九识建成首个L 4万卡集群，无人驾驶企业“卷”向多模态大模型
9月17日，九识CTO庄立首次披露，公司已建成业内首个L4级万卡集群，算力集群总规模近1.5万卡。就在一周前，九识刚刚宣布战略升级为“城市级物理AI”，此次披露的万卡集群，正是支撑其战略升级的底气。
庄立在接受媒体采访时透露，目前该万卡集群使用率约90%，算法团队仍需要排队使用。与此同时，九识APEX多模态基座大模型正从百亿级参数向千亿级迈进。
一家无人驾驶企业，为什么要建近1.5万卡的GPU算力集群？
这背后是行业竞争维度的变化。过去几年，无人驾驶的竞争更多围绕运营层展开——车辆规模、城市覆盖、商业化落地。但九识一直更侧重技术纵深，随着真实运营数据积累到亿公里量级，技术体系也随之升维，从传统规则和感知算法走向以多模态大模型为核心的架构。万卡算力，正是支撑这次升维的基础设施。
九识为何要建万卡集群？
2.7亿公里数据倒逼模型“长大”
作为国内头部L4级城市无人货运（RoboVan）企业，九识持续深耕无人货运赛道，过去5年，落地运营超3万台无人配送车辆，业务覆盖全国300余座城市，累计积累真实L4级自动驾驶运营里程达2.7亿公里。
“有了2.7亿公里的数据之后，我们发现现有算力，包括现有的模型很难挖掘出所有的潜力，必须把参数扩大。”庄立在接受采访时这样说道。
对于L4无人驾驶而言，模型要面对的并非标准化的数字世界，而是不断变化的真实道路。施工围挡、临时管制、乡村道路甚至是突然出现的障碍，都可能成为车辆必须独立解决的问题。数据规模增长之后，如何从这些真实运营数据中不断提取有效信息，开始对模型容量提出更高要求——而更大的模型，又需要更多算力来训练。这也成为九识建设万卡集群的重要原因之一。
这一判断也来自模型训练中的实际变化。九识技术负责人介绍，随着车队扩大、数据飞轮持续运转，如果模型尺寸不继续扩大，数据增长带来的边际效应会逐渐减弱；而将模型尺寸进一步扩大后，数据潜力能够得到更充分的挖掘。
基于这一判断，九识选择向多模态大模型方向扩展。
目前，作为“九识大脑”核心的APEX多模态基座大模型，正从百亿级参数向千亿级迈进。按照九识披露的技术路线，APEX融合真实L4运营数据、互联网多模态知识以及真实运营中的决策数据，并通过知识蒸馏和物理推演，支撑数据、模型与评测的全流程。
万卡集群投入使用后
真实运营发生了什么变化？
不过，对于一家无人驾驶企业而言，拥有多少张GPU、模型有多少参数，都不是最终目的，万卡的价值最终还是要回归到实际的运营中来。
万卡投入使用后，又给真实道路运营带来了什么变化？庄立提到了两个方面。
一是安全事故和解码率指标，数值降至原来的五分之一。另一个变化来自安全员Agent带来效率提升。过去，无人驾驶车辆遇到复杂问题时，通常需要人工监管人员介入，响应速度会受人员和操作流程影响。安全员Agent可以理解车辆任务目标，对解决方案进行分析和验证，再指导车辆完成后续动作。
庄立在采访中表示：“现在基本上都是秒级的”，相关方案“基本上都10秒内去验证就好了，也是6倍以上的提升”。
运营效率提升的背后，是一套“数据回流—模型升级—蒸馏下沉”的迭代的机制。据介绍，九识APEX基座模型向下构建起了覆盖车端VLA、云端VLA、安全员Agent等模型矩阵，各模型产生的场景数据持续回流，反哺基座模型迭代；基座能力提升后，再通过知识蒸馏方式下沉输出到车端和云端模型，再作用于车辆。如此循环，实现了安全与通行效率的双重突破。
从城市治理到乡村物流
万卡价值向更多场景延伸
事实上，万卡集群的价值，不只在无人驾驶本身。随着车辆规模和模型能力扩大，相关能力也开始向城市服务场景延伸。
庄立介绍，在实际运营中，无人车可以发现现有车道、红绿灯等道路设施存在的问题，并将信息反馈给相关部门；在此基础上，还可以进一步拓展城市巡检等应用。在他看来，无人车所形成的技术和数据能力，可以成为城市治理的一种基础能力。