L3 拐点将至，智能驾驶走向 VLA 分水岭。
原本统一的「智驾第一阵营」分化出两条道：
理想、小鹏、元戎是一队，高举 VLA 大旗，把 VLA 拼命推向前台； 华为、Momenta、博世、卓驭等玩家却站在对立面，给 VLA 毫不留情的泼冷水。有人将 VLA 视为指路灯的同时，有人也在质疑 VLA 能否「发光」。
从以下三个问题，我们试图把关于 VLA 的争论点还原清晰：
VLA 能为智驾解决什么问题？ VLA 落地还面临什么挑战？ VLA 是否是智驾终局的最优解？智能驾驶早已过了「抄作业」的时代。没有所谓的标准答案，大家都是在摸着石头过河。
智驾当下比拼的，已经不是单纯的技术路径分野，而是技术路径选择背后，一场对于资源分配的策略和定力，比的是技术价值观。
展开剩余91%就像理想和元戎坚信，VLA 尽管进展慢，但上限一定会比端到端更高。
大家都在押注长期主义，但谁的长期主义会先显验，还要时间给出答案。
01、仅靠端到端，智驾进度条只能到 90%
端到端固然是条捷径，它改写了底层逻辑，从传统规则驱动转变为数据驱动。
但当几乎所有玩家都上了端到端这艘大船后，才发现，大船还不一定靠得了岸。
端到端两大缺陷横亘眼前：
一是车为什么这样动，说不清楚。
传统端到端是一个黑箱，传感器信号如何转化为驾驶动作难以追溯，无法给出清晰的决策逻辑。例如车辆突然急刹，原因可能是探测到行人，也可能是把阴影误判为障碍物，但系统并不会告诉你「为什么」。
二是没见过的场景，就不会了。
端到端完全依赖数据驱动，没见过的场景往往就不会处理。尤其在动态突发情况下，如行人突然横穿马路，系统只能依赖过往类似案例被动应对，反应滞后。此外，模型只能识别像素级特征（如红灯形状），却无法理解语义级规则，比如红灯等于禁止通行。
端到端可以解决智驾 90% 的难题，但剩下的 10%，却怎么也跨不过去。
智驾安全显然不能停留在 90% 的基准线，要向前推进，业内普遍的共识是用规则兜底，在端到端网络之外写入规则代码，教会系统基本的交通法则，保证合理行驶。
但兜底更像是最后一道防线，面对错综复杂的极端情况，需要更加「治本」的方式。
于是，VLA（视觉-语言-动作大模型）跃入技术前台。
这项技术最早由谷歌旗下的 DeepMind 提出亿融策略，其标志性成果为机器人领域的 RT-2 模型，通过整合视觉感知、语言推理和动作控制，首次实现了从图像观察和文本指令到物理动作的端到端控制。
理想、元戎启行将其引入智驾领域，目的也是借 VLA 能力突破端到端的瓶颈。
VLA 的关键点在于，在「VA（视觉-动作）模式」中间加入了「Language（语言）」这一关键桥梁。
理想智驾负责人郎咸朋强调，「L」指代语言学习能力，它并不是简单的用语言做显示的文字推理，而是用语言提供的数据学习做隐式的逻辑推理。
这就好比人与动物的区别，人的视觉能力、行动速度都不如动物，但凭借强大的认知和理解能力，能够比动物更高一等。
相当于，VLA 的核心任务，就是让系统具备长「思维链」，这落实到性能体验上，会带来三方面提升。
其一，更全维度的「路牌」理解。
这里的「路牌」不再局限于平面的交通标识，而是扩展到红绿灯变化、交警手势、施工锥桶等动态三维信息。比如，系统能够识别潮汐车道标志，在拥堵路段也能顺畅变道。
其二，更自然的语音交互。
用户可以直接通过语音控制跟车距离、车速等，还能告知系统驾驶偏好。理想的「司机 Agent」甚至能记忆用户习惯，用户曾提示某路段应以特定车速行驶，系统在下次经过时会主动沿用，不用再重复指令，以此实现人车共驾。
其三，更前瞻的风险预判。
系统不再是遇到风险才被动响应，而是能通过视觉识别、语言推理提前感知潜在危险。比如看到前方路面有积水痕迹，会预判「可能存在涉水风险」并主动减速等。
VLA 玩家们都相信，VLA 是端到端的 2.0 形态，一个形象比喻是：
端到端像猴子开车，会模仿人类动作，却缺乏对物理世界的理解； VLA 则像司机，甚至教练开车，既能理解规则，又能推理和灵活决策，从「学行为」进化为「懂意图」。只不过，现在的 VLA 优势还并不明显。
郎咸朋强调，当前智驾任务还比较简单，在 L3、L4 阶段，智驾作为 Agent 要独立完成复杂任务时，VLA 才会获得碾压性胜利。
但也正因如此，在「VLA 是否为行业终局答案」这一问题上，始终得打个问号。
02、VLA 可能还不在神坛上
当理想、元戎启行高举 VLA 大旗时，迎接它的并不是像「端到端」一般的技术光环，而是多重质疑。
这场由 VLA 引发的舆论漩涡，一共有三层。
第一层是真假 VLA 之辩。关键角色是小鹏，有意思的是，小鹏早期并未高调举起 VLA 大旗，它这张 VLA 玩家的身份牌还是元戎启行翻开的，此前元戎启行创始人周光表示，任何投入大算力、大参数模型研发的玩家亿融策略，都大概率是 VLA 路线的潜在参与者。这就指向了小鹏。
直到小鹏 G7 Ultra 发布会上，小鹏才明确表态，基于 3 颗图灵芯片与双激光雷达，小鹏 G7 Ultra 支持全场景 VLA，包括复杂路口决策、无车位泊车等功能，并在人机共驾模式下可以实现协同控制。
然而，尽管隶属于 VLA 阵营，但小鹏把刀口对准的却是「队友」。
何小鹏声称，「只有我们做成了真正的 VLA，部分公司做成的是一个嫁接的 VLA。」
他对此解释为，VLA 的落地需要数十亿资金投入。相比端到端，VLA 要处理的是更高维度、非结构化的多模态信息，再将其转化为驾驶动作决策，复杂度指数级提升。用几个亿只能堆出一个「微型 VLA」，本质上仍停留在端到端逻辑。
一句话，VLA 玩家都必须是资源禀赋型选手，需要技术先进，更需要大量资金。
某种程度上，小鹏用「纯血 VLA」的角度，揭开了 VLA 水面之下的暗角。
这就来到第二层，VLA 的落地挑战。博世智能驾控中国区总裁吴永桥解释得很清楚，即 VLA 落地需面临三大障碍：
多模态大模型的特征对齐存在挑战； 多模态的数据获取和训练十分困难； 当前所有的智驾芯片实际都不支持 VLA 模型。尤其是第三点，吴永桥举例，VLA 理想化部署需达到 7B-10B 参数规模，但现有智驾芯片带宽有限。即便是一个 3B 模型，部署在英伟达 Thor 芯片上，频率也难以稳定维持在 10Hz。
10Hz 意味着系统每秒仅能完成 10 次感知与决策，放在驾驶场景中，就像一个「时常卡帧的机器人」。即使决策逻辑正确，但因为带宽不足、反应滞后，行车过程中仍会频繁出现延迟和卡顿，无法带来流畅、可靠的驾驶体验。
吴永桥并不否认 VLA 是个好方向，包括卓驭副总裁马陆也认同 VLA 可以走通，但难度很大。
马陆强调，VLA 中的「L」并不是简单的语言大模型，不可能直接套用类似「通义千问」这样饿现成模型，而是要从头开始，练成一个理解智能驾驶的司机大模型，它需要完整理解物理世界的真实尺度，这需要资源，也需要时间。
种种论断都构成一个基本事实：实现 VLA 并不容易。
而在此基础上，Momenta 与华为对这一技术路径的审视已经来到第三层，VLA 对于智驾的真伪性。
关于智驾是否有必要走 VLA 这条路，双方都予以否定。
在 Momenta 创始人曹旭东眼里，VLA 只能算是锦上添花，还不足以扛起 L4、L5 的大任。最直接一点，VLA 对于安全性的提升或许能达到 5-10 倍，但 L4 规模化落地需要的是 100-1000 倍安全提升，显然杯水车薪。
华为则坚定认为，VLA 这一从机器人领域引入的技术路径，并不是为智驾而生。并且，由于 VLA 在空间感知与推理能力上存在天然短板，语言模型与动作决策本就难以对齐。
简单而言，VLA 更像是一个伪命题。
相较之下，华为已经找到了新解法，在华为乾崑 ADS 4 上，打造出 WEWA 世界模型架构，通过端云结合的系统训练，行为模型可以直接控制车辆，时延更低。
华为认为，世界模型才是通往智驾终局的正确路径。
某种程度上，从小鹏、博世、卓驭再到 Momenta、华为，关于 VLA 的争论，其实反应出各家差异化的技术逻辑，大多时候，技术路径无关对错，关乎选择和资源博弈。
03、把鸡蛋放进最近的篮子里
过去一年，端到端热潮无疑让智能驾驶的步子迈得更大，尤其是「车位到车位」的功能落地，不仅重新划分了「第一梯队」入场标准，也让用户清晰感知到智驾进步带来的先进体验。
然而，「车位到车位」之后，整个智驾行业进入了「功能停滞」的瓶颈期。
一方面，监管给激进的智驾宣传按下暂停键，四月份开始，工信部、市场监管总局出台《关于进一步加强智能网联汽车产品准入、召回及软件在线升级管理的通知》等系列新规，对「自动驾驶」、「高阶智驾」等用语予以禁止，把智驾安全提到绝对优先层面，并规定车企每一次 OTA 更新，都需经过备案才能上线。
另一方面，L3 级智能驾驶政策还未放开，相当于，各车企、供应商还是停留在智驾体验优化层面，给 L2 后缀继续添加「+」，用户能感知到的「利己效益」并不明显。
这也是 Momenta、卓驭等玩家目前并不看好 VLA 的主要原因，VLA 的确能在用户体验上「整花活」，比如语音控车、人机共驾，但大概率不能给智驾带来成倍级的体验革命。
站在 L2+的起点上，智驾行业每向前走一步，都会面临更棘手的难题。越是到攻坚期，选择哪条路就越发重要，毕竟，任何一条技术路线背后，都是对算力、数据的巨额消耗。
这也意味着，大家更愿意把鸡蛋放进最近的篮子里。
一是押注确定性，几乎所有玩家都坚定选择了强化学习、世界模型的技术路径，VLA 本质上与这两者也并不冲突，在理想关于 VLA 的规划版图中，第四阶段就是基于世界模型进行强化训练，将系统打造成职业司机。
二是降低不确定性。智能驾驶的下半场，将是一场拼资金、拼技术、拼成本的拉锯战。因此，从有图，到无图，再到端到端路线，大家都是稳扎稳打走向下一阶段，基于各自既定的技术价值观，或者说，复用已有的数据和算法积累，确定下一步落子位置。
目前位列智驾第一梯队的玩家们，可以看出打法各异：
理想、元戎启行、小鹏选择押注 VLA。强调高投入、算力密集型路线，追求 VLA 大模型的上限。
三家也的确通过资源配置为 VLA 铺路，像小鹏通过自研图灵芯片，算力超过 750TOPS，并打造出 72B 参数的基座大模型，为 VLA 大模型提供充裕算力支持；元戎启行早期就研究 GPT 大语言模型，探索 VLA 方向，并聚焦英伟达 Thor 芯片的上车应用；而理想在端到端时期就乘上了「端到端+VLM」的列车，朝向 VLA 的方向。
另外，理想、小鹏都有自研人形机器人计划，而 VLA 在具身智能与智能驾驶的通用性，也指向了二者对于 VLA 的长远战略布局。
而未选择 VLA 路线的玩家们也是基于自身技术价值观，锚定最优解。
华为、地平线强调结构性解法，走体系化路线。华为凭借云端算力和 AI 大模型基础，构建出 WEWA 世界模型，主打「无弱点」的原生架构；地平线基于自研高性能计算平台征程 6P，强调软硬一体优势，打造出「中国版 FSD」。
博世主打工程化落地能力，依托全产业链协同与车规级品控经验，继续强化一段式端到端，强调快速量产能力； 卓驭则是「性价比」标签，聚焦主流车型需求，通过精简传感器配置与算法轻量化优化，打造高适配性的入门级方案。 Momenta 继续强调数据飞轮，强调商业可扩展性、成本可控。在「飞轮模式」驱动下，Momenta 将通过强化学习打造出新一代 R6 飞轮大模型。在技术演进的道路上，每一项决策，都是取自于边际成本与边际效益的最优计算结果。
话说回来，智驾行业上一次这么热闹，还是为「纯视觉还是激光雷达路线」争论不休，而争论归于平静后，大家得到得共识是，纯视觉也好，激光雷达也罢，只要能保证丝滑、可靠的智能驾驶，都是可行路线。
VLA 之争同理，具体用哪种技术路径，本就不是行业该纠结的落脚点。用户在真实道路上能否感受到更平顺的行驶质感、更可靠的安全保障，远比选择哪种大模型更重要。
今天亿融策略，能把智驾体验做到极致的玩家，才有机会在 L3 起跑时真正领先。
发布于：广东省诚利和app提示：文章来自网络，不代表本站观点。
- 上一篇：九牛网 宇树科技拟四季度IPO 机器人板块再迎风口？
- 下一篇：没有了
相关文章
沪深京指数
热点资讯
推荐资讯
