Published on:
VLA-arkitektur vinner mark inom intelligent körning, när branschdebatten skiftar från 'arkitekturkrig' till konvergens av förmågor
Den snabba utvecklingstakten i Kinas industri för intelligenta fordon omformar hur kärnteknologier uppfattas. Ett ramverk som en gång beskrevs som en ”nästa generations stjärna” har på mindre än ett år stämplats av vissa kritiker som en ”förenklad arkitektur”. Det ramverket är VLA (Vision-Language-Action), numera ett av de mest diskuterade tillvägagångssätten inom förarassistans och automatiserad körning.
Från robotik till bilar
Konceptet VLA kom in i den offentliga diskussionen i juli 2023, efter DeepMinds släpp av RT-2-modellen för robotstyrning. Inom bara några månader anpassade tidiga utvecklare av autonom körning VLA-konceptet - ursprungligen designat för förkroppsligad intelligens - till fordonsdomänen, lockade av dess potential att mappa rå perception direkt till körhandlingar.
År 2025 hade flera förarassistanssystem baserade på VLA-principer nått verklig driftsättning. VLA har sedan dess blivit en av de huvudsakliga tekniska rutter, även om det inte är den enda.
Världsmodeller och VLA: Mindre olika än de verkar
Vid en första anblick verkar de två tillvägagångssätten - världsmodeller och VLA - vara fundamentalt motsatta. Världsmodeller betonar rekonstruktionen av en digital kopia av den fysiska miljön, medan VLA lyfter fram end-to-end-lärande från perception till handling.
Men en närmare granskning visar att båda i grunden är ingenjörsmässiga implementeringar av samma paradigm: neuronnät kombinerat med förstärkningsinlärning.
Skillnaden ligger mer i betoningen - världsmodeller fokuserar på explicit miljörekonstruktion, medan VLA betonar generering av handlingar - men den underliggande mekaniken är anmärkningsvärt lik.
Praktisk driftsättning: Li Autos VLA-förarmodell
Bland biltillverkare är Li Auto allmänt erkänd som den första att driftsätta en VLA-baserad förarmodell i stor skala. Sedan den första fullständiga utrullningen har systemet redan genomgått flera iterationer, med de senaste uppdateringarna levererade via OTA 8.1.
Enligt verkliga kördata uppvisar VLA-förarmodellen smidigare rörelsestyrning och mer mänsklig körlogik. Denna förbättring härrör från flera tekniska språng:
- Skalbarhet: Nästan en fördubbling av aktiverade modellparametrar till cirka 4 miljarder.
- Prestanda: Ökad frekvens för bana-utdata på 10 Hz, vilket avsevärt minskar latensen.
- Resonemang: Starkare 3D-spatialt resonemang i trafiksituationer med ”förhandlingar”.
Bortom förarassistans: Mot AI-agenter
Mer avancerade applikationer belyser VLA:s långsiktiga potential. I halvslutna miljöer som industriparker kan systemet härleda användarens avsikt utan explicit navigationsinmatning, genom att förlita sig på semantiskt resonemang och långtidsminne.
Dessa förmågor pekar mot att VLA utvecklas till en AI-agent snarare än en snävt definierad körfunktion - kapabel att lära sig, minnas och anpassa strategier baserat på förändrade förhållanden.
Konvergens, inte ersättning
Branschobservatörer hävdar alltmer att framtiden för förarassistans kanske inte beror på att ersätta en arkitektur med en annan, utan på djup optimering av befintliga ramverk.
VLA och världsmodeller verkar konvergera mot ett gemensamt mål: skalbar, generaliserbar intelligens för körning. Debatten skiftar gradvis från ”vilken arkitektur som vinner” till hur snabbt verklig prestanda kan förbättras under praktiska begränsningar.
