小鵬汽車何小鵬立“賭約”，理想朗咸朋回應宇樹王興興！多家企業(yè)押注VLA背后：智駕路線要趨于融合？

12月11日，小鵬汽車董事長何小鵬發(fā)文稱，小鵬汽車的VLA 2.0（Vision-Language-Action，視覺語言動作模型）將在下個季度發(fā)布，“因為是第一個版本，所以壓力很大”。

此外，何小鵬還與公司自動駕駛團隊立下特別“賭約”：若2026年8月30日前，小鵬VLA系統在國內達到特斯拉FSD V14.2版本在硅谷的整體效果，他將在硅谷籌建特色中國風味食堂。反之，自動駕駛負責人需在金門大橋完成裸跑挑戰(zhàn)。

圖片來源：新浪微博

就在前一天，理想汽車自動駕駛研發(fā)高級副總裁郎咸朋在社交平臺發(fā)布長文，回應宇樹科技創(chuàng)始人王興興此前對VLA模型的質疑。

“我跟王興興觀點最不一樣的地方在于，他認為模型架構更重要，但我認為模型的關鍵是要與整個具身智能系統適配。在此基礎上，數據是起決定意義的。”郎咸朋認為，“VLA就是自動駕駛最好的模型方案。”

圖片來源：新浪微博

近幾年，輔助駕駛行業(yè)經歷了多次“技術底座”的范式遷移——從企業(yè)普遍把激光雷達+高精地圖奉為“黃金組合”，到引入BEV（鳥瞰圖）+Transformer擺脫高精度地圖，再到端到端將輔助駕駛帶入AI時代，企業(yè)普遍按照這個路徑來推進輔助駕駛功能。

但進入2025年，行業(yè)在輔助駕駛的發(fā)展方向上出現了VLA與世界模型的“分歧”，而理想與小鵬就是選擇VLA方案的代表。

兩技術派別“各執(zhí)一詞”

據了解，VLA被業(yè)內視為端到端方案的“智能增強版”。其名稱中的V代表視覺感知（Vision），A代表動作執(zhí)行（Action），而中間的L則是大語言模型（Language Model）。V負責實時感知環(huán)境，A負責輸出具體控制指令，L則像“中臺”一樣，把感知信息轉譯為可供A執(zhí)行的規(guī)劃與決策。

清華大學車輛與運載學院助理研究員顏宏偉表示：“VLA是多模態(tài)大模型驅動的智能體架構，其核心突破在于引入思維鏈，通過語言模型實現對環(huán)境理解與決策推理的可解釋性。”

“VLA模型融合了語言模型，具備強大的思維鏈能力，能擺脫傳統端到端模型的黑盒難題，并將信息串聯、分析，從而推理出因果關系。此外，它天然集成海量知識庫，泛化能力更強，能夠更好地適應復雜多變的真實道路環(huán)境。”元戎啟行CEO周光認為。

不過，王興興在今年8月的一次演講中則表示：“我個人對VLA模型還是保持比較懷疑的態(tài)度。”在他看來，VLA模型是一個相對比較傻瓜式的架構，在和真實世界交互時，它的數據質量、能采集的數據是不太夠用的。

郎咸朋則認為，空談架構不如看療效。在自動駕駛領域，脫離了海量真實數據談模型架構都是空中樓閣，“我們之所以堅持VLA，是因為我們擁有數百萬輛車構建的數據閉環(huán)，這讓我們能在當前算力下，把駕駛水平做到接近人類”。

圖片來源：理想汽車官網

郎咸朋稱，要想做好自動駕駛，必須先把自動駕駛當作完整的具身智能系統對待，每一部分在研發(fā)過程中要相互配合才能將價值發(fā)揮出來。此外，他還認為，模型的關鍵是要與整個具身智能系統適配，在此基礎上，數據是起決定意義的。在機器人領域獲取數據相對困難，但在自動駕駛領域，特別是建立起數據閉環(huán)能力的車企來說并不是大問題。

盡管郎咸朋表明了機器人領域與汽車領域有別，車企搭建數據閉環(huán)并非難事，仍有一些汽車背景的公司并未踏上VLA這條路徑。比如，華為智能汽車解決方案BU CEO靳玉志就表示：“我們不會走向VLA的路徑。這樣的路徑看似取巧，其實并不是走向真正自動駕駛的路徑。”

“華為更看重WA（世界行為模型），也就是World Action，中間省掉Language這個環(huán)節(jié)……直接通過Vision這樣的信息輸入控車，而不是把各種各樣的信息轉成語言，再通過語言大模型來控制車。”靳玉志進一步解釋稱，華為乾崑自研的WEWA架構包含云端的世界引擎（WE）與車端的世界行為模型（WA）。其中，WE負責海量數據訓練與場景生成，WA則實現車端的實時環(huán)境推理與擬人化決策。

據悉，“世界模型”源自人類對環(huán)境的認知機制，指的是AI系統通過感知數據構建一個對物理世界的內部模擬，從而具備預測、推理和生成合理行為鏈的能力。在輔助駕駛中，它不再只是“看見”世界，而是理解世界，預測未來可能發(fā)生的情況，并提前做出決策。例如，它不僅能識別前方有一輛自行車，還能預測它是否會突然變道，從而提前減速或避讓。

除華為外，蔚來、商湯等企業(yè)也都在此技術路線上進行布局。

VLA與世界模型未來有望深度融合

需要注意的是，盡管不同企業(yè)對于VLA和世界模型兩種技術“各執(zhí)一詞”，但兩者并不矛盾。

國海證券在研報中表示：“VLA與世界模型在技術上并非同級或對立關系。我們將發(fā)展路徑分為兩派，實質上是產業(yè)玩家在實現端到端能力之后，在能力優(yōu)化側重點上出現了分化。”

“雙方技術融合趨勢明顯，雙方均在向對方領域滲透。例如，VLA 引入強化學習與仿真優(yōu)化動作生成。”國海證券表示。

理想汽車董事長李想在去年底的直播中也提到，VLA可以拆解為預訓練、后訓練和強化學習三個層面。強化學習中最重要的一步就是在世界模型里閉環(huán)學習，引入舒適度、碰撞、交通規(guī)則等規(guī)則來打磨、反饋，讓VLA比人類開得更好。

“世界模型的高算力需求（訓練和推理都是）決定了它更適合在云端做數據生成和極度逼真的仿真測試和強化訓練，這也是理想目前正在做的。”郎咸朋說。

小馬智行CTO樓天城則表示：“我了解大部分公司兩種技術都用，比如Waymo也用了谷歌Gemini大語言模型。世界模型和VLA模型不是一個維度的東西，而是交錯的。這兩個東西不矛盾、不沖突，機器人領域非常多。我認為想要做百輛無人車以上，世界模型最關鍵。對其他公司（而言），可能做VLA模型賣車最關鍵。大家選擇不同的路線是因為目標不同。”

值得一提的是，既向C端賣車，又計劃推出Robotaxi的小鵬，有將兩種技術融合的趨勢。在11月5日的2025 AI DAY小鵬科技日上，小鵬汽車正式發(fā)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轉移到了輸入端。

圖片來源：小鵬汽車官網

“第一代VLA模型中間涉及兩次語言轉換，這會帶來大量信息損耗，比如一段1200多字的文字描述也無法精準地‘翻譯’一個十幾秒的視頻，而以視覺為核心，則把模型看到的世界直接轉換成運動軌跡。”何小鵬說。

11月7日的上海進博會上，小鵬汽車自動駕駛產品高級總監(jiān)袁婷婷分享了她對小鵬二代VLA架構的理解：“小鵬的二代VLA既是VLA模型，也是世界模型。”

在其展示的PPT中，世界模型是作為二代VLA的一個記錄器存在的：當V和L作出車輛運動軌跡和動作決策時，這個決策會被記錄到世界模型中；同時，與這個決策一同被記錄的，還有決策前的車輛狀態(tài)，即V和L形成的感知信號。也就是說，小鵬二代VLA在用其VLA數據訓練世界模型。

在小米汽車主任科學家陳龍看來：“一個管‘抽象思考’，一個管‘物理感知’，完全沒必要拉踩！VLA+WM的結合，才是通往更強通用具身智能。”

對于輔助駕駛底層技術的演進，國元證券方面認為，未來，VLA與世界模型的深度融合，有望成為高階智駕系統實現類人駕駛決策能力的關鍵拐點。

長安汽車智能駕駛高級總工程師則表示，在未來2至3年內，輔助駕駛的技術架構還將迎來1至2輪迭代，到2028年有望收斂至相對穩(wěn)定的狀態(tài)。