大众汽车首次展示了Momenta公司即将推出的下一代大模型R7。曹旭东表示，传感器的作用并不像人们想象的那么重要。

一凡 发自 副驾寺

曹旭东透露，Momenta将采用世界模型而非VLA来提高其大模型R7的性能。

该公司最近预告了其新的大模型R7，该模型引入了世界模型来增强其在强化学习中的表现。

据报道，新模型R7在引入世界模型后性能显著提升，上汽大众总经理陶海龙亲自测试后，认为其表现令人印象深刻。

上汽大众计划将这款名为ID.ERA 9X的车型作为其旗舰产品首发。

必须我们首发。

ID.ERA 9X是一款全尺寸增程式SUV，车长超过5.2米，结合了德国制造的机械优势和中国的AI技术。

曹旭东介绍了公司转向世界模型的原因，以及其对未来自动驾驶技术的展望。

曹旭东在介绍世界模型之前，回顾了过去自动驾驶技术发展的瓶颈，指出模仿学习的方法无法超越人类司机的水平。

为了突破技术限制，Momenta转向了强化学习，并在去年推出了R6模型，这是一种基于强化学习的端到端大模型。

R6模型能够在开放环境中自主探索，不再只是模仿人类的行为，而是从多维度筛选最佳路径。

R7模型是基于强化学习和世界模型的结合，标志着Momenta未来技术发展的方向。

关于世界模型，存在两种主要类型：生成世界模型和表征世界模型。

生成世界模型主要用于自动驾驶和具身智能的云端训练，表征世界模型则代表了车辆端的AI算法。

Momenta选择的是表征世界模型，这一路线得到了蔚来和华为的支持。

曹旭东解释了为什么选择世界模型而非VLA。

他认为，物理AI时代已经来临，自动驾驶技术需要具备理解物理世界的能力。

从技术角度来看，曹旭东指出VLA的训练侧重点与自动驾驶的需求不符，导致其难以在实际应用中发挥关键作用。

谈到传感器的选择，曹旭东强调，算法架构、数据和研发体系能力比传感器更加重要。

数据是AI发展的基础，而算法架构的整合和长期积累同样至关重要。

曹旭东表示，芯片算力紧随其后，是决定模型性能上限的关键因素。

他认为，即便采用纯视觉传感器，其效果也已经远远超过了人类的双眼。

随着数据、算法架构和研发体系能力的提升，传感器数量的边际效应正在减弱。

这种观点正逐渐成为行业的共识。

而从技术角度来看，曹旭东介绍称VLA的训练侧重点与自动驾驶的需求有偏差。VLA训练起源于LLM，底座模型的参数量一般在100B左右，然后再通过视觉和语言对齐，最后用行动去和视觉-语言组合对齐。这样看来在VLA的训练过程中，语义的优先级高于驾驶，很多参数也没用于驾驶任务，“好钢没用在刀刃上”。总结起来就是“VLA对自动驾驶是锦上添花，很难雪中送炭”。

VLA和世界模型，是软件算法层面的争议，而在底层硬件上，行业此前还一直存在着纯视觉和多传感器冗余（激光雷达）的争论，但这已经是过去时了。

曹旭东认为，传感器选型的重要性只能排在第三位。前两位是什么？

首先，Momenta最重视的是算法架构、数据和体系能力。

数据不必多说，这是AI迭代的基石。先说算法架构，曹旭东表示单一算法本身的壁垒很低，更重要的是架构，即把很多算法整合形成合力，并长期积累的能力。

再往上层是研发体系能力，要像神经网络一样可以反向传播，就是识别到用户高价值的任务，并将其传播给产品和研发团队。这样团队才能知道什么事情产出最高，在方案选型时选出提升用户体验最快的方案。

曹旭东透露，数据、架构和体系能力是Momenta内部第一梯队重要的事情，而紧随其后的是芯片算力。因为芯片算力直接决定模型能力上限。

在这些要素之后，排在第三梯队的是传感器。曹旭东认为哪怕只用纯视觉，即传感器都用摄像头，相比人类双眼已经是“超配”了。因为人的双眼并不是360°环视的，摄像头的覆盖程度已经非常全面，有足够的冗余。

所以传感器当然是越多越好，但随着数据、算法架构和研发体系能力提升，堆传感器数量、堆激光雷达的边际效应会减弱。

“这已经逐渐成为行业共识了”。