人物简介/阮翀本硕均毕业于北京大学。他参与撰写的论文《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》曾获得2025年NLP与计算语言学领域顶级学术会议ACL的最佳论文奖。2023年，阮翀加入DeepSeek，投身于多模态模型研发及底层技术研究工作，成为多项核心成果的关键贡献者。2026年，他转任元戎启行首席科学家，主导基座模型开发。
近日，元戎启行在北京车展上分享了大量对于大模型时代和物理AI的思考，除了 CEO 周光介绍了公司在物理AI领域的进展外，元戎首席科学家阮翀也发表了首次公开演讲。
周光坦言，在过去一年中，大模型的进展并不顺利，没有取得预想中那么快的突破。这主要因为去年的大模型多模态技术还没有得到突破，视频生成仍不太符合物理规则。
“直到2026年初，Gemini取得了突破。如今的能力跟2024年、2025年相比，完全不是一个层级。”他表示，最近可以明显看到大模型自动驾驶的起点，已经远远好于上一代智驾技术。在今年，元戎的目标是做到1000公里的MPCI。
在此背景下，阮翀也分享了自动驾驶体系从小模型演变到大模型期间的演进逻辑，以及他对于「AI改变研发格局」的最新思考。
更愿投身「仍在破晓」的领域
在现场，阮翀指出了视觉模型当前最难的问题——空间范围感知的缺陷。模型经常前后左右不分，导致产生一些奇怪的行为。在人类看来非常简单的事情，比如车门在左边还是右边、物体是在车里面还是车外，经常给模型带来困惑。
为解决此类问题，元戎启行已经开发了一个基于大规模数据训练的40B参数量的基座模型，整合了视觉感知、自然语言处理与动作规划功能，尤其在空间语义理解方面表现突出，能够帮助车辆判断物体的位置关系。
而对于阮翀个人而言，正是这种有待突破、挑战更大、上限也更高的方向，才会更加激发的热情。
这令人联想到，近期有不少大模型公司的多模态负责人，纷纷选择进入物理AI领域。阮翀以自己为例分析称，他不太喜欢边际收益递减的事情——在做大语言模型很多年后，虽然模型能力也在提升，但已经和ChatGPT刚出来时的感觉完全不一样了，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就解决所有事情。但在其他领域，不管多模态还是具身智能，都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。”
如果从个人性格来看，他坦言自己不喜欢抢着「跟风」，去做大家一窝蜂涌入的领域。“我更在意某种使命感或责任感：如果一件事情我做和不做，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。”
大模型时代的训练演进
阮翀表示，在过去的智驾体系里有非常多的小模型，用于检测行人、信号灯等等。这会带来巨大的负担，包括开发、管理以及人力。
而从语言模型开始，行业范式逐渐演变为：以一个参数规模庞大的基座模型，同时承载多类任务的处理能力，而非为每一特定任务单独训练独立模型。这一架构转变，将为整体研发体系带来显著的效率提升。
具体而言，这一演进可从数据Scaling与模型Scaling两个维度加以理解。
从数据维度来看，大规模基座模型具备更强的数据容纳能力——无论是来自不同传感器类型的感知数据，还是语言、动作等异构模态的信息，均可统一纳入同一模型框架之中。这不仅拓宽了数据摄入的边界，更能借助数据闭环机制持续驱动模型能力的迭代与跃升。
而从模型维度看，当模型的参数量越来越大，就可以用很少的模型来完成研发迭代周期里的绝大部分任务。
自动驾驶大模型的三个类别
1、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。
2、Analyst模型：它可以接入语言模态：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。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。
3、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。但实际上很多不好的行为同样具备价值——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。
模型迭代提速惊人：从100小时到12小时
1、以大模型驱动数据表征
阮翀介绍称，传统端到端模型虽采用数据驱动方式迭代，但本质上是一种滞后响应机制——发现问题、修正训练策略、补充数据、训练新版本，周期冗长。
引入数据表征模型后，可对全量数据进行前置分析与分类，清晰掌握模型在各场景下的数据分布，从而实现针对性采样或升采样。对于稀缺场景，亦可提前启动定向数据收集，将迭代节点前移，显著压缩研发周期。
2、以大模型赋能数据质量评估
传统数据质量评估依赖间接验证路径：以数据训练模型，再以模型表现反推数据质量，迭代周期长、成本高。
阮翀表示，借助大模型，可通过轻量级基座模型在较短周期内完成数据质量的快速评估，有效解耦数据验证与完整模型训练之间的强依赖关系。
3、以大模型重构模型评估验证体系
传统验证流程高度依赖路测：发版、部署上车、人工跟车，流程繁琐、资源消耗大。阮翀认为，引入基座模型后，可将大量原本依赖路测的验证工作迁移至云端，在虚拟环境中运行驾驶模型并评估其表现，从而大幅缩短模型验证周期，降低验证成本。
“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。”
AI「接手」了，人该做什么？
速度只是一方面，阮翀认为更重要的是研发过程的优化：“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。”
对此，他列举了在工作中应用模型的几个核心层面：
其一，知识管理
传统研发体系中，知识往往以碎片化形式散落于各类文档与即时通讯记录之中。随着时间推移，文档趋于过时，沟通记录鲜有人查阅，大量隐性知识因此逐渐流失。
大模型的引入从根本上改变了这一局面——它不仅能够检索互联网资料、解读学术文献、释义专业术语，还能对历史沟通记录进行结构化梳理，将口口相传的经验知识显性化、系统化。
其二，代码生成
这一应用已相当普及：大模型可承接大量编程任务，将工程师从重复性代码编写中解放出来，专注于更高层次的架构设计与逻辑判断。
其三，协作提效，降低沟通成本
跨部门协作场景中，传统模式依赖人与人之间的沟通衔接，耗时且效率有限。借助大模型，可将大量流程化工作固化为可执行的自动化组件，而非停留于可读的文档层面。这使得协作所需的中间环节得以压缩，团队成员无需等待他人响应，即可直接获取所需的协作产出。
其四，实验分析加速
大模型可对实验日志进行自动汇总、可视化呈现，辅助研究人员快速定位关键信息，从而加速实验迭代节奏，提升研发效率。
目前，已经有多位自动驾驶行业专家表示，AI已经替代人类承担了研发中的一系列关键工作，「用模型训练模型」会是接下来的技术主旋律。
那么，人类的主要工作是什么呢？阮翀表示，人应该做的，首先是要关注新技术——世界的变化太快了，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。
其次，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。
“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。”
对此，阮翀分享了一个观点「窍门」——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。因为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，而不是被各种乱七八糟的事分散精力；而使用token则可以提升开发效率。
“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。而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。”
阮翀认为，人的主要作用是发挥主观能动性，也就是关注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。
热门跟贴