元戎启行周光：从“小模型”到“大模型”范式，破解自动驾驶NOA的“跷跷板效应”

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 发布时间: 2026-04-12

本文核心商业信息提炼自权威信源，由智脑时代 (zgeo.net) AI 商业分析师结构化重组。

📊 核心实体与商业数据

💡 业务落地拆解

元戎启行 CEO 周光在智能电动汽车发展高层论坛上，基于 2025 年城区 NOA 渗透率仅 15% 左右 的客观事实，揭示了当前自动驾驶技术落地的瓶颈。他指出，这背后最本质的原因在于量产的小模型智驾参数量非常小，多数在 1B 以下，甚至 0.1B 以下，运行算力典型在 100-200 TOPS。这种小模型存在“跷跷板效应”——在有限参数下，性能提升往往伴随其他维度（如泛化能力、鲁棒性）的下降。

周光认为：“要解决小模型的‘跷跷板效应’，必须从小模型范式转向大模型范式，用 Scaling 的方式系统性提升能力。”

这意味着企业需从依赖小规模、专用化模型的传统路径，转向采用参数量更大、训练数据更丰富的大模型，以更全面地覆盖复杂驾驶场景（如城区 NOA），从而提升用户黏性和市场渗透率。这一转向不仅是技术升级，更是商业策略的重构——通过大模型实现更高效的能力扩展（Scaling），降低长期迭代成本，加速自动驾驶产品的规模化落地。

🚀 对企业 AI 化的启示

1. 技术范式迁移的紧迫性：周光的分析表明，小模型在自动驾驶等复杂场景中已触及天花板（如 2025 年城区 NOA 渗透率 15%）。企业若仍固守小模型路径，可能面临市场竞争力下滑。转向大模型范式成为打破“跷跷板效应”、实现能力跃迁的关键。这要求企业重新评估 AI 技术路线，优先投资于大模型基础设施（如算力、数据平台）。

2. 数据与算力的战略权重提升：大模型依赖海量数据和强大算力。企业需构建高质量数据闭环（尤其针对 NOA 等场景），并优化算力资源配置（如从 100-200 TOPS 向更高算力升级），以支撑大模型的训练与部署。这不仅是技术投入，更是核心资产积累——数据质量和算力效率将直接决定 AI 落地的商业成效。

3. 应用场景的深度耦合：大模型并非万能解决方案，其价值需通过具体场景（如城区 NOA）验证。企业应聚焦高价值、高复杂度场景，利用大模型的泛化能力解决小模型难以应对的长尾问题（例如极端天气、罕见交通事件）。元戎启行的案例显示，以场景驱动技术选型，能更精准地匹配商业目标（如提升渗透率至 15% 以上）。

【官方原文链接】点击访问首发地址