报告由元戎启行 CTO 曹通义在 NVIDIA GTC 2026 大会发布，核心提出自动驾驶本质是规模化问题，通过模型规模化、数据规模化、仿真技术三大方向突破瓶颈，以 400 亿参数 VLA 基础模型为核心，构建模型与数据双飞轮，加速迈向 L5 级自动驾驶，当前已实现 20 万辆车落地部署，目标冲刺百万辆车规模。

报告指出，实现 L5 自动驾驶需满足三大条件：系统全模块数据驱动、端到端无人工规则、足够车队闭环接管数据，且模型容量足以覆盖所有场景。当前行业虽认可数据闭环逻辑，但 L5 落地持续延期，核心是模型与数据规模化双重瓶颈：小模型数据吸收易饱和，传统数据 pipeline 依赖人工、效率低下，数据迭代无法复利增长，二者速度共同决定自动驾驶进阶效率。

为破解瓶颈，元戎启行打造兼具产品与数据引擎属性的基础模型。模型规模化方面，推出 400 亿参数 VLA（视觉 + 语言 + 动作）基础模型，分四阶段训练：预训练以视频预测为核心，100PB + 海量视频数据实现 100% 数据利用效率，解决传统端到端轨迹训练数据浪费问题；中期训练分三步，先通过视觉 + 动作学习驾驶行为，再融入语言实现驾驶推理与分析，最终形成驾驶员、分析师、评判者三位一体能力；后训练通过强化学习优化策略，实时推理延迟控制在 60-85 毫秒，满足 10-15Hz 实时控制需求。

数据规模化层面，核心痛点是 raw 数据转化为高质量样本的效率。传统数据 pipeline 耗时超 5 天，元戎启行用基础模型赋能全流程，实现自动诊断问题、AI 挖掘高价值数据、思维链标注、自动评估，将周期压缩至 12 小时，效率提升 10 倍。依托 20 万辆车的接管数据，结合模型自动筛选、标注、评分能力，把所有数据转化为模型训练样本，推动数据飞轮从 20 万辆向百万辆扩容。

仿真技术用于弥合仿真与现实差距，针对低频高风险长尾场景，借助 NVIDIA 开源工具链实现高保真 3D 场景重建与自动修复；通过 Cosmos 风格迁移生成全天候仿真数据，结合自研 DiPIR 技术在真实数据中插入 3D 障碍物，系统生成极端危险场景；最后通过强化学习优化，让模型评判器评估推理与动作一致性，精细化打磨边缘场景决策。

目前，元戎启行城市 NOA 方案累计装车超 20 万辆，真实行驶里程达 13 亿公里。未来将以统一 VLA 模型为核心，依托模型、数据、仿真三大能力，持续迭代优化，以规模化定律为路径，加速实现 L5 自动驾驶落地。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系