问题：L5自动驾驶为何屡次延期、落地节奏不及预期 近年来，自动驾驶产业感知、规划、控制等关键能力上持续进步，车端算力与传感器成本下降也为规模部署创造条件。但更高等级自动驾驶，尤其是面向全场景、全天候的L5目标，仍多次出现“时间表后移”。在元戎启行的判断中，症结不在某单点技术，而在系统走向成熟所必需的规模化能力尚未形成：既要模型容量能够覆盖近乎无限的道路场景分布，也要具备可持续复利增长的数据闭环与工程体系，二者相互制约，决定迭代速度与上限。 原因：模型与数据“双瓶颈”共同限制进阶效率 一上，小模型对数据的吸收会出现边际收益递减，面对复杂多变的城市交通、极端天气、低频高风险“长尾场景”，模型能力容易“吃不下、学不全、泛化不足”。另一方面，传统数据生产管线高度依赖人工处理：从海量原始数据中发现问题、筛选片段、标注样本、评估效果往往周期长、成本高、难以标准化，导致数据迭代难以形成稳定复利。行业普遍认可“车队闭环”的方向，但闭环效率若无法提升，规模优势就难以转化为能力优势，最终表现为高阶能力推进缓慢。 影响：规模化能力成为产业竞争的新分水岭 随着城市NOA等功能进入规模装车阶段，产业竞争正从“能不能跑”转向“能不能持续提升、能不能稳定扩展”。规模化能力强的企业，更可能在复杂场景覆盖、系统稳定性、量产效率与合规安全论证上形成优势：其一，车队数据能够更快沉淀为训练样本与验证证据；其二，模型迭代周期缩短，有利于应对道路环境变化与版本快速演进；其三，针对安全接管、风险场景复现与验证体系化能力，将成为面向更高等级自动驾驶的重要基础。对整车厂与产业链伙伴来说，选择技术路线与合作模式时，也将更重视“模型—数据—工程闭环”的可持续能力。 对策：以基础模型为枢纽，推动模型、数据、仿真三线协同 据介绍，元戎启行提出以基础模型为核心的“模型与数据双飞轮”，并强调仿真技术在长尾场景上的补位作用。其路线的关键点包括： ——模型规模化：以400亿参数VLA基础模型为核心提升容量与泛化 该公司推出400亿参数的VLA（视觉+语言+动作）基础模型，并采用分阶段训练策略：在预训练阶段以视频预测为主要方式，利用超大规模数据提升对动态交通要素的学习效率；在中期训练中，将驾驶行为学习与语言能力结合，强调对驾驶决策的推理、分析与解释能力；在后训练阶段引入强化学习优化策略，并将实时推理延迟控制在约60至85毫秒，以满足车辆10至15Hz实时控制的工程需求。其意图在于通过更大容量与更统一的模型结构，降低多模块规则耦合带来的复杂度，逐步逼近“端到端、少规则”目标。 ——数据规模化：提升原始数据到高质量样本的转化效率 元戎启行认为，数据闭环的关键不是“有没有数据”，而是“能否高效把数据变成训练与验证资产”。为此，其提出用基础模型赋能数据全流程：对系统问题进行自动诊断，从海量数据中挖掘高价值片段，辅助标注与质量控制，并自动评估样本有效性，压缩迭代周期。其披露，传统数据生产周期往往超过5天，通过流程自动化可将周期压缩至约12小时，形成更快的迭代节奏。结合已落地车队产生的接管数据，目标是提升数据转化率与可用性，为后续扩大装车规模提供“越跑越会开”的闭环基础。 ——仿真技术：面向长尾与极端场景提升覆盖与验证能力 面向低频但高风险的边缘场景，仅依靠真实道路采集往往效率不足、成本高且存在安全风险。涉及的方案提出通过高保真三维场景重建与自动修复，缩小仿真与现实差距；利用风格迁移等方法生成全天候仿真数据；并通过在真实数据中插入三维障碍物等方式，系统化构造极端危险场景，用于训练与验证。强化学习与模型评判机制被用于检查推理与动作一致性，提升决策在边缘场景下的可靠性与可控性。 前景：从规模部署走向能力复利，L5仍需跨越系统性门槛 元戎启行披露，其城市NOA方案累计装车已超过20万辆，真实行驶里程约13亿公里，并提出向百万规模冲刺的目标。业内普遍认为，规模扩张既意味着数据与工程能力的放大，也意味着对安全、稳定、体验一致性提出更高要求。面向L5目标，要满足系统全模块数据驱动、端到端减少人工规则、车队闭环具备足够有效接管数据以及模型容量覆盖全场景等条件，仍需要在算力供给、数据合规治理、验证体系、功能安全与监管协同各上形成更成熟的产业化路径。未来一段时间，更现实的进展或体现在：统一模型带动迭代效率提升，数据闭环效率持续压缩，仿真与现实的差距深入缩小，高阶能力在可控范围内逐步扩展场景边界。
自动驾驶迈向更高等级，不只是单项技术的突破，更是规模化系统工程能力的比拼。以更强的模型、更快的数据闭环与更逼真的仿真推动能力增长，提供了一条可观察的推进路径；但越接近“无人化”，越需要以安全为底线、以合规为边界、以可验证为标准。未来，谁能在规模扩张中守住安全与责任，并形成可复制、可持续的迭代机制，谁就更可能在新一轮产业竞速中占据主动。