特斯拉AI总监段鹏飞（Phil Duan）在CVPR26上的Q&A值得一读：

➡️Q：VLA与 VA模型：既然大规模驾驶数据已经让 VA 工作得很好，Tesla 为什么不在同一批海量数据上训练 VLA，以争取更好的性能？

A：真正重要的不是 language 本身，而是两项能力：互联网知识与推理（reasoning）。

自动驾驶不应只利用驾驶数据。人类在学车之前，已经通过其他渠道获得了大量世界知识；到法定年龄后才开始驾驶，并不意味着驾驶所需知识只来自驾车经历。

利用互联网数据进行训练，并引入 reasoning traces（推理轨迹），有助于车辆处理复杂场景和未见场景；这比模型是否以语言作为中间接口更关键。

语言是一种手段，推理也可以通过其他形式实现。Tesla 会利用这些能力来提升模型的泛化。

备注：他没有把问题回答成“Tesla 支持或反对 VLA”的二选一，而是重新拆解 VLA 的价值来源：VLA 可能带来开放世界知识与推理监督，但真正应验证的是这些能力是否改善驾驶泛化，而不是模型名称中是否带有 “L”。

➡️Q： 纯车队相机数据如何获得 3D 任务真值：Tesla 车队的在线传感器主要是相机。训练 driving foundation model 时，3D occupancy（三维占据）、object detection（目标检测）等代理任务所需的 ground truth（真值）从何而来？

A：Tesla 在这些 3D 任务上已经积累多年，拥有一套可以运行推理的现有模型。

这些模型可用于生成相应任务的监督信息。

➡️Q：推理阶段是否仍有碰撞检查或安全后备层：面对 Robotaxi 场景，端到端模型输出轨迹后是否还会做碰撞检查、在多条候选轨迹之间选择，或设置额外的安全后备层？是否还需要显式预测任务作为辅助任务？

A：Tesla 将碰撞检查 bake into training（写入/内化到训练过程），使用强化学习处理。- 碰撞检查可以充当 verifiable reward（可验证奖励）：碰撞显然属于负面结果，因此很容易构造明确的训练信号。

在 test time / inference time（测试或推理阶段），系统主要依赖模型本身完成驾驶，而不是依赖额外候选轨迹筛选逻辑。

Tesla 会进行非常严格的验证，以确保安全；

备注：对“是否显式保留 prediction 辅助任务”这一小问，他没有单独展开回答。

➡️Q：海量数据下，data curation（数据筛选与配比） 还重要吗？

A： 数据集较小时，首要矛盾是数量不足，此时过度筛选的收益有限。

达到 Tesla 的车队数据规模后，data curation（数据筛选与配比，亦称数据策展）反而非常重要，团队会投入大量时间。

如果从数百万辆车中随机回传数据，约 90% 可能只是高速公路直行。这类数据高度重复，边际训练价值很低。因此需要主动挖掘：真正有挑战性、信息量高的场景；模型做出某种动作、而人类驾驶者不同意或进行了不同操作的场景。

将这些数据回流训练，会带来更高的 data efficiency / sample efficiency（数据效率/样本效率）。

➡️Q：如何判断代理任务是否值得继续优化？

（小贴士：代理任务（proxy task）是指：它不是系统最终要完成的目标，而是为了帮助模型学会最终目标而设置的中间训练任务。）

既然 action loss（动作损失）对应最终驾驶目标，而其他任务只是 proxy tasks（代理任务），应如何判断哪个代理任务更重要、应往哪个方向优化？单项代理指标变好，并不会带来整体驾驶能力提升。

A： 第一层方法仍是工程直觉与 failure analysis（失败分析）。发现模型行为失败后，要反向追踪真正的瓶颈。

例如车辆闯红灯，需要判断：是否因为没有检测到红灯；是否属于策略/决策环节的问题；是否只是训练集中缺少这类数据。

对不向非典型车辆让行等问题，也要区分是感知遗漏还是数据覆盖不足。调试此类模型包含大量 trial and error（试错）。

代理任务的主要价值，是帮助模型学习有效表示并改善神经网络中的 gradient flow（梯度流）；代理任务自身的准确率不是最终产品。

不应把“所有代理指标都做到 SOTA”当作目标，因为这不保证最终驾驶模型变得更好。

有些代理任务只需达到“足够健康、能提供训练收益”的水平。

最终应测量真正关心、真正部署到现实世界的任务；对 Tesla 而言，就是 driving actions（驾驶动作）。