如果說大模型的上半場是以互聯(lián)網大數據預訓練為代表的數字AI；而下半場，是以機器人、世界模型等為代表的物理AI。汽車可能正好處于兩者之間的分水嶺上。
在杭州云棲小鎮(zhèn)的會場，今年云棲大會，無論是會場外的天氣熱度，和會場內的人群熱度，都達到了一個相當高的程度。
每一個我遇見的新老朋友都會說，今年大家對AI的關注度明顯提高了，討論的問題也都非常的實際。
而我這次對大會的關注點，是汽車。因為這個產業(yè)，是觀察AI未來發(fā)展脈絡一個非常好的切入點。
在云棲大會的汽車峰會開場詞里，有這樣一段話：
1886年，卡爾本茨發(fā)明了第一輛汽車。人類突破了肌肉的限制。139年后的今天，我們正在突破認知（智能）的邊界。汽車成為了移動的計算平臺，駕駛成為了人機協(xié)作的藝術，速度由數據的流轉效率重新定義物理，實現擁抱數字智能，數字智能融入實體產業(yè)，汽車恰好站在這個交匯點上，成為虛實融合的最佳載體。
我的理解是：如果說大模型的上半場是以互聯(lián)網大數據預訓練為代表的數字AI；而下半場，是以機器人、世界模型等為代表的物理AI。
汽車可能正好處于兩者之間的分水嶺上，承上啟下。重要性如何形容都不為過。
不過，分量既然重，難度系數也高。
一方面，是面向汽車智能化，所需要的資金資源，都在指數級增長；另一方面，消費者雖然喜歡中國車企所創(chuàng)造的智能體驗，但要真金白銀買單，或許還不到火候。
汽車的“卷”字，大概也就從中而來。這是一個投入和收益的剪刀差時刻。
此情此景之下，汽車產業(yè)成員在思考什么？阿里云，作為一個云和AI的基礎設施提供者，有什么解決之道？就特別值得探究。
一、當汽車學會"看"與"想"
智能駕駛，無疑是汽車智能化下半場最激昂的旋律。
因為無論將其推向L4、L5有多難，其不是選修課，而是決定一家車企生死的必修課，是不爭的事實，這也是所有我這次云棲大會期間所訪談的汽車人士的共識。
而談到智能駕駛，又必然談到VLA。
云棲大會汽車峰會的圓桌討論環(huán)節(jié)，元戎啟行創(chuàng)始人兼CEO周光說了一句讓人深思的話："自動駕駛分級的定義太早了，是30年前的定義。當時定義L4就是基于高精度地圖、基于SLAM的定義，有個地圖能在里面跑就叫L4。"
這個觀察切中要害。30年前，當美國汽車工程師學會（SAE）制定智能駕駛分級標準時，人工智能還處于"專家系統(tǒng)"時代。那時的工程師們想象的智能駕駛，是一臺遵循預設規(guī)則的精密機器——如果看到紅燈就停車，如果前方有障礙物就繞行，如果車道線向左彎就轉動方向盤。
VLA的出現，改變了游戲規(guī)則。
VLA（Vision-Language-Action）是一種新一代AI架構，它不僅能“看懂”圖像、“讀懂”語言，還能基于理解直接驅動決策與動作，被視為大模型從“會說”走向“會做”的關鍵拐點。
理想汽車自動駕駛研發(fā)高級副總裁郎咸朋在圓桌上分享了一個生動的案例："有用戶發(fā)了個'十連繞'場景的視頻——經過施工路段，隔一段就有井蓋或路障，車輛繞來繞去都成功通過。用戶第一天繞了不信，但第二天又試，還是能繞過去。"
他特別強調："我們并沒有定義'連續(xù)繞十次井蓋'這個場景。這就是能力涌現，我們做的是能力而不是功能。"
所謂能力與功能的區(qū)別，我想就像音樂家與音樂盒的區(qū)別。音樂盒只能播放固定的曲目，每個音符都是預設的；而音樂家理解音樂的本質，可以即興創(chuàng)作，可以根據現場氛圍調整演奏。當自動駕駛從"功能定義"進化到"能力涌現"，汽車就從機器進化成了某種新的存在。
廣汽集團自動駕駛首席科學家周寅在圓桌討論中，也從技術層面解釋了VLA為什么如此特別："VLA利用了VLM（Vision-Language Model）的預訓練，利用互聯(lián)網海量知識讓模型具有常識（common sense）。然后通過自動駕駛數據喚醒激活，能夠處理長尾案例，實現零樣本遷移（zero-shot transfer）。"
他列舉了幾個具體的能力涌現案例："道路施工自動避讓、復雜交通標識識別、潮汐車道處理，以及對紙箱、小動物等未訓練過的物體識別。"
郎咸朋進一步解釋了VLA中"L"（Language）的深層含義："它并不是大家想象的對話或文字。它背后是人類長時序的思考、邏輯推理能力的體現。有人問我，不會說話的人就沒有思維能力嗎？不是的，他們也會看書、看文字，這些都是人類知識高度濃縮和壓縮的過程，表達了長時間思維能力。"
這個解釋讓我想起了維特根斯坦的名言："語言的界限就是世界的界限。"當我們給機器賦予語言能力，我們實際上是在擴展它理解世界的邊界。
但這種認知能力的獲得是有代價的，是巨大的代價。
元戎啟行CEO周光直言不諱地談到了智駕成本結構的變化："以前可能97%