文｜傲然
编辑｜杨布丁
4月25日，前 deepseek 研发负责人、多模态技术核心研究员阮翀，以元戎首席科学家的身份首次亮相。
在沟通会环节，阮翀告诉腾讯汽车，自己从 deepseek 转战加入元戎启行，“考虑时间很短，几天就做了决定”。在当日ai talk分享中，他也坦诚分享入局物理 ai赛道的两大原因：一是不太喜欢边际收益递减的事情；二是性格原因，“不喜欢跟别人抢着做事”。
与多数自动驾驶研发从业者的分享不同，这次阮翀不仅解读了元戎基座模型的最新进展，还详细介绍了公司在辅助驾驶认知能力构建方面的最新进展。同时，他还分享了ai时代人和组织该如何共同进化，他笑称，这部分内容是自己夹带的 “私货”。
阮翀认为，随着辅助驾驶进入规模化量产阶段，以往依赖小模型发展的技术路径，导致系统稳定性与用户高频使用率提升缓慢，在复杂长尾场景中仍然容易出现能力波动，辅助驾驶体验尚未形成稳定可靠的信任基础。面向这一阶段性挑战，元戎提出以基座模型为核心的新一代技术路径。
发布会上，阮翀介绍，基座模型将驾驶决策、场景理解与行为评估能力统一在同一架构中，通过更大的模型规模、更高的数据质量和更快的数据闭环，推动辅助驾驶系统持续进化。在这一体系下，数据闭环迭代周期从过去的约 5 天缩短至约 12 小时，运行效率大幅提升。
谈及大模型与物理世界空间交互的行业痛点，阮翀抛出一个观点：与其说是一个技术问题，我更觉得它是一个信仰问题。
结合元戎启行深耕的辅助驾驶业务，他进一步解释：你为什么会相信一个人类司机可以开好车？或者说人类开车就不会有事故吗？你很难无瑕疵地去证明这个事情。而是说你会不会相信模型的能力能够达到人的能力——它不是数学证明，而是一种信仰。信仰需要一些证据支持，比如你可能坐一些车体验效果怎么样。
今年1月，腾讯汽车曾独家报道，阮翀正式加盟元戎启行。公开资料显示，阮翀 2018 年毕业于北京大学计算语言研究所，2023 年加入 deepseek 担任研究员。
根据dblp （digital bibliography & library project，计算机科学文献数字图书馆）记录，阮翀（chong ruan）与代达劢（damai dai）、李嘉实（jiashi li）、邓乘奇（chengqi deng）、赵成刚（chenggang zhao）和高华祚（huazuo gao）是和梁文锋（wenfeng liang）共同署名论文最多的研究人员，各自与梁共同署名论文均有9篇。
2023-2024 年，他深度参与了 deepseek-vl/vl2、janus 系列等多模态模型的研发；在大语言模型领域，他是 2025 年 9 月《nature》收录论文《deepseek-r1 通过强化学习激励大型语言模型进行推理》（deepseek-r1 incentivizes reasoning in llms through reinforcement learning）的作者之一，该研究具有广泛的行业影响力。
此外，他还参与了 deepseekmoe（混合专家架构优化）、deepseek-v3（规模化与硬件适配）、native sparse attention（硬件对齐稀疏注意力机制）等多项底层技术研究。
以下是阮翀在元戎启行发布会、ai talk以及沟通会上的部分发言实录：
发布会演讲实录：
各位来宾、各位媒体朋友们，大家好，我是阮翀。刚才我们ceo周光博士已经介绍过了，我是几个月前来到元戎的。相信很多人已经知道了这个消息，今天是我第一次跟大家公开见面，非常感谢大家的到来。
大家可以看到演讲的标题：being ai-native in post-llm era（如何打造后大语言模型时代的 ai 原生）。本来这个标题应该是介绍元戎的智驾体系，这也是很重要的一点，但标题并没有非常直接地反映这一点。很快大家就会知道为什么，因为最后两页我夹带了一些“私货”。
有一个很简单的道理，在某种意义上是不言自明的：以前大家会做各种各样的小模型，比如我需要去检测一个行人、一个红绿灯等等。整个智驾体系里有非常多的小模型，就会带来巨大的负担，无论是开发、管理还是人力上的负担。
未来的趋势，从语言模型开始，就会演变成：我们有一个很大的、参数量很多的基座模型，希望它能够同时完成很多不同的任务，而不是每个特定任务都有一个单独的模型。这样会给整个研发体系带来非常大的便利。稍微具体一点说，我们可以把这个过程分为数据scaling和模型的scaling。
从数据的角度看，如果有一个很大的模型，我们就可以把各种传感器类型的数据，以及语言或动作等不同模态的数据，都统一到一个模型里面。这样就可以吃进更多的数据，利用数据闭环不断提升模型的能力。
从模型的角度看，当模型的参数量越来越大，我们就可以基于这个基座模型，完成很多版本，用很少的模型来完成整个研发迭代周期里的绝大部分任务。
我们把它具体分为三个模型：第一个是driver模型，负责开车，接受传感器的输入，输出驾驶动作——应该怎么刹车、怎么打方向盘。
第二个是analyst模型。这个模型可以把语言模态接入进来：有了传感器输入和驾驶动作，它可以分析模型到底为什么要这么开。比如你开到路口时，它可以告诉你前面是一个路口，有盲区，会不会有行人突然出来，需要减速。这样就有了可解释性，它会告诉你为什么这么开，让你安心。同时，这个模型还会做数据标注，处理整个研发过程中汽车的驾驶行为。
第三个是critic模型。它在一定程度上可以更好地利用负向数据。在小模型时代，大家只能用正向数据学习——告诉他什么行为是好的，车速应该是多少，模型去拟合这些好的行为。但实际上很多行为是不好的，比如不小心闯红灯，或者跟别的车抢路权。只有当你知道什么是好的、什么是不好的，并且把不好的行为也告诉模型，模型才能尽量避免这些行为。通过更多地接管负面数据的学习，可以获得更智能的驾驶行为。
那么，有了大模型之后，怎么用它来加速整个开发流程？我举三个具体例子。
第一，用大模型做数据表征。 以前的端到端模型虽然是用数据驱动的方式做迭代，但往往是一种滞后的行为：我开发一个模型，测试一下，发现在某些场景上有问题，比如不居中，或者等红灯时溜车，然后我就会修改训练方式，或者抽取一批相应的训练数据加进去，训练下一版模型，希望修正这些错误行为。但如果有一个数据表征模型，就可以提前把所有数据分析和归类。我知道模型在什么场景下有什么样的数据，就可以做针对性的采样或升采样。某种场景数据不足，我可以提前做一些定向收集或其他处理。这样就能把迭代过程前置，简化流程。
第二，数据质量的评估。 通常很难直接评价数据的质量，只能通过间接方法：我用这个数据去训练一个模型，训完之后看模型好不好，从而判断数据好不好。问题在于，每次训练模型的时间代价很长，从数据到训练需要很长的迭代周期。如果有一个大模型，就可以通过一段很短的foundation model来解决这个问题，以比较短的周期进行迭代。
第三，模型评估验证。 以前训好模型后，把它部署到汽车上，出去开一圈才知道到底好不好。路测是一个非常精准的方式，因为它对应最终实际应用时模型需要做到的事情。但缺点是比较耗费人力物力：首先要发版，其次需要有一个人盯着它开车，流程比较繁琐。有了基座模型以后，我们可以把很多以前非常依赖路测的东西挪到云服务器上，在一个虚拟环境里运行驾驶模型，就能知道它开得好不好，从而缩短模型验证的周期。
有了这样的使用方法，我们可以在每个研发阶段应用类似的技术，加速整个研发周期。以前迭代一版模型可能需要100多个小时，而现在可以加速十倍，只需要12个小时就能做到。
模型只是一个加速的结果，是一个时间点上的产物。但除了模型之外，更重要的我认为是研发的过程。因为技术总会不断迭代，总会有新技术出现，总会有新的竞争者。某一点的领先不是真正的领先，真正的领先在于你如何去组织研发过程，实现持续的迭代和改进。除了拿到模型交付结果之外，更重要的是怎么把模型应用到日常工作的方方面面。
这么说可能比较抽象，我们可以看几个具体的例子。
其一，知识管理。 以前大家怎么管理内部的研发流程？比如有很多知识散落在各种各样的文档、聊天窗口里。随着时间的推移，文档会过时，聊天窗口没有人看，信息就会逐渐散失。但如果有了大模型，这个事情就变得很容易。比如我以前没做过自动驾驶，现在很多事情模型可以跟我解释：它可以从互联网读取各种数据，学习各种论文，解释学术名词，还可以总结各种聊天记录，把一些口口相传的知识提取出来。
其二，代码生成。 这一点已经非常普遍，不用过多强调。以前大家都是手写代码，现在可以用模型执行更多编程任务。
第三，人际合作，减少沟通成本。 尤其当涉及跨部门协作时，以前需要找到另一个人，跟他说我需要一个什么东西，占用他的时间让他帮你做。现在可以把很多流程化的东西固化成一个技能——它是一个可执行的东西，而不是可读的东西。这样一来，可以直接跳过跟人沟通的过程，更快地拿到协作所需的组件。
第四，实验分析。 同样，以前看实验日志，模型可以帮你汇总、画图表，加速迭代的过程。
最后一条，有了这么一个智能工具之后，人到底应该做什么？或者说组织应该做什么？ 这里的“组织”指的是机构，比如公司或科研机构。对我来说，有几点比较重要。
人应该做的：第一，需要关注新技术，无论是自己去尝试，还是和身边的人沟通。虽然有句话说“只要我学得足够慢，就不用学新的东西”，但我认为世界变化还是很快的——尤其是从去年年底开始，代码模型的进步已经远远超出了大家的预期。第二，在使用工具时，一定要把工具当成自己的手，而不是自己的大脑。因为模型有可能会犯错，如果你不知道模型在干什么而盲目相信它的结果，很容易带来垃圾工作量的提升，实际进展却没有多少。
而对于一个组织来说，怎么更好地使用ai？大家可以看到，有人用ai写代码提速了5倍，但实际进展并没有5倍。
这里分享一个观点，当你需要开始一个项目时，最好是使用轻微不足的人手，加上相对充足的token。只有人手不足的时候，你才会去思考什么是真正重要的事情，而不是乱七八糟的事情全都去做——那样只会分散你的精力。使用token可以提升你的开发效率，或者补充一些相对初级的人手。
还有一点，怎么看待公司这样的组织形式？以前我们会认为公司是人的集合：公司有这么多员工，每个员工负责做不同的事情。随着智能体越来越发达，我们可以把公司看成是人和skill的集合。
人用来发挥主观能动性，发挥那些短期内无法固化的事情。而很多流程或规章制度，可以从以前的txt变成可执行的skill。你不再需要人去执行这些规章化的流程，而是把它变成一个可执行的东西，去加速整个组织的演化。
谢谢大家！
ai talk+沟通会部分实录：
问：如今大模型已经进入日常生活和工作的方方面面。刚才阮翀提到，我们的生活、工作、组织架构都可以用大模型。但有没有哪些具体现象或时刻，让你意识到当前大模型的能力还需要进一步突破，它的能力边界一定是有限的？
阮翀：尤其是对于视觉模型，当前最难的问题是空间范围感知的缺陷。模型经常前后左右不分，导致一些奇怪的行为。在人看来非常简单的事情，比如车门在左边还是右边、这个东西在车里面还是车外面，经常给模型带来困惑。
问：进一步请教，在各位日常思考与工作中，是否有发现哪些领域的突破性进展，可以为当前大模型能力的提升带来借鉴？我知道很多学物理、学化学的思维方式能带到大模型和物理ai中。
阮翀：这个问题我更想反过来谈，怎么把大语言模型的进展推广到其他领域？我想强调的还是“闭环”这个概念。比如用ai预测化学分子的性质——熔点是多高、溶解度怎么样，然后用它来制药。这很像几年前编程模型的状态：可以用来做档案补全，能加速以前的过程。
假设原来有一百个分子结构需要测试，ai预测可以简化流程，只做十个分子，加速迭代。但问题在于：这十个分子能不能让机器自动去测？或者说，最近很火的“ai科学家”概念，怎么控制模型能力去完成一个完整的闭环？假设我分析出这十个分子可能有什么性质，能不能让机器人来做实验？机器人和人做实验的差别在于：如果安排两三个不同的实验人员去做，可能因为人的个体差异（比如手法好坏）导致结果不同。如果可以用标准化的方式做，就会减少人的干预，结果也更容易复现。
问：多模态技术具体能在物理世界中解决哪些问题？多模态与物理ai之间最本质的关系是什么？我们也注意到，近期不少大模型公司的多模态负责人选择进入物理ai领域，这背后的信号是什么？
阮翀： 我的想法可能跟别人不太一样，但也有共性。两方面原因：一是我不太喜欢边际收益递减的事情。做大语言模型很多年，能力也在提升，但跟chatgpt刚出来时的感觉已经完全不一样了，会有一种疲倦感。大语言模型发展得很好，训练比其他领域领先很多，几乎可以用一个模型解决所有想要的事情。但在其他领域，不管多模态还是具身智能，还没有发展到这个阶段。我更愿意参与这样的阶段，而不是一个相对成熟的阶段。
二是性格原因：我不喜欢跟别人抢着做事。比如某个模型很好，大家都一窝蜂去做。我更在意某种使命感或责任感：如果一件事情我做和不去做，对世界没有差别，那我为什么要做？所以我会选择换一个领域。
问：我们该怎么做，才能确保ai的发展是“for good and for all”？
阮翀：人怎么保证一个人是好人、不会犯罪？需要法律、规章制度等。ai也一样。如果你相信ai的能力可以达到或超过人类水平，那么你也需要某些工具来控制它，而不是期待它天生就是善良的。
问：你当时从上一家公司来到元戎考虑了多久？来到自动驾驶公司之后，最让你兴奋的点是什么？最让你感到难或者焦虑的点是什么？这个行业这两年很卷，前段时间地平线苏箐说进入三年的苦日子，你可能在苦的时候来了。
阮翀： 我考虑时间很短，几天就做了决定。我没有非常详细地比较要去哪家公司，我更关注的是工作氛围。最打动我的是跟元戎几个合伙人聊天，感觉很好，大家可以像朋友一样相处，这是我最看重的，其他反而没那么重要。
问：最焦虑的点是什么？
阮翀：最大的问题看你跟谁比。如果跟大模型公司比，这个行业人才密度确实还是差一点。以前你把一个工作交给其他人做，非常放心；现在需要非常频繁地检查结果、检查整个过程。
问：大模型跟物理世界空间交互的点，在大模型时代还是一个难点，你们怎么解决？从安全或者运营的角度看，这个问题怎么处理？
阮翀：其实与其说是一个技术问题，我更觉得它是一个信仰问题。你为什么会相信一个人类司机可以开好车？或者说人类开车就不会有事故吗？你很难无瑕疵地去证明这个事情。而是说你会不会相信模型的能力能够达到人的能力——它不是数学证明，而是一种信仰。信仰需要一些证据支持，比如你可能坐一些车体验效果怎么样。
我的信仰是：智能负责多场域，而且不只有一种实现方式。当一个系统负载到一定程度，无论它的载体是人脑还是其他东西，就会出现相应的智能行为。只要能达到一定水平，就可以实现智能。如果你相信这件事，长期来看就会期待这个结果。
换句话说，有一句话叫“ai是迄今为止尚未实现的东西”。每次技术攻克一个问题之后，人们会说“这个东西是ai的明珠”，一旦实现了，就会被开除ai行列，“这东西不需要智能”。这是一个反复发生的事。从我的信仰角度讲，我是相信的。
问：大模型在端侧部署，参数量这么大，车端芯片能跑得动吗？会不会有算力和存储的限制？
阮翀：有两个办法。第一，可以通过中轴（蒸馏）去解决，用大模型教一个小模型，这样小模型的能力也会很强，比你从头训练一个小模型强很多。第二，要相信时间的力量。时间意味着硬件的进步，以前车载芯片算力有限，过几年翻几倍。只要你相信这个过程是持续的，模型的大小就不会是问题。
我以前2017年做的时候，在手机上跑50兆的模型，当时已经觉得非常大了；现在大家会在手机上跑1g、2g的模型做app。对计算机行业来说，最大的教训就是没有新鲜事：所有在pc时代、个人编码时代发生过的事情，都会在手机上再发生一遍；手机上发生的事情，又会在物理世界上再发生一遍。
问：一直在听阮翀说vla模型，最后归到多模态大模型。按照您的理解，切换到大模型就是所谓的范式切换吗？
阮翀：其实刚才还有一点没有说完：这一代模型跟上一代相比，能力可以跨量级比较。当前的模型，跟发展之后的模型原理差不多。模型设计密度本身就会提升。随着模型发展，可能需要一个直接模型才能达到预期的能力；可能过两年，确实只需要一个更小的模型就行了。
问： 刚才你们提到了一千公里mpci（(每千公里人工接管次数)）的数据。我想问，这个目标通过范式切换是可以实施的一部分吗？
阮翀：这是特斯拉已经实现的东西。如果别人能做到，你也能做到。这不是一个编出来的口号或者目标，它是一个已经实现的东西。
问：在阮翀看来，一千公里的mpci是今年整个训练开发的核心目标吗？你是基于技术发展方向做的判断？能不能稍微延展一下？为什么？
阮翀：是的。你为什么要做自动驾驶？你希望它做什么？一方面希望车开得舒服，可以睡觉，也有其他动机。但对我来说最重要的事情是：有很多指标可以衡量自动驾驶好不好。
比如，特斯拉fsd会有一些问题——旁边有一辆摩托车，系统担心风险，做一些横向避让，车上的人会被晃一下。但每个人需求不一样，在我看来这不是特别重要。我知道现在很多人极度依赖智驾，一边开车通勤，一边开电话会议或者睡觉。在这种场景下，你不是特别在意舒适性，而是在意到底要不要被打断、被迫接管。从这个角度讲，最关心的指标应该是mpci。
