和去年“端到端”占据智驾几乎所有话语权不同，今年夏天以来，VLA（Vision-Language-Action）的争论日趋激烈。品牌高管、专家、技术线“高P”们纷纷下场。以前业内智驾竞争，更多通过产品说话，技术观点直接碰撞较少。现在，大家对沿着VLA能否迭代到L3、L4智驾，产生了判断分歧。

　　当然，技术话语权的争夺，最终也要在消费市场上兑现。9月份，华为将向用户全量推送乾崑智驾ADS 4；小鹏也将在9月量产推送VLA，再加上刚刚发布VLA系统的元戎启行，以及声称“量产”VLA产品的理想，8月份VLA话题火爆，再合理不过。

　　新的智驾阵营形成

　　到底什么是VLA？字面意思，就是“视觉-语言-行为”链，也是个大模型。实际上就是将视觉信息作为输入，问一个大模型如何开车（这里的大模型单指LLM）。这看上去似乎在模拟人类开车的方式。基本上，VLA的信徒也动辄到人类思维和行为模式当中寻找灵感。

　　简单看，VLA分四步：识别图像；将图像理解，翻译成语言文本（Token），输入大模型；大模型给出驾驶建议；将建议生成轨迹+环境，修正建议。

　　8月8日世界机器人大会上，王兴兴（宇树科技CEO）表示，“VLA是相对傻瓜式的架构”。王兴兴还表示，VLA过度依赖高质量数据，适应性差、泛化差。他预言无法突破“临界点”（放在智驾上，就是无法直升L4）。

　　VLA这些短板，小鹏、理想、元戎启行等坚持VLA路线等企业都深有体会，但考虑到C端可能的反应，免不了有些不爽。尤其是持续向公众宣传VLA的理想。

　　舆论这边刚骂完王兴兴“不懂”，华为车BU CEO靳玉志又公开表示，华为不会走VLA路线。“VLA看似取巧，并不是最终走向真

　　正自动驾驶的路径，我们更看重WA（World Action世界行为模型），省掉了”语言“环节”。

　　这番论调更“暴”，直接否定了VLA。这下子，阵营壁垒变得分明：VLA+RL（强化学习）VS世界引擎（云端）+世界行为模型（车端），后者华为牵头。

　　VLA的优势和短板

　　王兴兴还少说了一点，那就是长思维链的VLA很慢，车端反应是秒级的，只适合非时敏型任务，比如泊车；而短思维链（比如3到4层），则处理长尾场景的能力不够强，且仍然不够快。理想团队因此升级为“快慢系统”：用不依赖思维链的端到端系统，针对结构性场景，负责“轻量化”驾驶；而VLA模型，则优化为特殊定制的思维链。VLA派认为，人脑开车的时候，也存在“快慢系统”。

　　如何“特殊定制”才能缩短反应时间呢？无非是小词表（Token数量少）、并行解码、逻辑推理，然后将行为Token一次性输出。

　　即便如此，VLA在长尾场景中的反应速度仍然可疑。反应速度也好，车端模型大小也好，都受到车端算力、内存带宽的严厉制约。Waymo做L4的时候，相当简单粗暴，在后备箱里直接塞俩A100（单张FP32稠密算力峰值19.5TFlops，带宽1.6TB/s）。对于量产车而言，A100这样的算力未免太贵。英伟达的Thor（FP4稀疏算力峰值2070TFlops，相当于A100算力的1%）再次跳票之后，算力提升就需要自己来解决。所以我们看到蔚小理、小米都有自研算力芯片项目。

　　就因为有语言翻译这一环节，有人将其看做“两段式”端到端。在一些复杂场景中，比如极限遮挡，比如临道前方大型车辆对本方视野的限制。这个时候人来开车的话，往往提倡防御性驾驶，大语言可以准确描述这种遮挡。对于人类都头疼的潮汐车道、长时序推理等特殊场景，VLA表现得很好。但对于一些简单场景，视觉语言大模型反而可能出现常识性错误，这和语言大模型的幻觉如出一辙。我们多次见过，大模型为了完成任务，不惜伪造数据和逻辑链。当然，它根本不知道什么是“伪造”，只是预测Token出现偏差而已。

　　也有人称，3D转2D（比如用3D高斯溅射，一种将实时环境点云转换为高斯分布的数学方法）过程中，语言往往不能很好描述所有场景。即人眼看到的很多细微差别，特别是低像素物体，语言是相当乏力的（比如远处只占2个像素的锥桶）。问题就在于，99%情况下结果收敛是完全不够的。

　　因此，VLA面临的问题，可以简化为数据质量依赖和效率问题（思考太久）。

　　世界模型：看上去很美

　　而“世界模型派”认为，采用世界模型，可以避免过度依赖高质量数据。理论上，世界模型，是用数学方式模拟现实物理世界。但在智驾领域内，World Model到底world了个啥，还存在争议。

　　3D高斯当然不完美，但3D高斯不仅包含了点的位置信息，还描述了点云在空间形状、分布、大小（用协方差矩阵），以及颜色、透明度。这些物理描述基本具备世界模型的表征。同理，坚持世界模型的企业，往往也偏爱激光雷达。这也是为什么我们看到，纯视觉与激光雷达的拥趸，也有点势不两立的味道。

　　鉴于世界模型能够生成数据（质量另说），显然可以完成预训练和仿真，基于世界模型可以实现端侧推理。这时候所谓推理，就是在虚拟世界中预测未来。如果虚拟世界与现实世界贴合得很紧，那么也意味着可以预测物理世界未来的几秒钟。

　　理论上，世界模型拥有对世界更好的理解力，思考也很快（因为没有语言描述这一步）。靳玉志认为，世界模型将信息（不局限于视觉信息）给大模型，后者直接输出行为指令控车。看上去很完美。

　　但是，虽然世界模型对真实长尾数据量没太多要求，但既然靠生成数据进行训练，就仍对数据质量有要求。如果这些数据描述物理互动偏差过大，基于这些有缺陷数据，训练出来的系统，可能带来难以估量的隐患。同时，世界模型不像VLA那样，决策过程可见、可理解。出了问题，只能回溯到训练之前。

　　不同代际竞争并存

　　现在双方都坚持自己的路线能走到L4。VLA的挑战在于，如何用“语言”描述复杂空间互动。如果算力无限，可能不再是问题。而世界模型则试图解决空间认知和物理推演问题，但生成了模型之后，就很难控制训练质量。两种技术，无论描述的如何花团锦簇，当前都处于幼年期。

　　和occ、BEV不同，这一回学术界也没摸清楚VLA和世界模型的潜力。在学术界还没底的情况下，工程界就开始落地商业化了。后者先动手，而不是等技术理论支撑完善，表明当前智驾的竞争已经开始压迫生存力了。看清楚、想明白再下手，可能就“没仗可打”，意味着商业机会的丧失。

　　这种趋势倒是明白无误的，明年头部智驾的竞争，极大概率将转移到VLA与世界模型“路线斗争”上来。考虑到一些厂商，还没搞定规控路线，即便身处于同一个市场环境，也不再是一个维度的竞争了。我们正看到，“机械化战争”与“骑马砍杀”并存。说实话，倒退3年，都无法想象技术竞争的现实，是如此的魔幻。

　　最终，哪种路径能率先成功，取决于技术瓶颈的突破速度、算力成本的下滑曲线以及大规模路测反馈的迭代效率，时间会给我们最终的答案。在寻求越过L2藩篱的过程中，消费者掏钱尝鲜，能否率先体验到优于现有水平的智驾，尚不确定。

免责声明：本站登载此文仅出于信息分享，并不意味着赞同其观点及其描述，不承担侵权行为的连带责任。如涉及版权等问题，请与我们联系（联系QQ：26887486），我们将及时删除处理。
本文链接：https://www.yunlianauto.com/article/53/52482.html