曹旭東：Momenta R7強(qiáng)化學(xué)習(xí)世界模型相比FSD毫不遜色

“世界模型戰(zhàn)隊(duì)”再添一員大將。

3月16日，在上汽大眾的ID.ERA技術(shù)發(fā)布會上，MomentaCEO曹旭東正式宣布：Momenta R7強(qiáng)化學(xué)習(xí)世界模型即將推出，并將全球首發(fā)搭載于上汽大眾全新旗艦SUV ID.ERA9X。

全新的MomentaR7強(qiáng)化學(xué)習(xí)世界模型，通過在強(qiáng)化學(xué)習(xí)的基礎(chǔ)上引入世界模型，構(gòu)建起對物理世界的理解能力，即——理解物體的物理屬性、理解運(yùn)動的因果關(guān)系，以及理解交互的潛在可能。

01

R7，讓AI在試錯中自我進(jìn)化

對于R7強(qiáng)化學(xué)習(xí)世界模型，在ID.ERA技術(shù)發(fā)布會上，曹旭東透露的并不多。目前從已經(jīng)透露的信息上看，R7的核心突破在于將強(qiáng)化學(xué)習(xí)與世界模型相結(jié)合。

對比上一代基于模仿學(xué)習(xí)的方案，強(qiáng)化學(xué)習(xí)的特點(diǎn)在于模型是通過“試錯”完成自我進(jìn)化——成功獲得正反饋，失敗接受懲罰，從而在反復(fù)博弈中優(yōu)化決策策略。而世界模型的引入，則讓AI開始基于更完整的物理信息做出預(yù)測和規(guī)劃。

曹旭東給出的數(shù)據(jù)顯示，在大規(guī)模泛化測試中，包括行人、電動車、車輛加塞和避讓場景內(nèi)，強(qiáng)化學(xué)習(xí)大模型在關(guān)鍵安全性指標(biāo)上相比模仿學(xué)習(xí)提升了5倍以上，在行人及非機(jī)動車、車輛加塞等核心場景安全體驗(yàn)均實(shí)現(xiàn)顯著躍升。

曹旭東表示，AI正是在各種正負(fù)反饋中不斷地成長，最后在安全、效率、舒適等多個維度中取得了超越人類的表現(xiàn)。因?yàn)樗鼘W(xué)會了在復(fù)雜中找到最優(yōu)解，而不是從在模仿中去找平衡。

在曹旭東看來，想要讓大模型在安全安心上的表現(xiàn)有機(jī)會大幅超越人類，需要讓它建立起與人類類似的，對物理世界的認(rèn)知框架。他將這種認(rèn)知能力歸納為三個層次：理解物體的物理屬性（如區(qū)分飄起的塑料袋與滾落的輪胎）、理解運(yùn)動的因果關(guān)系（如前車打轉(zhuǎn)向燈可能因前方有障礙）、理解交互的潛在可能（預(yù)判行人或車輛的動作空間）。

“現(xiàn)在智能輔助駕駛已經(jīng)進(jìn)入了指數(shù)級的發(fā)展階段，過去智駕摩爾定理是每兩年體驗(yàn)提升10倍，而今天頭部玩家正在做到每年提升10倍，而R7強(qiáng)化學(xué)習(xí)世界模型的到來，更進(jìn)一步加速這一進(jìn)程?！辈苄駯|說道。

當(dāng)被問及與特斯拉FSD的對比時，曹旭東直言：“毫不遜色。”他認(rèn)為，雙方都以第一性原理進(jìn)行底層創(chuàng)新，而Momenta在部分技術(shù)節(jié)點(diǎn)上甚至領(lǐng)先。“我們跟特斯拉一樣，都希望通過不斷創(chuàng)新，給世界帶來最偉大的產(chǎn)品?！?/p>

02

為何選擇世界模型而不是VLA？

隨著自動駕駛技術(shù)發(fā)展，其車端實(shí)現(xiàn)路徑也呈現(xiàn)出兩種趨勢：一邊是以理想、小鵬為主導(dǎo)的VLA（視覺—語言—行動）模型路線；另一邊則是以華為、蔚來為代表的世界模型（WorldModel）路線，從技術(shù)路線上看，Momenta堅(jiān)定地選擇了后者。

對此，在會后的采訪中曹旭東從直覺和技術(shù)兩個角度給出了解釋。

從直覺上來說，曹旭東認(rèn)為雖然當(dāng)下的LLM能力多元，能寫代碼、作詩歌、解數(shù)學(xué)題，但這些能力對于駕駛本身而言幫助甚微。這就像人類司機(jī)想要把車開好，并不需要掌握寫代碼、解數(shù)學(xué)題的技能，核心只需要能理解物理世界的規(guī)律，在各類復(fù)雜場景中及時做出反應(yīng)，并做出安全的預(yù)判即可。而世界模型恰好具備這樣的核心能力，它能夠?qū)W習(xí)物理規(guī)律，并且可以通過強(qiáng)化學(xué)習(xí)收集到大量的長尾場景，在反復(fù)訓(xùn)練中鍛煉出駕駛的“肌肉記憶”。

而從技術(shù)角度來看，曹旭東認(rèn)為VLA的訓(xùn)練側(cè)重點(diǎn)與自動駕駛的實(shí)際需求存在明顯偏差。VLA的訓(xùn)練起源于LLM，其底座模型的參數(shù)量一般在100B左右，后續(xù)會先完成視覺和語言的對齊，再用行動去和視覺-語言組合對齊。

這也就意味著，在VLA的整個訓(xùn)練過程中，語義的優(yōu)先級遠(yuǎn)高于駕駛本身，大量的模型參數(shù)并未真正服務(wù)于駕駛核心任務(wù)，陷入了“好鋼沒用在刀刃上”的困境。對此曹旭東總結(jié)道：“VLA對自動駕駛是錦上添花，很難雪中送炭?！?/p>

VLA和世界模型的選擇，主要是智能駕駛軟件算法層面的技術(shù)爭議，而在底層硬件領(lǐng)域，行業(yè)一直存在純視覺和多傳感器冗余（激光雷達(dá)）的爭論。

對此，曹旭東認(rèn)為，傳感器選型在智駕技術(shù)的核心要素中，重要性僅能排在第三位，而排在前兩位的，是算法架構(gòu)、數(shù)據(jù)和研發(fā)體系能力。

其中數(shù)據(jù)是AI迭代的基石，無需多言。在曹旭東看來，在算法架構(gòu)層面，單一算法本身的技術(shù)壁壘其實(shí)很低，更重要的是架構(gòu)的搭建能力，也就是將眾多算法整合形成合力，并通過長期積累形成的體系化能力。而在算法架構(gòu)之上的，是研發(fā)體系能力，這種能力要像神經(jīng)網(wǎng)絡(luò)一樣具備反向傳播的特性，能夠精準(zhǔn)識別到用戶的高價(jià)值任務(wù)，并將其快速傳遞給產(chǎn)品和研發(fā)團(tuán)隊(duì)，讓團(tuán)隊(duì)清晰知曉哪些工作的產(chǎn)出價(jià)值最高，進(jìn)而在方案選型時，選出能最快提升用戶體驗(yàn)的方向。

曹旭東還透露，數(shù)據(jù)、架構(gòu)和研發(fā)體系能力，是Momenta內(nèi)部劃定為第一梯隊(duì)的核心重要事項(xiàng)，而緊隨其后的第二梯隊(duì)則是芯片算力，因?yàn)樾酒懔χ苯記Q定了智駕模型能力的上限。在這些核心要素之后，傳感器才位列第三梯隊(duì)。曹旭東認(rèn)為，即便智駕系統(tǒng)只用純視覺方案，僅依靠攝像頭作為傳感器，相比人類的雙眼也已經(jīng)是“超配”狀態(tài)。因?yàn)槿祟愲p眼無法實(shí)現(xiàn)360°環(huán)視，而攝像頭的感知覆蓋程度已經(jīng)足夠全面，具備充足的冗余性。

當(dāng)然，這并不意味著傳感器毫無價(jià)值，傳感器自然是越多越好，但曹旭東強(qiáng)調(diào)，隨著數(shù)據(jù)積累、算法架構(gòu)優(yōu)化和研發(fā)體系能力的不斷提升，單純堆砌傳感器數(shù)量、盲目增加激光雷達(dá)的邊際效應(yīng)會持續(xù)減弱。