VLA浪潮之下：智能驾驶的下一站，是选择题还是融合题？

“端到端”仿佛已在上辈子。

不得不说，VLA最近真的很火！

刚刚过去的12月，长城汽车正式宣布魏牌全新蓝山将搭载VLA辅助驾驶大模型。

2025年11月28日，奇瑞汽车副总裁李学用和地平线CEO余凯一起在珠海测试搭载了一段式端到端+VLM的星途ET5。

同年11月5日，小鹏科技正式发布了第二代VLA大模型。

更早的8月，理想对外宣称，VLA司机大模型已在理想i8车型上发布并率先搭载，9月已经完成了AD Max用户全量推送。

其他像吉利的银河M9、零跑D19，也都采用了VLA技术。目前，小米汽车也在加紧关于VLA的研发工作，引入海外人才陈龙，探索在辅助驾驶领域引入VLA模型。

细细梳理下，有些出乎意料，选择VLA技术的车企远比想象的还多。那么，问题就来了，VLA凭什么成为多数人的选择？

让汽车学会“思考与对话”

很多人第一次听说“VLA”，大概都是从理想汽车那场借用认知科学经典《思考，快与慢》来阐释技术路线的发布会开始的。

2024年，李想正是以这本书为框架，将复杂的算法决策过程锚定在大众的认知模型里，清晰托出了“端到端+VLM”的技术全景。而到了去年5月，技术演化的又一关键一步——VLA被正式公之于众。它并非凭空诞生，其概念早在2023年就已活跃于机器人领域，随后被引入自动驾驶，被视为对传统“端到端”模型的一次关键进化。

那么，VLA究竟是什么？简单说，它是在“端到端”的骨架上，完成了一次感知、认知与执行的“三位一体”融合。它的全称 Vision-Language-Action，精准揭示了其工作流：先通过视觉编码器“看见”世界，再经由大语言模型（LLM）“理解”与“推理”，最后通过驾驶编码器“执行”动作。

既可以看得懂画面、听得懂指令，还能直接做出行动。

这一切进化的核心引擎，是大语言模型的引入。正如DeepSeek的横空出世所震撼世界的那样，LLM带来的“完善的世界知识体系”与“强大的推理能力”，正是辅助驾驶最梦寐以求的拼图。传统“端到端”模型虽高效，却长期因“黑盒”属性而备受诟病——系统为何决策？面对罕见的长尾场景为何“犯蠢”？人们无从知晓。

LLM的融入，从根本上改变了这一局面。它让系统不再仅是机械地处理像素与信号，而是能进行概念化的思考。例如，它不仅能识别出“前方有红色锥桶”，更能基于知识推理出“这代表车道封闭，需要安全变道”。这种类人的因果推理能力，极大地破解了“黑盒”难题。

从产品角度看，VLA的魅力更在于它实现了与人类司机的“同频沟通”。你无需学习任何专业指令，就像告诉人类司机“前面路口靠边停，我在便利店下车”一样，用最自然的语言与车载系统交互。甚至，系统还能主动生成“思维链”向乘客解释：“检测到右前方有自行车靠近，我将稍减速留出安全空间。”

这种拟人化的沟通与透明的决策过程，极大地增加了用户的信任，这或许正是越来越多车企押注于此的原因：在智能驾驶的下半场，赢得人心与赢得算法同样重要。

通向“自动驾驶”，必须穿越的“深水区”

尽管前景诱人，但VLA的大规模落地仍面临多重技术瓶颈。

世界人工智能大会期间，博世智能驾控中国区总裁吴永桥表示，VLA短期难以落地，仍需攻克多维难题。

首先，是“多模态对齐”的极高门槛。让视觉、语言和驾驶动作三个不同模态的信号在向量空间中对齐并高效协作，需要海量、高质量的多模态配对数据，其收集、清洗与训练成本巨大。

其次，是车端算力的严苛约束。VLA模型需要部署在车端芯片上进行实时推理。尽管目前英伟达Thor、高通骁龙Ride、华为昇腾等新一代智驾芯片已开始针对大模型计算进行设计优化，但其算力、能效能否完全满足VLA的复杂需求，仍需量产验证。

最根本的挑战，在于对物理世界的“理解”鸿沟。大语言模型精通“文本世界”的规则，但对真实世界的物理规律、常识和因果关系的理解仍存在局限。当场景超出其“知识库”或语言描述模糊时，系统可能出现不合常理的错误判断。

正是这些挑战，催生并凸显了另一条更具野心的技术路径：世界模型。

世界模型的思路是“跳过语言翻译”，旨在为车辆构建一个可计算、可推演的“物理世界”。它让系统通过学习到的物理规律，直接模拟不同驾驶动作将引发的未来状态，从而进行决策。华为将这条路径视为实现高阶自动驾驶的关键跳板，并提出了“WEWA”架构：云端世界引擎（WE）如同“AI驾校”，生成海量仿真场景；车端世界行为模型（WA）则作为“驾驶大脑”，直接输出控制信号。

用华为ADS研发负责人王军的比喻来说：“如果把智驾系统比作学生，VLA是通过做海量习题（数据）来应对考试，而WA则是先理解知识点（物理规律），从而能够举一反三。”蔚来李斌也在内部评价中称，WA让车拥有“想象力，而不仅仅是记忆力”。

世界模型的优势在于其可验证性。由于建立在明确的物理规律之上，其决策过程更容易进行形式化验证和安全边界检查，理论上能提供更高的安全保障。

然而，世界模型也远非万能钥匙。其训练成本极为高昂，构建一个能高保真模拟万千可能性的世界模型，需要天量的计算资源。据悉，华为车端WA模型的复杂度，其算力需求相当于一个数十亿参数的大模型持续运行。行业数据显示，训练顶尖大模型的成本已从数千万美元攀升至数亿美元量级，且仍在增长。

这条路径的落地，同样是一场对资金、算力和工程能力的极限考验。而这些困难，并非单一技术路径的困境，而是自动驾驶行业驶向未来必须穿越的深水区。

写在最后

眼下断言哪种技术路径将主宰未来，或许为时尚早。一个更具前瞻性的视角正在浮现：世界模型与VLA并非取代关系，而可能走向融合与共生。短期内，世界模型是驯化VLA的容器，能解决后者训练数据不足的致命痛点，但长期看，二者或许或融为一体。

自动驾驶的终极答案，可能并非一道选择题，而是一道融合题。技术道路的演进，终将回归到一个最质朴的目标：让机器以人类信赖的方式，安全地抵达远方。

本文作者为踢车帮 晞贝