Published on:
VLA 架構在智慧駕駛領域勢頭正盛，業界爭論從「架構之爭」轉向能力融合
中國智慧汽車產業的快速發展正在重塑核心技術的認知方式。一個曾被描述為「下一代明星」的架構，在不到一年的時間內，就被部分評論家標籤為「簡化架構」。該架構即為 VLA (Vision-Language-Action)，現在是輔助與自動駕駛中最受討論的方法之一。
從機器人到汽車
VLA 的概念於 2023 年 7 月隨 DeepMind 發佈用於機器人控制的 RT-2 模型而進入公眾討論。在短短幾個月內，早期的自動駕駛開發者將最初為具身智慧設計的 VLA 概念改編至汽車領域，因其具有將原始感知直接映射到駕駛動作的潛力而受到青睞。
到 2025 年，多種基於 VLA 原理的輔助駕駛系統已進入實際部署。VLA 自此成為主流技術路線之一，儘管並非唯一路徑。
世界模型與 VLA：差異比想像中更小
乍看之下，這兩種方法——世界模型 (World Models) 與 VLA——似乎根本對立。世界模型強調重建物理環境的數位副本，而 VLA 則強調端到端的感知到動作學習。
然而，進一步觀察發現，兩者在核心上都是同一範式的工程實現：神經網路結合強化學習。
差異主要在於側重點——世界模型專注於顯式的環境重建，而 VLA 則強調動作生成——但底層機制卻極其相似。
實際部署：理想汽車的 VLA 駕駛模型
在汽車製造商中，理想汽車 (Li Auto) 被廣泛認為是首個大規模部署基於 VLA 駕駛模型的企業。自最初全面推出以來，該系統已經歷了多次迭代，最近的更新透過 OTA 8.1 交付。
根據實際駕駛數據，VLA 駕駛模型展現了更平滑的運動控制和更接近人類的駕駛邏輯。這種改進源於多項技術飛躍：
- 可擴展性： 激活的模型參數接近翻倍，達到約 40 億。
- 性能： 軌跡輸出頻率增加至 10 Hz，顯著降低了延遲。
- 推理： 在交通「博弈」場景中具有更強的 3D 空間推理能力。
超越輔助駕駛：邁向 AI 智能體
更先進的應用突顯了 VLA 的長期潛力。在如工業園區等半封閉環境中，系統可以在沒有明確導航輸入的情況下，依賴語義推理和長期記憶來推斷用戶意圖。
這些能力指向 VLA 正在演變成一個 AI 智能體 (AI agent)，而非狹義定義的駕駛功能——具備學習、記憶並根據不斷變化的條件調整策略的能力。
融合而非取代
行業觀察者日益認為，輔助駕駛的未來可能不取決於用一種架構取代另一種架構，而是在於對現有框架的深度優化。
VLA 與世界模型似乎正朝著一個共同目標融合：具備可擴展性與泛化能力的駕駛智慧。 爭論正逐漸從「哪種架構勝出」轉向在實際限制下，實際性能提升的速度有多快。
