VLA，这是完全自动驾驶的唯一途径？

电子爱好者网报道 （文 / 最近，梁浩斌在智驾领域又出现了许多“新词”，比如蔚来推出的。 NWM、许多汽车公司和智能驾驶供应商都在推广。 VLA。事实上，从每个家庭的路线来看，随着计算能力较大的芯片，如小鹏、蔚来自研发的智能驾驶芯片，以及英伟达 Thor 上车，越来越多的智驾方案选择 VLA 的路径。

因此，本文将对当前智驾领域集中主流的大模型技术路线进行梳理，以及各厂商实现方式的差异与发展。

VLA 和 VLM

VLA 即 Vision-Language-Action，视觉 - 语言 - 动作模型。简而言之，VLA 它是一种多模态，结合视觉感知、语言逻辑和动作决策。 AI 模型。VLA 通过统一的空间智能、语言智能和行为智能，自动驾驶系统可以更全面地了解复杂的环境和任务。

VLA 主要有三种核心能力，包括三种。 BEV、激光雷达等视觉输入；了解自然语言指令或场景描述等语言处理能力；以及车辆控制动作的输出能力。最后，通过这三种能力，从感知到决策的端到端实现了闭环。

VLM 即 Vision-Language Model，视觉 - 语言模型，从名称上看，VLA 便是在 VLM 在此基础上增加了动作能力，事实也是如此。

VLA 在 VLM 在多模态推理和理解的核心能力上，增强了动作产生的能力， VLM 输出，例如，直接将“在这个十字路口左转”的指令导出转换成汽车的控制指令，包括油门、方向盘角度、制动强度等。

一般来说，VLA 通常也是以预训练为基础的 VLM 底座模型，使用 VLM 通过引入动作预测模块来扩展视觉和语言能力，使其适应各种任务，包括机器人、自动驾驶等。

具体应用于自动驾驶，VLA 可以直接调用 VLM 产生的语义理解结果，如识别视频屏幕中的交通标志、场景描述等。，并结合即时感知数据生成汽车控制指令。同时，VLA 执行结果，也可以反向提高。 VLM 了解场景的能力，提高决策选择。

简单总结一下，VLM 这是一个专注于理解的模型。它通过自然语言描述当前车辆前方的场景，以及“看到”什么，并能导出一些车辆控制指令的文本。VLA 主要集中在动作控制上，在获得场景的自然语言信息之后，处理车辆应如何继续行驶，如做避让、变道等操作，并且直接导出具体的控制指令，如油门、方向盘角度、制动强度等。

小鹏，理想，元戎落注。 VLA，但是实现的方法不同

现在小鹏、理想、元戎启动等车企和智驾企业，都展示了它们 VLA 技术布局，并表示将大规模生产。

元戎启行 CEO 最近的周光 2025 年火山引擎 Force 原动力大会宣布，将与火山引擎携手，共同研发基于豆包大模型的火山引擎。 VLA 等待前瞻技术，元戎骑自行车 VLA 模型将在 2025 2008年第三季度推向消费市场。

在此之前，理想汽车透露 VLA 该模型将于今年第三季度安装在理想中。 L9/L8 改款车型。

最近小鹏的小鹏汽车 G7 新闻发布会上表示，行业将首发本地端 VLA VLM 大型模型。小鹏在车端实现 VLA 一般来说，选择超大参数云模型，训练世界模型底座，然后通过蒸馏生产出适合汽车计算能力的小模型，最大限度地保留云模型底座的核心能力。

今年 4 月，小鹏汽车宣布开发参数规模已达到。 720 一亿云大模型，即“小鹏世界底座模型”。该基础模型采用大语言模型作为骨干网络，采用大量优质驾驶数据进行训练。 VLA 大模型(视觉) - 语言 - 行为模型)，具有视觉理解能力，链式推理能力（CoT）以及动作生成能力。现在，小鹏汽车已经用超小底座模型完成了后装计算能力汽车端的控制。如果没有任何规则代码拖底，新的" AI 大脑“表现出令人惊讶的基本驾驶技能，能顺利地加减速，变道绕道，转弯，等待红绿灯等等。

上星期的计算机视觉顶会 CVPR 2025 事实上，小鹏汽车也分享了其基本模型的进展。小鹏世界底座模型负责人刘先明博士说，小鹏汽车已经在云上训练过了 10 亿、30 亿、70 亿、720 亿等多个参数模型，并不断向模型“投喂”更大规模的训练数据。现在，小鹏世界底座模型累计“吃” 2000 数以万计的视频短片(每个时间) 30 秒）。

在这个过程中，R&D部门清楚地看到了规模法则（Scaling Law）显示。换言之，模型参数值越大，模型学习数据越多，模型性能越强。那就是 AI 到目前为止，业界首次明确了自动驾驶的验证规模法则。 VLA 模型继续起作用。

理想汽车的 VLA 路线不同。首先蒸馏底座模型，生产汽车端的蒸馏模型，然后加强学习，实现“司机”。 Agent "。

蔚来世界模型 NWM

蔚来最近推出了它的最新推送。 NWM 第一个版本，根据蔚来的介绍，蔚来世界模型 NWM 它是一种多元化的自回归生成模型，具有空间认知和时间思维能力，可以长期做出决策和演绎。蔚来世界模型 NWM 多模态输入输出也是如此，输入多模态数据包括图像、语言，输出多模态数据包括图像和行动。

因此 NWM 实际上是包含的 VLA 所有的特征，但不同之处在于，NWM 对空间理解的能力，以及长时序的建模能力都会更强。

蔚来利用停车场自主寻径的功能 NWM 认知、理解和推理能力。例如，当汽车在行驶过程中看到“ 15-20 号楼→"在标牌上，它可以理解。 18 号码楼应该向右；在最后一个路口看到“出口直行”这个词，但是目前的路口没有标志，车辆可以推断出出口应该继续直行。

写在最后

元戎启动感觉，VLA 这是完全自动驾驶的唯一途径。目前 VLA 的确已成为智驾的主流发展方向， VLA 对汽车计算能力的需求，也将推动智能驾驶芯片计算能力的爆发。

阅读更多热门文章

加关注 星标我们

把我们设为星标，不要错过每一次更新！

喜欢就奖励一个“在看”！

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com