无万卡，不VLA：元戎启行与阿里云的“想法”和“解法”

1980年代，卡内基梅隆大学的机器人专家汉斯·莫拉维克（Hans Moravec）提出人工智能领域的一个悖论：让计算机在逻辑推理、下棋等高级智力活动中达到甚至超越人类水平，相对容易；但要让它具备孩童那样的感知、运动和常识认知能力，却难于登天。

这个悖论的核心在于：对机器而言，真正的困难在于“理解”物理世界并与物理世界进行直觉式的交互。四十余年后，莫拉维克的观点，也投射在了智能驾驶的漫长征途上。

如果现在你跟智驾从业者深聊，会发现一个微妙的变化：几年前，从业者们还在为传感器的配置、特定场景的覆盖率等讨论不停；而今天，话题焦点又多了一个更具体的模型结构——VLA（视觉-语言-行动模型）。为什么？

一、智驾的终极体验，是“像人一样决策”

我们知道，要实现高阶智能驾驶，最大的挑战之一就在于：真实物理世界的复杂性和不确定性。比如，如何理解一个交警招手动作的复杂意图？如何判断一个滚向路边的足球背后是否会冲出一个孩子？它要求AI不仅要识别物体，更要理解场景、预测意图并进行复杂的因果推理。为何如此困难？

元戎启行创始人兼CEO周光，这位拥有物理学背景的AI博士，在前阵子和我们交流时一语道破其中的关键。他将驾驶行为划分为两个层次：一个是“Move like human”（像人一样行动），另一个是“Decision like human”（像人一样决策）。

周光认为，早期的AI决策模型，更擅长处理“条件反射式”的驾驶行为，比如跟车、车道保持、简单避障等，这些可以被归纳为“Move like human”（像人一样行动），但这只能解决95%常见的驾驶问题。

但决定智能驾驶安全性和体验感上限的，恰恰是那些需要推理和预判的长尾场景，也就是圈内常说的Corner Case。他举了一个直观例子：“前方两三百米外有施工，人类老司机会立刻观察后视镜，提前变道。但（早期的）智驾系统，可能是开到近处，识别出锥筒、水马这些障碍物时才做出反应，往往带来突兀和不舒适的驾乘体验。”

要解决这个长尾问题，系统必须具备周光所强调的“推理驾驶”（Inferential Driving）能力，这要求系统能够基于对物理世界规律的“理解”，进行复杂的因果推理和未来预测。

如果无法实现“Decision like human”，系统就可能停留在“高级的辅助驾驶”阶段，难以迈向L4乃至更高级别，无法让人类驾驶员真正放手。智能驾驶的本质，是一个需要理解并作用于真实物理世界的“物理AI”（Physical AI）命题。

要跨越这“最后一公里”，行业亟需一种能够赋予机器“认知”和“推理”能力的全新范式。这正是VLA这一模型结构，迅速成为当下行业新共识的根本原因。

二、VLA迈向推理驾驶

VLA将视觉（Vision）、语言（Language，代表认知和推理）和动作（Action）融合在一个统一框架内。这种融合带来了能力层级的质变，超越了简单的功能叠加。

“从旧架构变成GPT架构，这是一个根本性的变化。”周光反复强调。在他看来，过去的技术迭代（包括BEV等），都只是CNN框架下的“小版本更新”，而VLA才真正开启了智能驾驶的“大版本升级”，因为它让系统开始逼近“物理AI”的理想形态。

这种对技术本质的洞察，让元戎启行在技术路线上做到知行合一，坚信VLA是实现高阶智能驾驶的最优解。“要是不上VLA，我觉得是不可能到L5的。”周光判断，“VLA让业界真正看到了实现L5级完全自动驾驶的希望，未来的发展路径将紧跟大模型技术的演进。”

这家公司早在2019年刚创立不久，就完成了名为“全融合”的技术架构（即早期的BEV鸟瞰图技术）。到了2020年，便全力投入“无图”研发，让系统直接从摄像头等传感器获取的“原始数据”中学习，实时感知和理解物理世界。

到了2022年，周光和团队的预判得到了初步验证。他告诉我们，当时团队已经能通过算法，实时生成道路的拓扑结构图，虽然还不完美，但已经能清晰识别出路口和转向关系。这表示“无图”技术路线被成功跑通，为后续研发奠定了基础。

VLA带来的，是用户体验上可感知的“老司机感”，这种实实在在的体验变革，远胜于冰冷的参数：比如在复杂的城市路口，系统能预判可能出现的“鬼探头”，提前做出柔和的决策，而非急刹车；在人车混流的狭窄街道，系统能理解交通参与者的“意图”，进行更灵活的博弈，而不是死板地等待；面对临时施工或异形障碍物，系统能基于对物理世界的基本理解进行推理，做出合理应对。

这种从“辅助人”向“理解人”乃至“超越人”的进化，也有业界的权威观点支撑。阿里巴巴集团首席执行官吴泳铭此前在公开演讲中指出，通往超级人工智能（ASI）的关键瓶颈在于“真实世界的数据”和“自主学习”。他强调：“只有让AI与真实世界持续互动，获取更全面、更真实、更实时的数据，才能更好的理解和模拟世界，发现超越人类认知的深层规律。”

一句题外话，我们在写作之余回溯了周光早年的学术研究，发现他早在德州大学达拉斯分校攻读博士期间，就提出“去中心化自稳定算法”和“群体协作智能体”模型，探讨如何通过局部通信与自组织机制，让分布式系统在无中心控制下实现稳定协同。这种“由局部交互涌现全局智能”的逻辑，与VLA的视觉、语言、行动三模态的协同推理架构，在思想上已高度契合。

三、VLA 为何需要一座“算力电站”？

然而，为汽车装上VLA这个强大的“物理AI大脑”，难度巨大。它颠覆了传统的研发模式，带来三个“指数级”增长的挑战，让智驾公司必须重塑自己。

挑战一：数据处理的“量级之变”。VLA模型吃的不是“二手”的高精地图数据，而是物理世界最原始、最鲜活的多模态数据——海量的图像、视频、传感器信号。处理这些数据，对数据处理的吞吐量和效率提出了前所未有的要求。

挑战二：模型训练的“范式之变”。训练VLA模型，就像培养一个天才。不能从零教起，而是采用“知识蒸馏”技术：先用一个拥有千亿参数的云端“教师模型”（基座大模型）进行预训练，再将它的智慧“蒸馏”到车端仅有几十亿参数的“学生模型”上。这个过程，对算力集群的规模、稳定性和调度能力要求极高。

挑战三：研发效率的“成本之变”。“早些年几百张卡就能开个小作坊。”周光感慨，“但在VLA时代，几千张卡是起步，万卡是入场券。”研发成本结构也从过去“人力占97%，算力占3%”的劳动密集型，转向“人力与算力一半一半”的资本密集型。

阿里云智能AI汽车行业线销售总监黄晨，向我们揭示了一个残酷的现实：“一台GPU智算服务器，它每一分钟的成本都可以核算出来。你如果只用了70%，那么30%空跑的时间就是损失掉的真金白银。”

面对这些挑战，自建算力中心已非最优解。建设和运维一个“超万卡集群”，其工程复杂度、能耗和成本都是天文数字。智驾公司最明智的选择，是接入一个稳定、高效、且懂AI的“算力电网”。

这正是元戎启行与阿里云的合作进入深水区的原因。他们需要的不是简单的算力租赁，而是一个能解决VLA时代全链路挑战的合作伙伴。

四、超级AI云的全栈解法

具体而言，阿里云提供的“超级AI云”，是一套从IaaS（基础设施）、PaaS（平台工具）到MaaS（模型服务）的全栈式解决方案，精准解决其在VLA路上可能遇到的痛点，从而带来极致的效率优化。

第一重：以极致的工程能力，构筑稳定高效的算力基石（IaaS层）。

要解决“万卡集群甚至超万卡集群”的稳定性问题和通信效率瓶颈，无疑需要久经考验的系统工程能力。元戎启行的算力需求，主要由阿里云PAI-灵骏智算服务承载，PAI-灵骏的核心价值在于，通过自研的高性能网络及智能调度算法，能将大规模集群的AI算力利用率提升超过95%。对于“每一分钟都是钱”的智驾研发而言，这意味着巨大的成本节约和时间缩短。

VLA训练中，海量小文件的并发访问，对存储系统是极大考验。对此，阿里云的分布式文件系统CPFS就派上用场，它提供超高并发的多机读取能力，为万卡集群提供了数据的“饱和投喂”，确保元戎VLA模型训练极致高效。

此外，VLA大模型的训练也是一场围绕数据的精密接力赛：对元戎启行而言，百PB级的原始感知数据在深圳汇集、清洗和标注，最终在阿里云乌兰察布智算集群完成模型迭代。面对该问题，阿里云的云企业网CEN构建了一张覆盖全国的“算力一张网”，可实现数据和算力的灵活调度。同时，阿里云的全栈安全防护体系，可确保元戎启行在云端训练过程中的数据安全。

这些坚实的基础设施，共同构成了元戎启行在VLA时代加速奔跑的底气。

第二重：以独有的工具链，加速数据处理与模型迭代（PaaS层）。

说完了数据训练，那么说到数据处理，其效率也直接决定了模型训练的速度，如何高效完成海量多模态数据的清洗、标注和预处理，是模型训练的重要一步。

在数据处理方面，阿里云自研的分布式计算框架MaxFrame，日均可完成数十万级数据包处理，生成数百万Clips和数亿训练样本，相比开源框架性能提升40%以上。同时，结合智能数据开发治理平台DataWorks，可实现百万级任务统一开发调度与元数据追溯，高效支撑VLA模型海量多模态数据训练。这些工具链的高效协同，为VLA模型训练提供了充足且高质量的“燃料”。

接下来在模型训练阶段，迭代速度决定了竞争优势。阿里云专为智驾领域定制“加速包”PAI-TurboX，在数据层、计算层、系统层深度优化。阿里云计算平台事业部负责人汪军华介绍，TurboX能在多个主流模型上将训练时间缩短50%以上——这意味着元戎的模型迭代周期直接减半，能够更快将新技术能力应用到产品中。

第三重：以开源开放的生态，提供创新的战略纵深（MaaS层）。

如上文所提，VLA模型的构建并非从零开始，它需要强大的基座模型进行知识蒸馏和调优。在这一点上，阿里云的开源开放战略，为元戎启行提供了助力。

通义千问（Qwen）系列模型，作为全球第一的开源模型矩阵（根据Huggingface开源大模型榜单Open LLM Leaderboard），它目前全球下载量超6亿次，衍生模型超17万个，为行业提供了坚实基座。周光对此高度认可：“元戎启行经常用通义大模型去做一些蒸馏，通义开源挺好的。”这种开放性，让元戎启行得以站在基座模型的肩膀上，更高效优化自己的车端模型。

同时，它支持厂商基于开源能力做深度自研，这一点至关重要。这使得元戎启行能够将宝贵的研发资源，投入到智驾垂类知识的积累和创新上，而不是重复造轮子。

从IaaS的工程能力，到PaaS的工具链，再到MaaS的开源开放生态，阿里云提供的“超级AI云”全栈能力，构筑了其在智驾训练领域的重要地位。正如阿里云智能集团公共云事业部AI汽车行业总经理李强在一次公开演讲中提到，超过60%中国智能辅助驾驶的AI算力来自阿里云。这足以证明，阿里云已成为智驾训练中那朵好用的云。

五、选择对的伙伴，驶向更远的路

诚然，强大的技术基建，最终要转化为商业成果和产业引领。

在商业策略上，许多智驾公司广撒网、服务多个品牌车型（多SKU），而作为全栈智能驾驶解决方案提供商元戎启行，再次展现了与其技术路线一致的“专注”。

周光进一步指出，有的智驾公司SKU特别多，但月销可能只有几百台；元戎启行专注于“大单品”策略——集中资源与车企深度合作，打造爆款车型。在他看来，只有深度合作，才能打磨出极致的产品体验。“你越是做的散，做的杂，你这个产品越难。”

这种“少而精”的策略背后，是对自身技术研发效率的绝对自信。而这份自信，很大程度上来源于其选择了一个能提供长期价值、深刻理解AI、并具备开放生态的云合作伙伴。

当然，智驾的商业化过程中，成本控制也至关重要。如今智驾已成标配，而非溢价项。黄晨告诉我们：“车上有智驾，不一定让你多卖1万块，但如果没有，一定不被接受。”

换句话说，当智驾成为“标配”而非“溢价项”，Tier 1供应商的利润空间被持续挤压。这样一来，选择云服务商，早已超越了单纯的资源采购，更上升为一项关乎核心竞争力的战略决策。因为云端基础设施的技术深度与工程效率，直接决定了算法迭代的速度和质量，进而影响最终产品的市场竞争力。

对元戎启行而言，与阿里云合作的核心价值，在于通过阿里云全栈式的技术能力（包括高效的基础设施、长期积累的技术价值、以及开源开放的生态），将每一分算力的技术价值发挥到极致。这正是其构筑自身技术壁垒、实现商业正循环的底气所在。

对于所有致力于在物理AI时代取得突破的智能驾驶参与者而言，元戎启行的实践极具参考价值：要跨越智能驾驶的“最后一公里”，需要拥抱VLA；而要高效地训练VLA，需要选择一朵像阿里云这样具备全栈能力、能够提供长期价值陪伴、且开源开放的“超级AI云”。

因为在新世界里，走得快需要好的技术。而走得远，则需要好的伙伴。