智能駕駛水面之下，“AI推理之爭”暗流涌動

所有的技術路線都會殊途同歸。

如果說，智能駕駛此前還在圍繞VLM（視覺-語言模型）與VLA（視覺-語言-動作模型）、一段式與兩段式、無圖和有圖等維度展開競爭，那么從今年開始，智駕競爭已悄然進入深水，一場更底層的較量正在算力集群與算法架構之間展開。

無論是智能駕駛、大模型還是具身智能，其競爭焦點正從快速預訓練響應轉向慢速深度推理。在這場圍繞推理能力的暗戰中，AI將不再僅僅依賴于快速的模式匹配，而是能夠進行深入思考，解決更復雜的問題，這將使AI迎來突破智能瓶頸的“奇點時刻”。

讓人工智能學會“頓悟”

“推理”被視為人工智能發展的下半場，這一變化的發生并不是偶然。

OpenAI的聯合創始人伊利亞·蘇茨克維爾（Ilya Sutskever）在溫哥華NeurIPS大會上明確表示，AI的預訓練時代已接近尾聲。他指出，當前的數據資源并不再具有指數級的增長，而計算能力仍在不斷攀升，這意味著我們必須重新評估和利用現有的數據，提高其推理效率。

“推理”這一術語來源于邏輯學，是系統根據已知前提，通過規則來產生新的結論或決策的能力。推理反映了AI在模擬人類思維方面的能力，人類的推理是通過已有知識（經驗或教育）對新情況進行分析，例如“如果天空烏云密布，那么可能會下雨”。

AI運行過程其實與上述描述特征基本一致，是因為它模仿了人類和邏輯系統中“從已知信息得出未知結論”的過程。推理強調模型利用訓練獲得的知識，在不確定的輸入情況下生成合理輸出。

與傳統的數據處理和模式識別有所不同，推理要求系統不僅能夠識別模式，還能夠理解其背后的原因和邏輯。這是機器學習技術的漫長而復雜的演進過程中的最后一步，就像是人工智能的“頓悟”時刻。

舉個例子，學生學習和考試，學生平時課堂學習、寫作業等，可以看成是AI模型的訓練。學生寫作業，老師批改作業，以及老師答疑，都是在給學生反饋哪些是正確的哪些是錯誤的，通過這個過程學生掌握了課本里面的知識。

到了考試以后，考題多數情況下是跟平時做的題目不一樣，學生需要利用掌握的知識來分析解答考試題目，這個就是推理的過程。

但是有一點需要說明，考試的知識點肯定要在課本知識范圍內，即考試不能超綱，否則學生也答不上來或者答的效果不好。

在AI的下半場，推理之所以變得尤為重要，是因為隨著應用場景的復雜化和多樣化，簡單的數據處理和分類已經無法滿足需求。比如在智駕領域，系統不僅需要識別行人、車輛和交通信號，還需要理解它們之間的交互關系，預測未來的行為，并據此做出安全、合理的駕駛決策，這就需要強大的推理能力來支撐。

巴克萊的一份報告預計，AI推理計算需求將快速提升，預計其將占通用人工智能總計算需求的70%以上，推理計算的需求甚至可以超過訓練計算需求，達到后者的4.5倍。

作為AI技術應用的兩大基石，訓練（Training）和推理（Inference）決定著AI的智能化水平。

在訓練階段，通過大量數據和算法，AI模型學會識別和生成規律。模型參數在此過程中不斷調整，以最小化預測與實際值之間的誤差，從而使其具備適應各種任務的學習能力。

在此過程中，大模型通過深度學習技術，通過多層神經網絡，對接收輸入的海量數據進行學習和優化，并通過學習調整模型的參數，以最小化預測與實際值之間的誤差，使其能夠對輸入數據進行準確的預測。

這通常涉及到使用反向傳播算法和優化器來最小化模型預測與實際標簽之間的誤差。為了提高模型的性能，一般需要使用大規模的數據集進行訓練，以確保模型能夠泛化到各種不同的情況。

這種學習方式，使得AI模型能夠從數據中自動提取特征，進而實現對數據的自適應分析和處理。同時，AI大模型還采用了遷移學習技術這種學習方式，使得AI模型能夠從數據中自動提取特征，將已經在其他任務上訓練好的模型，遷移到新的任務中，大大提高了訓練效率。

推理階段則建立在訓練完成的基礎上，將訓練好的模型應用于新的、未見過的數據。模型利用先前學到的規律進行預測、分類或生成新內容，使得AI能夠輸出相應的預測結果和具有意義的決策。

從類型看，AI推理可以分為批量推理、在線推理、流式推理三種模式。

批量推理得名于其接收和處理數據的方式，以大批量的形式進行。這種方法并非實時處理推理，而是按批次處理數據，有時按小時，甚至按天處理，具體取決于數據量和AI模型的效率。這些推理也可稱為“離線推理”或“靜態推理”。

在線推理也稱為“動態”推理，可以實時提供響應。這類推理需要硬件和軟件的支持，以降低延遲障礙并實現高速預測。在線推理在邊緣場景中很有幫助，即AI在數據所在的位置進行工作。這也許是手機上、汽車里，或者網絡連接有限的遠程辦公室中。

OpenAI的ChatGPT便是在線推理的典型范例，它需要大量的前期運維支持，才能快速且準確地作出響應。

流式推理未必用于與人類進行交互，該模型不是基于提示或請求來運作，而是接收持續不斷的數據流，以便進行預測并更新其內部數據庫。流式推理能夠監控變化、保持運行規律，或在問題實際發生前進行預測防范。

總的來看，訓練決定模型能力上限，推理決定服務效能下限。訓練環節主要存在于算法研發階段，支撐著模型能力的持續進化?？蒲袡C構通過改進訓練策略突破技術邊界，企業則通過領域自適應訓練打造垂直行業模型。

推理服務已滲透到各類產業數字化場景，比如智駕方面增強長尾場景的處理能力并提供最優路徑規劃、醫療領域輔助CT影像分析、金融行業實現智能風控、教育場景支持個性化學習推薦系統等等，這些應用都依賴高效的推理引擎將模型能力轉化為實際價值。

當前AI技術發展趨勢顯示，訓練階段正向更高效的稀疏訓練、混合專家架構（Mixture of Experts，MoE）演進，而推理優化則聚焦于動態批處理、持續推理等實時化技術，兩者的協同進步推動著AI技術落地的深化。

智能駕駛的關鍵跳板

今年，汽車行業的智駕之戰明顯比往年來得更加猛烈。比亞迪的天神之眼、吉利的千里浩瀚、奇瑞的獵鷹智駕，以及廣汽的自動駕駛計劃，這些主流車企的動向都說明了，如今的車圈已經是“得智駕者得天下”的時代了。

自2023年以來，智駕行業掀起BEV、端到端技術浪潮后，車企們正逐步將AI神經網絡融入感知、規劃、控制等環節。比起傳統基于規則的方案，基于AI、數據驅動的“端到端”擁有更高能力天花板。

但在端到端模型之外，車企們還輔以了大語言模型、VLM模型等外掛，提供更強大的環境理解能力，從而提升智駕能力上限。

與此同時，智駕另一個技術趨勢正在顯現，融合了視覺、語言和動作的多模態大模型范式——VLA正在成為重要的一環。VLA模型擁有更高的場景推理能力與泛化能力，對于智駕技術的演進意義重大。從長遠來看，在從L2級輔助駕駛向L4級自動駕駛的技術躍遷過程中，VLA有望成為關鍵跳板。

在提升汽車智能化方面，新勢力車企最為激進。在近期的NVIDIA GTC 2025大會上，理想汽車發布了新一代自動駕駛架構——MindVLA。它通過整合空間智能、語言智能和行為智能，賦予自動駕駛系統以3D空間理解能力、邏輯推理能力和行為生成能力，并計劃于2026年量產應用。

VLA模型最早見于機器人行業。2023年7月，谷歌 DeepMind推出了全球首個控制機器人的VLA模型——RT-2。

相比傳統的機器人模型只能支持少數的特定指令，RT-2借助于大語言模型強大的語言理解能力，可以直接和用戶進行語言交互，并在接收攝像頭的原始數據和語言指令后，直接輸出控制信號，完成各種復雜的操作和各類任務。

VLA在機器人領域的成功，很快也應用到了智能駕駛領域。2024年10月底，谷歌旗下自動駕駛公司Waymo推出了一個基于端到端的自動駕駛多模態模型——EMMA。

EMMA建立在多模態大語言模型Gemini之上，將原始攝像頭傳感器數據直接映射到各種特定于駕駛的輸出中，包括規劃者軌跡、感知目標和道路圖元素，通過將所有非傳感器輸入（如導航指令和自車狀態）和輸出（如軌跡和3D位置）表示為自然語言文本，最大限度地利用了預訓練的大型語言模型中的世界知識。

從技術路徑看，VLA模型是在VLM基礎上發展而來。VLM是一種能夠處理圖像和自然語言文本的機器學習模型，它可以將一張或多張圖片作為輸入，并生成一系列標記來表示自然語言。

然而，VLA不僅限于此，它還利用了機器人或汽車運動軌跡的數據，進一步訓練這些現有的VLM，以輸出可用于機器人或汽車控制的動作序列。通過這種方式，VLA可以解釋復雜的指令并在物理世界中執行相應的動作。

在VLA之前，“端到端+VLM”一直是智駕行業主流技術方案。

因為駕駛時需要多模態的感知交互系統，用戶的視覺、聽覺以及周圍環境的變化，甚至個人情感的波動，都與駕駛行為密切相關。所以“端到端+VLM”的技術架構中，端到端系統負責處理感知、決策和執行的全過程，而VLM則作為輔助系統，提供對復雜交通場景的理解和語義解析，但兩者相對獨立。

以理想“端到端+VLM”雙系統架構方案為例，其基于丹尼爾·卡尼曼（Daniel Kahneman）在《思考，快與慢》中提出的人類兩套思維系統理論，將端到端系統（相當于系統1）與VLM模型（相當于系統2）融合應用于自動駕駛技術方案中，賦予車端模型更高的性能上限和發展潛力。

其中，系統1即端到端模型，是一種直覺式、快速反應的機制，它直接從傳感器輸入（如攝像頭和激光雷達數據）映射到行駛軌跡輸出，無需中間過程，是One Model一體化的模型。系統2則是由一個22億參數的VLM視覺語言大模型實現，它的輸出給到系統1綜合形成最終的駕駛決策。

雖然“端到端+VLM”大幅提升了智駕水平，但仍有很多問題。比如，端到端和VLM要進行聯合訓練比較困難，此外還有對3D空間理解不夠、駕駛知識和內存帶寬不足、難以處理人類駕駛的多模態性等問題。

而VLA通過統一的大模型架構，將感知、決策、執行無縫串聯，形成“圖像輸入-語義理解-類人決策-動作輸出”的閉環，可以同步提高智駕的上限和下限，實現空間、行為和語言的統一。

從VLM到VLA的進化，就像是從有人指導的初學者變成了經驗豐富的老手直接操作，后者相對更為先進且可靠。

在推理方面，VLA模型的能力要遠高于“端到端+VLM”?；谝巹t可能只能推理未來1秒鐘內即將發生的情況；現階段的端到端可以推理未來7秒鐘可能發生的情況；而基于VLA模型的端到端的推理能力能夠長達幾十秒。推理時間越長，意味著在應對復雜、長尾場景時表現更好，比如施工現場，潮汐車道、交通指揮手勢等。

正因如此，VLA被業界認為是端到端2.0的主要技術形態。目前，VLA尚處于發展階段，除DeepMind的RT-2外，還包括OpenVLA模型、Waymo的EMMA、Wayve的LINGO-2、英偉達NaVILA等。這其中，Waymo的EMMA和Wayve的LINGO-2主要面向的是車載領域，RT-2、OpenVLA和NaVILA則主要面向機器人領域。

VLA是不是唯一路徑？

技術層面看，VLA核心在于將VLM的場景理解能力與端到端決策架構深度融合，并引入“思維鏈”（Chain of Thought，CoT）技術，這使得它具備了全局上下文理解與類人推理能力，能夠在面對復雜的交通場景時，像人類駕駛員一樣進行思考和判斷。

例如，當遇到前方道路施工、交通信號燈異?；蛘咂渌厥馇闆r時，VLA模型可以通過分析視覺信息和語言指令，快速規劃出合理的行駛路徑和應對策略。

它還能與乘客或其他車輛進行交互，接受并執行各種指令。比如，乘客可以直接對車輛說“找最近的加油站”或者“避開擁堵路段”，VLA模型就能根據這些指令自動規劃路線并執行駕駛操作。

對于智駕，VLA模型有相當多的優勢，其中最大優勢之一就是與現有的大語言模型范式兼容。VLA模型同樣遵從Scaling Law，隨著模型參數提升，性能也會提升。同時，用預訓練、后訓練、持續訓練改進模型。同時還兼容直接偏好優化（DPO）、人類反饋強化學習（RLHF）、組相對策略優化（GRPO）等技術。并且，思維鏈可以直接用于推理決策（比如潮汐車道的思考）。

VLA架構通過深度整合視覺、語言和行為等多模態信息進行端到端訓練，從根本上減少了信息傳遞過程中的損耗，并顯著提升了模型的泛化能力和對復雜駕駛場景的理解能力。這種多模態的融合使得模型能夠學習到視覺輸入與語言描述之間的對應關系，從而在做出駕駛決策的同時，也能生成相應的自然語言解釋。

例如，模型可能會解釋“我識別到前方有行人（視覺），根據交通規則我應該減速讓行（語言和行為規則），因此我執行了剎車操作（行為）。”這種將感知、推理和行動與語言描述直接關聯的能力，使得模型的決策過程不再是一個“黑箱”，而是變得可以理解和追溯。

同時，VLA將基于規則的偏好注入模型，讓VLA符合人類預期的駕駛決策。這意味著，VLA模型能夠識別并優先考慮安全的駕駛行為，從而減少現實世界中的不良習慣。此外，還能選擇人類偏好的最優路徑。

VLA模型另一優勢是跨領域通用性，但其落地對車載計算平臺的算力提出了更高要求。 憑借其底層多模態融合的特性，VLA模型展現出超越汽車領域的潛力，未來有望應用于包括機器人在內的更廣泛的智能設備，實現技術復用和規模效應。

不過，VLA要想實現全面上車，還需要解決數據與信息深度融合的問題。這要求車企的智駕團隊具備強大的模型框架定義能力和快速迭代能力。然而，在當前技術路線驟然升級的背景下，許多尚未發力端到端技術的車企將面臨更高的門檻。他們需要在短時間內跨越多個技術階段，這無疑增加了他們的難度和成本。

另一個對VLA非常重要的挑戰是數據閉環。雖然大語言模型已經基于海量的互聯網數據進行訓練，對于語言和文本已經有了非常強的分析能力，但對于駕駛相關的視頻數據、激光雷達點云和車輛狀態等數據，并沒有公開的海量數據可用。而且VLA的關鍵能力——思維鏈（CoT）需要根據設計的邏輯和問題建立定制化的數據，這就需要車企有非常強的數據閉環能力。

在VLA時代，數據閉環不僅僅是收集數據，收集什么樣的數據，如何從海量的量產數據中挖掘有用的場景，如何把這些場景用在算法的優化上；誰能更早把這些問題想清楚，誰就能在數據為王的時代占得先機。

此外，VLA還要面臨真實數據與實時響應的挑戰。真實世界數據涵蓋天氣、光線、行人行為等變量，遠超合成數據的覆蓋能力。例如，閃電或違規橫穿等關鍵狀態難以模擬，需依賴量產車或路側基站的大規模部署來積累。

而實時性要求模型在100毫秒內響應，涉及數十億參數的計算則需強大算力支持。技術特性決定了VLA的成熟度與落地速度高度依賴數據規模與算力投入。

去年，上車的主流大模型技術仍以思維鏈CoT及其變種為主（如思維樹ToT、思維圖GoT、思維森林FoT等），在不同的場景下會融合生成模型（如擴散模型）、知識圖譜、因果推理模型、累積推理、多模態推理鏈等技術。

今年，智駕技術的重點會向多模態推理轉移，常用的訓練技術包括指令微調、多模態上下文學習與多模態思維鏈（M-CoT）等，通過多模態融合對齊技術與大模型的推理技術結合而成。

在提升汽車智能化方面，也有像MogoMind這類面向真實物理世界的大模型，其融合多模態理解、時空推理、自適應進化等能力，將交通流量、氣象條件、道路狀況、城市環境等物理世界實時數據納入模型訓練，通過整合車輛、道路、云端等多方數據，可以進行實時分析并為精準決策提供支持，幫助駕駛員和自動駕駛車輛即時優化決策。

同時，通過大模型對攝像頭視頻流進行實時處理，可以為交通管理部門提供精準的交通流量分析預測與動態優化、事故預警、交通信號優化等服務。

從CNN到Transformer，再到VLM與VLA，技術迭代速度令人驚嘆。2025年將成為車端推理與VLA全面進擊的元年，各家車企將圍繞算法效率、硬件成本與用戶價值展開“三重博弈”。

可以預見的是，新一輪智駕格局洗牌正在醞釀，對于在技術和數據方面具有雙重優勢的車企將進一步鞏固市場地位，而未及時跟進的車企則面臨更加嚴峻的挑戰。無論是新勢力的狂飆突進，還是傳統巨頭的轉型重生，唯有“卷對方向”的玩家才有可能笑到最后。