每经记者｜孙 磊    每经编辑｜裴健如    

12月11日，小鹏汽车董事长何小鹏发文称，小鹏汽车（以下或简称小鹏）的VLA 2.0（VisionLanguage-Action，视觉语言动作模型）将在下个季度发布，“因为是第一个版本，所以压力很大”。

此外，何小鹏还与公司自动驾驶团队立下特别“赌约”：若2026年8月30日前，小鹏VLA系统在国内达到特斯拉FSD V14.2版本在硅谷的整体效果，他将在硅谷筹建特色中国风味食堂。反之，自动驾驶负责人需在金门大桥完成相关挑战。

就在前一天，理想汽车（以下或简称理想）自动驾驶研发高级副总裁郎咸朋在社交平台发布长文，回应宇树科技（以下或简称宇树）创始人王兴兴此前对VLA模型的质疑。

“我跟王兴兴观点最不一样的地方在于，他认为模型架构更重要，但我认为模型的关键是要与整个具身智能系统适配。在此基础上，数据是起决定意义的。”郎咸朋认为，“VLA就是自动驾驶最好的模型方案。”

近几年，辅助驾驶行业经历了多次“技术底座”的范式迁移——从企业普遍把激光雷达+高精地图奉为“黄金组合”，到引入BEV（鸟瞰图）+Transformer摆脱高精度地图，再到端到端将辅助驾驶带入AI（人工智能）时代，企业普遍按照这个路径来推进辅助驾驶功能。

进入2025年，行业在辅助驾驶的发展方向上出现了VLA与世界模型的“分歧”，而理想与小鹏就是选择VLA方案的代表。

两技术派别“各执一词”

据记者了解，VLA被业内视为端到端方案的“智能增强版”。其名称中的V代表视觉感知（Vision），A代表动作执行（Action），而中间的L则是大语言模型（Language Model）。V负责实时感知环境，A负责输出具体控制指令，L则像“中台”一样，把感知信息转译为可供A执行的规划与决策。

清华大学车辆与运载学院助理研究员颜宏伟表示：“VLA是多模态大模型驱动的智能体架构，其核心突破在于引入思维链，通过语言模型实现对环境理解与决策推理的可解释性。”

“VLA模型融合了语言模型，具备强大的思维链能力，能摆脱传统端到端模型的黑盒难题，并将信息串联、分析，从而推理出因果关系。此外，它天然集成海量知识库，泛化能力更强，能够更好地适应复杂多变的真实道路环境。”元戎启行CEO（首席执行官）周光认为。

不过，王兴兴在今年8月的一次演讲中表示，“我个人对VLA模型还是保持比较怀疑的态度。”在他看来，VLA模型是一个相对比较傻瓜式的架构，在和真实世界交互时，它的数据质量、能采集的数据是不太够用的。

郎咸朋认为，空谈架构不如“看疗效”。在自动驾驶领域，脱离了海量真实数据谈模型架构都是空中楼阁，“我们之所以坚持VLA，是因为我们拥有数百万辆车构建的数据闭环，这让我们能在当前算力下，把驾驶水平做到接近人类”。

郎咸朋称，要想做好自动驾驶，必须先把自动驾驶当作完整的具身智能系统对待，每一部分在研发过程中要相互配合才能将价值发挥出来。此外，他还认为，模型的关键是要与整个具身智能系统适配，在此基础上，数据是起决定意义的。在机器人领域获取数据相对困难，但在自动驾驶领域，特别是对建立起数据闭环能力的车企来说并不是大问题。

尽管郎咸朋表明了机器人领域与汽车领域有别，车企搭建数据闭环并非难事，仍有一些汽车背景的公司并未踏上VLA这条路径。比如，华为智能汽车解决方案BU CEO靳玉志就表示，“我们不会走向VLA的路径。这样的路径看似取巧，其实并不是走向真正自动驾驶的路径”。

据记者了解，“世界模型”源自人类对环境的认知机制，指的是AI系统通过感知数据构建一个对物理世界的内部模拟，从而具备预测、推理和生成合理行为链的能力。在辅助驾驶中，它不再只是“看见”世界，而是理解世界，预测未来可能发生的情况，并提前做出决策。例如，它不仅能识别前方有一辆自行车，还能预测它是否会突然变道，从而提前减速或避让。

除华为外，蔚来、商汤等企业也都在此技术路线上进行布局。

VLA与世界模型将融合？

值得注意的是，尽管不同企业对于VLA和世界模型两种技术“各执一词”，但两者并不矛盾。

国海证券在研报中表示：“VLA与世界模型在技术上并非同级或对立关系。我们将发展路径分为两派，实质上是产业玩家在实现端到端能力之后，在能力优化侧重点上出现了分化。”

“双方技术融合趋势明显，双方均在向对方领域渗透。例如，VLA引入强化学习与仿真优化动作生成。”国海证券在研报中表示。

在去年底的一场直播中，理想汽车董事长李想也提到，VLA可以拆解为预训练、后训练和强化学习三个层面。强化学习中最重要的一步就是在世界模型里闭环学习，引入舒适度、碰撞、交通规则等规则来打磨、反馈，让VLA比人类开得更好。

“世界模型的高算力需求（训练和推理都是）决定了它更适合在云端做数据生成和极度逼真的仿真测试和强化训练，这也是理想目前正在做的。”郎咸朋说。

小马智行CTO（首席技术官）楼天城表示，“我了解到大部分公司两种技术都用，比如Waymo也用了谷歌Gemini大语言模型。世界模型和VLA模型不是一个维度的东西，而是交错的。这两个东西不矛盾、不冲突，机器人领域非常多。我认为想要做百辆无人车以上，世界模型最关键。对其他公司（而言），可能做VLA模型卖车最关键。大家选择不同的路线是因为目标不同”。

值得一提的是，既向C端卖车，又计划推出Robotaxi（自动驾驶出租车）的小鹏，有将两种技术融合的趋势。在11月5日举行的2025 AI DAY小鹏科技日上，小鹏汽车正式发布了第二代VLA。第一代VLA的方案是V到L再到A，第二代VLA是V+L到A，也就是把L转移到了输入端。

“第一代VLA模型中间涉及两次语言转换，这会带来大量信息损耗，比如一段1200多字的文字描述也无法精准地‘翻译’一个十几秒的视频，而以视觉为核心，则把模型看到的世界直接转换成运动轨迹。”何小鹏说。

翻译

搜索

复制

封面图片来源：视觉中国图