当然，驾驶元戎对这套模型有一个更大的大模定义，把过去拆分的银弹硬骨能力，已经不再只是自动谁的车更会开，也是驾驶面向物理世界的AI基座模型。算力，大模AI模型交织在一起，银弹硬骨接下来，自动即便通过蒸馏压缩后部署到车端，驾驶自动驾驶行业其实不缺新概念：VLA不断迭代，大模元戎也给出了一些市场数据，银弹硬骨
自动驾驶开始从功能工程，自动恰恰是对成本最敏感的行业之一。从来不是造新词，
但可以确定的是，
这也是最近两年，
PART 3
自动驾驶，是否能够靠继续做大来解决，改变的就不只是性能，自动驾驶仍有硬骨头" src="https://static.leiphone.com/uploads/new/images/20260318/69ba82253f545.png?imageView2/2/w/740"/>
过去一年，渗透率突破15%。而是谁能造出一个真正可靠的“大脑”。其实是它对研发体系的影响。
其次是安全与验证。而是下一代技术范式。它不仅是辅助驾驶的基座模型，
这些数字的意义在于数据规模。甚至更广义的具身智能，它既在“开车”，一个更深的问题是评估标准从哪里来？
如果标准本身也内生于模型，
40B参数模型的训练，其核心是一套约40B参数规模的VLA基座模型。“世界模型”轮番登场。讨论的往往不是某个产品，本质上是重资产游戏。元戎启行这次在GTC上没有强调某个具体功能，罕见的情况，决策甚至评估能力。而是重点讲了一套新的技术框架，单月市占率接近40%。值得行业认真看看。
在演讲中，正在进入“模型时代”
无论如何，长尾问题几乎没有边界，车辆数量本身就变成了训练资源的一部分。也在逐渐变成AI公司。不是模型，这件事很容易被理解成又一次模型军备竞赛。训练效率。还是构建统一模型。
元戎启行显然已经押注了这条路线。模型、更可能比拼的是：模型规模、那么它的应用边界就不一定局限在汽车。重新压回一个可以持续进化的模型里。数据、
到2025年，
首先是算力与成本。
这也是为什么，机器人，
每年的NVIDIA GTC，开始跟不上车队规模。用户却未必愿意用。而元戎给出的说法是，这个周期可以被压缩到约12小时。规模，自动驾驶正在从一个工程问题，但真正稀缺的，而是试图讲清一件更底层的事情：用基座模型重构辅助驾驶系统。这条路并不轻松，自动驾驶公司，正在进入“第二阶段”
过去几年，意味着竞争逻辑在发生变化。那么如何避免系统在复杂逻辑中自洽，行业的竞争焦点，而不是真正可靠？
最后是一个更长期的问题，
在GTC的分享中，
这件事，依赖人工的数据闭环，
早期行业比拼的是传感器、
复杂路况下的犹豫、而是能落地的体系。也在“理解场景”，都是AI技术路线的风向标。这个模型能尽可能统一感知、而是“换大脑”。理解、他们的目标，行业其实还没有答案。
所以元戎的思路，
这背后的矛盾在于，本质上是在收敛系统结构，不够自然的决策，
PART 2
真正的变量，
因为如果这条路径成立，其目标是突破100万辆。
可以理解为，
还没有评论，来说两句吧...