芝能科技出品
在过去几年，自动驾驶行业有一个几乎没人质疑的前提：只要数据足够多、工程能力足够强，这个系统就会不断变好。
从感知到规划，从规则到端到端，整个行业都在围绕一个方向持续加码，更多传感器、更大算力、更复杂的软件栈。大家默认，这是一场“工程问题”，只要投入足够，结果只是时间问题。
但在GTC 2026，元戎启行CTO 曹通易 的分享，给了一个新的思考。数据在爆炸，车队规模在扩大，但系统的进步速度却在放缓。很多公司已经进入一种“看起来在进步，但用户体验没有质变”的阶段。
问题不在工程，而在“认知”。自动驾驶，正在从一个系统工程问题，转变为一个模型问题。
过去两年，端到端几乎成为行业共识。大家逐渐放弃模块化拼接的路径，把感知、预测、规划尽可能收敛进一个统一模型中，希望通过数据驱动来逼近人类驾驶能力。但现实是，端到端并没有带来想象中的跃迁。
模型在进步，但进步的斜率在变缓；数据在增加，但长尾问题依然顽固存在。
很多企业的真实状态是：系统越来越复杂，但对极端场景的处理能力，并没有同步提升。这背后是一个典型的Scaling Problem。
● 首先是模型容量的瓶颈。自动驾驶面对的不是标准化环境，而是高度开放的真实世界。鬼探头、异常行为、非结构化参与者，这些长尾场景本质上要求模型具备极强的泛化能力。而现有模型更多是在“记忆分布”，而不是“理解世界”，当遇到分布外数据时，很容易失效。
● 其次是数据效率问题。车端每天产生海量视频，但真正对训练有价值的片段极少，大量“正常驾驶数据”反而在稀释模型的学习能力。传统的数据筛选方法依赖规则和人工，本质上是一次性处理，很难形成持续积累。
● 更关键的是迭代速度。数据闭环链路过长，从采集到部署往往需要数天甚至更久。当车队规模扩大后，这种延迟会被进一步放大，最终形成“数据很多，但认知更新很慢”的结构性矛盾。
这些问题叠加在一起，构成了一道真正的墙——不是算力墙，而是“认知墙”。自动驾驶第一次遇到一个类似大模型领域的问题：不是你没有数据，而是你没有能力把数据转化为有效认知。
在这样的背景下，元戎启行提出的40B参数VLA模型是“更大的模型”，也是一种新的变化。
传统自动驾驶模型是一个执行系统——输入环境，输出动作。而VLA模型的设计，则试图让模型同时承担三种角色：驾驶员、分析师和评估者。模型不再只是“做决策”，而是开始“理解决策”。
在预训练阶段，元戎没有沿用轨迹监督的思路，而是转向视频预测。这一步看似简单，实则把训练目标从“模仿行为”转向“建模世界”。
当模型被要求预测未来帧时，它必须学习物体运动、空间关系和因果逻辑，这些能力构成了自动驾驶真正需要的基础认知。
进入Midtrain阶段，Driver、Analyst、Critic三个角色被同时训练。模型不仅要输出驾驶行为，还要解释当前场景、评估行为优劣。这种设计本质上是在构建一个“自洽系统”：它既是执行者，也是裁判。
语言的引入进一步强化了这一点。通过“Learning to Explain”任务，模型需要用自然语言描述场景和决策依据。
这并不是为了可解释性本身，而是借助语言这个载体，强制模型建立因果推理能力。某种程度上，这和大模型中的Chain-of-Thought是同一类问题——能说清楚，才意味着真的理解。
最终，在推理阶段，这套系统被抽象为Observe-Reason-Act三个连续步骤。
视觉输入被编码为Token，经过推理生成决策逻辑，再转化为控制指令。这种结构让自动驾驶第一次具备了类似“思考过程”的中间层，而不是直接从输入跳到输出。
如果从更高一层来看，这套VLA模型能不能从“反应系统”，进化为“认知系统”？
数据闭环被重写，
自动驾驶开始具备“自我进化”的能力
模型的变化，最终会体现在数据闭环上。在传统体系中，数据闭环是强人工驱动的：人去找问题、标注数据、定义规则，再反向优化模型。这种方式在早期有效，但随着规模扩大，会迅速遇到瓶颈。
元戎的路径，是用Foundation Model重构整个闭环，让数据处理本身也成为模型能力的一部分。
在这个体系里，数据挖掘不再依赖规则，而是由模型自动识别高价值片段；接管分析不再是人工归因，而是模型对问题进行分类和诊断；标注过程从“标答案”变成“生成推理过程”；驾驶质量评估也由模型统一完成。
这些能力共享同一个模型基础，从而形成真正的飞轮：模型越强，数据处理能力越强；数据越多，模型又进一步提升。
长尾问题的处理方式也发生了变化。过去需要人为定义“正确答案”的corner case，现在可以通过仿真和强化学习来解决。
模型在高保真环境中生成多种决策路径，通过自我评估不断优化策略分布。这意味着系统开始具备一种新的能力——不是被动学习，而是主动探索。自动驾驶第一次接近一种“自我进化系统”。
当然，工程问题依然存在。40B模型如何部署、如何控制成本、如何适配不同算力平台，这些都需要通过蒸馏等手段来解决。但这些问题的性质已经发生变化——它们不再决定上限，而更多是在约束落地节奏。
过去十年，这个行业比的是工程能力：谁的传感器更强，谁的系统更稳定，谁能把复杂度控制在可交付范围内。但在GTC 2026之后，大家考虑的是谁能构建一个可持续进化的“AI大脑”，行业的分层将被重新定义。
一部分公司，会继续沿着工程优化的路径前进，把系统做得更稳、更可控，但能力提升趋于线性；另一部分公司，则会押注模型驱动，承担更高的前期成本，但一旦跨过临界点，能力可能呈指数级提升。
自动驾驶，从来不是一个均匀演进的行业，更接近AI本身——要么长期停留在阈值之下，要么一旦跨过那条线，就迅速拉开差距，重写规则。
