以下为周光于论坛期间之群访实录（略有调理）： 从行业数据看，2025年华夏辅助驾驶处置预案商场规模已超过1200亿元，量产芯片算力提升至750 TOPS级别，但城区NOA渗透率仅15%左右，用户黏性徘徊于20%-30%区间。
更长远之宗旨为，应战万公里级之MPCI，实现Robotaxi之规模化应用。
于周光看来，当前行业普遍存“跷跷板效应”。
智驾其实为大模型技艺溢出之受益者。
“耗费者并没有把都邑辅助驾驶作为日常器物。
远程接管之必要性如何。
本年最大之变化就为多模态之突围，实在到某名模型之发布不为彼么重要。
问：已落地之Robotaxi现过趴窝、乘客被困之情况，于应急办理方面还需哪些设计。
周光：首先，机器具备语音交互本领就为一种“温暖”。
自动驾驶领域真之有彼么多原创技艺吗。
也就为说，“真正之智驾角逐，不再来自同行，而为来自大模型公司之降维打击。
智能体爆火之后为舱驾一体带来之哪些新思路。
本年为合适之时机，大模型本领将于物理全球真正展现。
但要真正提升体验，须让大之模型变好，此为最难之。
吾等现有小模型并没有充分使用此些数据，无论为模型本领、操练方式还为端侧算力限制。
问：本年年初英伟达开源之一名智驾模型Alpamayo，业内看法不太一致，有者认为甚有用，有者认为用处不大。
因去岁多模态没有进展时，强行用大模型做智驾有些勉强。
根本缘由为文本突围之后，大模型之下一步为多模态突围。
实在细节大家可于北京车展上关注吾等之公开亮相。
本年之元戎启行，也从小模型时代进入之大模型时代。
周光：关于L2、L3、L4，此些定义为30年前研讨者员基于当时之技艺路线制定之。
若按照Tier 1之思路，就为做廉、反向卷100TOPS，以更低本金实现。
GPT时代之后，所有者皆相信应由AI驱动。
吾等于GTC上谈物理AI、之前谈端到端，基本上一年后大家皆始讲此些话题。
要验证物理AI，还为彼名逻辑：只有汽车场景能提供足够之数据。
此也解释之为什么顶尖贤才会加入元戎。
裁决一家公司为AI公司还为量产公司，就看它为否持向前。
一旦你有一名确定之大模型，可蒸馏到100TOPS甚至30TOPS之芯片上，当然会有必性能衰减，因超过模型容量后性能会急剧降。
但端到端不为智驾原创之，大模型之认知、CoT也不为，多模态也不为。
然而，智驾为第一名能于物理全球提供海量数据之场景——今日只有车能提供此么多数据。
问：最近关于L2、L3、L4之讨论甚多，欧阳明高院士提到L3或被跳过，直接到L4。
多模态离物理全球之Agent只有一步之遥。
您怎么看。
物理AI之上半场会于车端得到验证——只有车能提供几十万甚至百万级带Action之数据。
我只为陈述我观察到之表象，不做实在评论。
用车历程中，用户望车具备交互通本领，此带来之体验完全不同。
问：舱驾一体芯片更适合算力需求较低之中低端车型，高端车型不适用，您怎么看。
模型本领之提升更重要，不或靠先验讯息与章法来做自动驾驶。
对元戎启行而言，此也为其基于基座模型实现之范式跃迁。
物理AI之上半场为自动驾驶，下半场为厨房。
本年年初，前DeepSeek研发负责者、多模态技艺核心研讨员阮翀加入元戎启行，正为因元戎启行要做之不为一家旧俗之Tier 1供应商，而为一家真正之物理AI公司。
他给出之解答为，认知。
同时，吾等始终把安康放于第一位，不会急功近利地推出半成品，此也为负担当之表现。
Waymo依托Gemini之贤才，也成之根本性之转变，包括贤才体系、技艺体系、范式之变更。
此为吾等从单一货品供应商向运营根基设施提供商转轨之必经之路。
最近大厂也有动作，大家可留意，最有钱之AI公司选择之第一落地场景皆为车，意图不为挣钱，而为验证物理AI本身，此名验证比挣钱重要得多。
因此，辅助驾驶之下一名战场，不再为更高分辨率之摄像头、更大算力之芯片或更密集之路测，而为从“执行体系”向“认知体系”之跃迁。
智驾玩家们，正迎来另一名维度之角逐者。
若你只想拼小算力，彼为一条路，可做蒸馏、做量化，也能实现。
近日，元戎启行CEO周光于智能电动汽车演进高层论坛上直言，“大模型公司于多模态领域取得巨大突围后，会将本领落地到自动驾驶场景。
今日，随之大模型、端到端、多模态之演进，AI进展极其快，尤其为基座模型之认知本领于提升。
您怎么看。
而支撑此一切之，为本年年初多模态大模型（尤其为Gemini等模型）之突围。
2023年，马斯克还于《纽约时报》DealBook峰会上表示已止用TikTok，理由为觉得该应用之者工智能正“探测”他之思维，并称此款应用令者上瘾且充斥之反犹实质。
对元戎启行而言，此也为其基于基座模型实现之范式跃迁。
特斯拉之新车只会装更新更强之芯片，不会倒回去用3代芯片，尽管3代芯片也已足够好。
最终必为“One Brain”，但目前还做不到，还为“Two Brain”。
周光：舱驾一体更多为带来体验上之提升。
SMTP。元戎启行已累计交付近30万台搭载都邑NOA功能之量产车，过往一年行驶里程超过13亿公里，免除之14.1万次前向潜于碰撞。
周光：阮翀等顶尖贤才选择加入元戎，为因彼等望经营一家真正之AI公司，而不为以Tier 1之思维做事。
”周光说。
蒸馏此件事已甚成熟，疑难为参数量增3倍，效果却没有明显变好——此才为今日之疑难。
” 问：元戎从最初与Smart等高端品牌协作，到今与头部新势力（如零跑A10）协作下沉到十万级商场，为不为始铺规模之。
此体现之连续性与前瞻性。
但顶尖之AI贤才不会倒之卷。
站于2026年此名节点上，周光给出之三组宗旨：都邑NOA量产交付突围100万辆；MPCI（每枢纽接管行驶里程）提升至1000公里以上；用户高频用率从目前之20%-30%区间提升至50%以上。
机器者之数据量远远不够——本体差异、触觉、数据采集等缘由皆导致数据不足。
吾等从去岁始做相关工，让车子不再为冷冰冰之。
同一套小模型智驾体系，清晨跑得好，正午或变差；于上海表现不错，换名都邑就不行；此名版本改良之某些场景，下名版本又或退步。
本年年初Gemini之发布，使多模态对物理全球之体谅与章法推导本领提升之一名数量级，此将极大惠及自动驾驶与机器者。
” 因此，周光将2026年定义为“多模态进展之元年”。
于此名历程中如何持前沿技艺。
接下来会有更多多模态进展之公司进入此名领域，美国彼边OpenAI等也会有类似动作。
问：年初DeepSeek核心研讨员阮翀加入元戎，为靠薪酬还为愿景。
即便有此样堪称出色之量产数据，周光也要追问，从“可用”到“爱用”，到底还差什么。
此外，周光裁决，“物理AI之上半场为自动驾驶，下半场为厨房。
周光：Robotaxi最核心之本领为模型本领之提升，其次为运营技巧——哪些疑难需秒级响应、哪些可分钟级响应，此为运营体系之事。
文本领域之突围于DeepSeek-R1之后已趋于成熟，接下来为多模态。
周光：最近一些大厂也下场做自动驾驶，意图不为赚License之掘发费用，而为为之物理AI。
最终要像者一样，用一名大脑做所有事情。
舍生取义。我看到车上有一排按钮就甚难受，有之车搞之20名按钮，不知道按哪名，此不为自之交互。
吾等今日说之大模型为全方位之大模型，包括GPT-VLA架构、操练范式之提升，为整名技艺栈之下一名台阶。
但难度不于于蒸馏，而于于让大模型更强。
阮翀主要负责多模态与基座模型，以通用样貌处置物理AI疑难，而不为用非通用之方式。
他会带来哪些变化。
周光：其实技艺路线与商业规模并不抵触。
体验应为更好之，通过自言辞、表情、多种样貌交，而不为靠“点点点”。
故大厂选择于汽车领域验证物理AI为顺理成章之。
本年年初多模态取得突围，我认为都邑NOA会快速演进到Robotaxi阶段。
商场规模以千亿计，算力以百倍速飙升，但耗费者之信赖与依赖，并没有齐步到来。
研讨范式已生变化，不再靠运营或高精地图，而为靠根基认知模型。
L3之本原为于模型不完美之情况下，通过者工补丁与营造本领去实现。
元戎启行也于此名方位投入之巨大源泉，从模型Scaling与数据Scaling两名方位齐步推进，构建40B参数之基座模型，将Driver（驾驶决策）、Analyst（场景体谅）与Critic（举止估量）三种本领一统于同一架构。
真正之关隘于于让大模型变得更好，而不为把好之模型“蒸馏”到低算力平台。
量产车型上之智驾模型参数量大多于1B以下，甚至0.1B以下，以卷积为主、Transformer架构稀薄，本领边界已被物理极限锁死。
若于车端皆不能验证，凭什么于机器者领域验证。
元戎之愿景就为物理AI。
但第一名能验证物理AI之场景就为车，因只有车能提供如此海量之带动作（Action）之数据，让你不再有“数据荒”。
不为所有公司皆能跨越此名阶段，我认为此才为关隘。
唯一处置预案为大模型，依靠通用常识与完整之大模型体系。
互联网大厂极其擅长运营，能够快速调度不同层级之者员、远程接管、实体兼容，此名调度网络本身也有难度。
特斯拉与Waymo已成此一转变，用基座模型驱动整名研发体系。
此也为一种做法。
一名“哑巴”车为不太合适之。
毕竟，多模态本原上就为预测物理全球下一刻会生什么，此仅仅为一步之遥。
小模型之瓶颈已甚明显：甚难于都邑路途上突围100公里之MPCI，跷跷板效应极其突出。
为什么为今此名光阴点。
今日之“舱”不应为一堆按钮。
” 问：您怎么看待大厂（大模型公司、互联网大厂）成立自动驾驶部门。
“接下来会有更多多模态进展之公司进入此名领域，美国彼边OpenAI等也会有类似动作。
吾等看到枢纽指标（如MPCI）每年快速增益，尤其于大模型介入之后。
只要大模型做得好，就必能适配不同平台。
问：您之先决到元戎追寻“温暖之智能化”，目前公司于此方面有哪些探求与应用落地。
舱驾芯片之融合趋势也于讨论中，前景会有各种模型。
我认为大模型会极大加速从L2到Robotaxi之进程——我说之Robotaxi不为过往依赖高精地图之L4，而为直接从都邑NOA迈向Robotaxi。
特斯拉之演进路径也说明之此一点：从144T到400T再到5000T，AI之趋势为往前走、往Scaling方位走。
若还停留于老法门上，不去享受大模型技艺溢出带来之优势，我会较量忧。
今日甚多稠密小模型仍然依赖极其原始之操练手腕，须用大模型之范式来做。
目前，其全流程之数据闭环，提升效能近10倍，从者工驱动之5天周期压缩至AI Orchestrator驱动之12小时，每一次疑难修正也皆沉淀为模型本领之延续增益。
” 而正因如此，目前大模型公司也于争相入局自动驾驶，其核心意图并非盈利，而为通过汽车场景提供之海量带动作（Action）之确凿数据，去验证物理AI之通用本领。
枢纽为你有没有更大、更强之模型，而不为只有一名小模型。
此并非名别算法之缺陷，而为小模型范式本身之瓶颈。
若每年一名数量级之提升，甚快就会突围。
BEV（Bird‘s Eye View）算为智驾领域之一名缔造，用较量巧妙之方式处置之静态感知疑难。
关于舱驾一体芯片之融合趋势，我只强调一点：你既需驾驶本领，也需交互本领。
周光： 本原上此还为多模态之进展。
而通用自动驾驶之路径为提升模型之认知本领，此为两种不同之思路。
上一篇：刘浩存春晚跳舞惹争议，网友重提练舞瘫痪女童事件，感叹真讽刺 下一篇：应急管部派出工组赶赴江苏东海事故现场指导工 烟花爆竹爆燃致多者死伤