小鹏AI Day｜End to End 的范式可能成为共识

在小鹏 AI Day发布会上，IRON 机器人由于其走路姿势非常接近人的姿态获得媒体关注度很高，具身机器人固然重要，但其发布会的前半部分关于 VLA 更值得关注。

为了让大模型做到真正的 End to End，小鹏的技术路径选择了砍掉了 Language 这个环节。

这个技术路线是非常反直觉的（技术本身就倾向于控制而不是放手让概率统计来决定安），放弃中间的 Language 环节，小鹏说其智能辅助驾驶模型出现了涌现（Emerge）现象，在具体使用过程中很多 Corner Data 情况不需要工程师预设规则来处理，新的 VA 模型本身能很自然处理这种边界情况（甚至是工程师没预设规则的场景），期待明年小鹏智能辅助驾驶真正 OTA 升级后实战反馈吧。

这种技术路线风险比较高，决策层需要有耐心，要有技术远见能够保证持续地投入（也有可能特斯拉已经验证了这条路线的可行性），新的 VA 模型小鹏训练也投了 20 多亿美金才看到了涌现现象。

不知道这种 End to End 会不会逐渐成为行业共识。

在今年年初，李想在播客节目上说用 DeepSeek 推理模型优化其 Language 环节，没想到年底了小鹏说这个 Language 环节我们不需要了，这个世界真的变化很快。

小鹏在发布会上一直强调智能辅助驾驶更丝滑了，可能有以下收益：

• 延迟问题：直接看到世界并且给出动作，比中间多一层 Language 描述要更加有效率，时延减少了。
• 信息损失：使大模型像人一样直接学习认识世界，大幅降低信息损耗，推理效率更高，反应更快。

前段时间也看到快手的推荐模型准备放弃传统「召回—粗排—精排」的做法，直接基于 End to End 去训练数据方式来重新做推荐模型，最大化挖掘硬件的算力价值。

另外一个案例就是 DeepSeek OCR 解决方式，也是类似的做法。

传统的 OCR：

图像 → 文字检测(找到文字框) → 文字识别(识别每个字) → 文本token(逐字转换)

DeepSeek 的做法：

图像 → 视觉压缩(整体理解) → 视觉token (几百个token) → LLM解码(理解输出) → 文本

感兴趣的可以搜「DeepSeek-OCR：Contexts Optical Compression」这篇论文。

也许 Transformer 这套架构就是基于最原始的信息做最终的输出，至于中间是否 Language Model 不重要了。