DeepSeek 阮翀加盟元戎首秀，详解基座 VLA，研发提效 10 倍

📌 一句话摘要

前 DeepSeek 核心成员阮翀加盟元戎启行后首次公开亮相，详解其基于 40B 参数 VLA 基座模型实现自动驾驶研发提效 10 倍的技术路径，并分享从 LLM 转向物理 AI 的深层思考。

📝 详细摘要

本文报道了前 DeepSeek 核心成员阮翀加盟元戎启行后，在北京车展上的首次公开演讲。阮翀详细介绍了元戎如何利用一个 40B 参数规模的 VLA（Vision-Language-Action Model）基座模型，通过「用模型迭代模型」的方式，将自动驾驶研发效率提升 10 倍。该基座模型可拆分为驾驶模型（AI 司机）、分析模型（AI 分析员）和评估模型（AI 教练）三个部分。文章通过数据表征、数据质量评估和模型评估三个具体案例，展示了基座模型如何加速研发流程。此外，文章还收录了阮翀在圆桌讨论中的精彩回答，涵盖了他对物理 AI 的定义、大模型的能力边界、AI 安全以及他为何选择从 LLM 转向物理 AI 等问题的深度思考。

💡 主要观点

- 元戎启行采用 40B 参数 VLA 基座模型，实现自动驾驶研发提效 10 倍。 该模型集驾驶、分析和评估于一体，通过「用模型迭代模型」的方式，将模型迭代周期从 100 多小时缩短至十几个小时，显著提升研发效率。

基座模型改变了数据驱动的滞后性，实现训练前数据表征与质量评估。 过去需先训练模型才能发现数据问题，现在基座模型可提前分析数据并进行归类，让团队在训练前就知道数据分布和缺失场景，从而优化数据配比。

阮翀从 LLM 转向物理 AI，源于对边际收益递减的厌倦和使命感驱动。 他认为 LLM 已相对成熟，而物理 AI 领域仍有巨大发展空间，他更愿意参与一个尚未定型、能产生更大影响力的领域。

💬 文章金句

- AI 不再是被训练出的结果，而是训练系统本身的组成部分。

在数字世界和物理世界，AI 都初步呈现出自我进化的趋势。
我自己不太喜欢做边际收益递减的事情。
一件事情，如果我去做和我不去做，对世界来说都没有差别，那我为什么要做？
如果你坚信 AI 能超越人，那么你也需要一些工具来控制它，而不是期待它性本善。

📊 文章信息

AI 初评：88

来源：量子位

作者：一凡

分类：人工智能

语言：中文

阅读时间：8 分钟

字数：1986

标签： VLA, 自动驾驶, 基座模型, 元戎启行, DeepSeek

阅读完整文章

DeepSeek 阮翀加盟元戎首秀，详解基座 VLA，研发提效 10 倍

🤖 問 AI