七百萬輛車就是一台學習機器：現代汽車集團 Data Flywheel 正式全面啟動

過去十年，自動駕駛一直被描述成一場軟體堆疊之間的競賽——誰的規劃器過彎更優雅、誰的感知系統漏掉的行人更少。但在位於京畿道城南市 42dot 總部舉行的「HMG Autonomous Driving Media Day」上，現代汽車集團提出了一個截然不同的論點：這場競爭已經不再是功能的比拼，而是學習速度的比拼——你能掌握多少真實世界數據、你的模型多快能從中學習、以及這些改進多快能透過產品送到客戶手上。

這場活動的主角，是集團宣布其 Data Flywheel（數據飛輪）已正式全面投入運轉。這是一個由數據收集、AI 訓練、驗證到部署的自增強循環，也是整個策略的組織核心——而它背後倚賴的資產，是任何 AI 實驗室都無法複製的東西：現代汽車集團每年在全球約 190 個國家銷售超過 700 萬輛車的龐大規模。

Data Flywheel 到底是什麼

概念說起來簡單，執行起來殘酷。道路上的車輛收集駕駛數據，這些數據用來訓練與驗證 AI 模型，改進後的模型再透過軟體更新部署回車輛，更新後的車隊接著收集更豐富、更精準的數據——每轉一圈，飛輪就轉得更快。

自今年初以來，現代已用一套具體工具將這個循環工業化：

• Hard example mining（難例挖掘）——自動找出模型表現不佳的駕駛情境，讓訓練資源集中在真正困難的案例上，而不是再多一百萬英里的平淡高速公路里程。
• Continuous training（持續訓練）——把這些難例反覆餵回學習流程，壓縮開發週期。
• Special Event Recorder（SER，特殊事件記錄器）——當系統偵測到邊緣情境時自動記錄數據，例如繞過路肩違停車輛、突然的加速或煞車，或駕駛人／系統解除自動駕駛的任何瞬間。關鍵的幾秒鐘無需人為介入就能被保存下來。
• Data Union（數據聯盟）——在 NVIDIA DRIVE Hyperion 10 平台上統一感測器規格，讓現代汽車、Kia、42dot 與集團美國自駕計程車合資公司 Motional 得以共享數據——這些單位過去各自使用不相容的感測器配置。

集團目前營運約 40 輛全天候運轉的專責數據收集車，但策略賭注很明確：一旦自動駕駛系統搭上量產車出貨，裝機量本身就會變成數據引擎。「一旦自動駕駛系統正式進入量產，我們將在五年內超越競爭對手累積的數據量。」42dot Atria Group 負責人鄭聖均（Chung Sung-kyun）表示。照集團公布的時程推算，這意味著到 2033 年，其數據量將超越對手——包括 Tesla 在內。

雙軌路線圖：先 NVIDIA，後 Atria AI

這場發表會上最具結構性意義的決策，是「自建 vs. 外購」兩手抓的雙軌策略：

• 第一軌——NVIDIA：基於 NVIDIA 方案的 Level 2+ 自動駕駛功能於 2028 上半年導入量產車，Level 2++ 車款於 2028 下半年跟上。這延伸了集團在 2026 年 3 月與 NVIDIA 圍繞 DRIVE Hyperion 平台建立的夥伴關係，也包含 2025 年底宣布的 5 萬顆 Blackwell GPU AI 基礎設施合作。
• 第二軌——Atria AI：由 42dot 開發的集團自研自動駕駛 AI 將於 2029 下半年推出搭載 Atria AI 的 Level 2++ 車款——把關鍵技術收歸自有，不再永久依賴供應商。

術語在此必須釐清：現代定義的 Level 2+ 指在駕駛人監督下、於高速公路等特定條件中可放手駕駛的輔助系統；Level 2++ 則將能力延伸到一般道路與都市環境——而這正是數據量與邊緣案例覆蓋率決定勝負的戰場。

集團也首次公開了軟體定義車輛（SDV）測試平台的影片——以 Ioniq 6 為基礎、搭載 8 具攝影鏡頭與 1 具雷達——在無駕駛介入的情況下以 Level 2++ 水準穿越複雜的都市車流。影片包含高層隨車乘坐、一鏡到底行駛與邊緣案例處理，已公開於集團官方 YouTube 頻道。在一個展示影片經過精心剪輯的產業裡，「一鏡到底」這個形式本身就是一種宣示。

VLA 模型：從開車走向 Physical AI

除了時程表，42dot 也詳細說明了其在 Vision-Language-Action（VLA）模型上的進展——這是將視覺辨識、語言推理與動作生成整合進單一架構的技術。由於語言帶來了情境理解能力，VLA 模型不僅有望在複雜駕駛情境中做出更好判斷，更關鍵的是能提供決策的可解釋性——這是端到端黑箱模型長期為人詬病的弱點。

集團刻意讓 VLA 與端到端（E2E）自駕模型平行開發，主張雙軌並行能提升技術穩定性與可擴展性。VLA 模型驗證已在進行中，道路測試與完整開發流程預計跑至明年年初。

「VLA 是實現 Physical AI 的核心技術——AI 不再只是開車，而是理解情境、進行推理並付諸行動。」42dot Tryon Group 負責人李熙錫（Lee Hee-seok）說。「從自動駕駛開始，它將成為我們延伸到機器人等其他領域的基礎。」這才是更大的布局：把開車當作具身智慧平台的第一個灘頭堡，再擴散到集團的機器人事業。

光州的 Level 4 先導計畫

更貼近眼前的是，現代正與韓國國土交通部合作，在今年底於光州部署自駕 SDV 引導車（pace cars）——這是一個在監理機關監督下、於韓國本土道路取得大規模驗證數據的實戰 Level 4 先導計畫。兩家車廠自駕開發中心負責人權珙賢（Kwon Jung-hyun）攤開的時間表積極但自洽：「到 2027 年，我們將以高完成度實現行駛、停車與主動安全等一系列功能。之後，把 2028 年視為大規模收集邊緣案例數據、打造真正安全產品的時期……2029 年則是在韓國以外，包括北美與歐洲，準備安全認證的時期。」

冷靜的解讀

有兩個風險必須直說。第一，2028 至 2029 年的量產時程，讓現代落後於目前的 L2+ 領先者——Tesla、華為與小鵬等中國業者今天就有都市輔助駕駛在出貨，Waymo 更已在多座城市營運無人計程車。現代的反擊論點是：車隊級數據加上 NVIDIA 快速通道，能讓它跳過一個世代的手工工程；但懷疑者會指出，五年的數據落差，很難靠策略簡報補回來。第二，「2033 年超越 Tesla 數據量」的假設是 Tesla 的收集曲線原地踏步——以 Tesla 自身的車隊成長速度，這個假設相當站不住腳。

但其結構邏輯，比多數車廠的 AI 發表會都來得扎實。跨現代、Kia、42dot 與 Motional 的感測器標準化，掃除了拖垮傳統車廠自駕計畫的數據孤島問題；雙軌策略在控制供應商風險的同時，仍確保 2029 年前把皇冠上的寶石收回自家；而「自動駕駛是學習速度問題而非功能清單問題」的定調，也與一線 AI 實驗室自己相信的優勢所在不謀而合。

這給整個 AI 產業的啟示是：在具身應用的世界裡，模型本身不是護城河。餵養模型的管線才是——而現代，剛剛打開了它的飛輪。