訓練，那么說到數據處理，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數據的清洗、標注和預處理，是模型訓練的重要一步。

　　在數據處理方面，阿里云自研的分布式計算框架MaxFrame，日均可完成數十萬級數據包處理，生成數百萬Clips和數億訓練樣本，相比開源框架性能提升40%以上。同時，結合智能數據開發治理平臺DataWorks，可實現百萬級任務統一開發調度與元數據追溯，高效支撐VLA模型海量多模態數據訓練。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。阿里云專為智駕領域定制“加速包”PAI-TurboX，在數據層、計算層、系統層深度優化。阿里云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周期直接減半，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模型的構建并非從零開始，它需要強大的基座模型進行知識蒸餾和調優。在這一點上，阿里云的開源開放戰略，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，更高效優化自己的車端模型。

　　同時，它支持廠商基于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，而不是重復造輪子。

　　從IaaS的工程能力，到PaaS的工具鏈，再到MaaS的開源開放生態，阿里云提供的“超級AI云”全棧能力，構筑了其在智駕訓練領域的重要地位。正如阿里云智能集團公共云事業部AI汽車行業總經理李強在一次公開演講中提到，超過60%中國智能輔助駕駛的AI算力來自阿里云。這足以證明，阿里云已成為智駕訓練中那朵好用的云。