文｜極智GeeTech

2026年，自動駕駛行業(yè)的內(nèi)卷邏輯，正在發(fā)生第三次重構(gòu)。

短短數(shù)年間，行業(yè)快速走完了硬件堆砌競賽、端到端算法博弈兩個階段，以小鵬、理想為代表的新勢力車企和吉利、長城等傳統(tǒng)車企扎堆入局VLA（視覺-語言-動作）模型，成為當前自動駕駛技術(shù)迭代的重要流派之一。

憑借"視覺感知+語言推理+動作輸出"的三位一體架構(gòu)，VLA解決了傳統(tǒng)自動駕駛最大的痛點：看得懂路況，卻不懂路況邏輯。但VLA的弊端也十分明顯，依靠語言模型進行推理，就需要視覺到語言、語言到動作的兩次翻譯，而翻譯就會導(dǎo)致誤差，反應(yīng)也更慢。

行業(yè)競爭的殘酷性在于"剛追上主流，就迎來新迭代"。當一部分廠商還在打磨VLA量產(chǎn)落地、優(yōu)化推理速度與場景泛化能力時，華為、小米等玩家卻認為：VLA并不是自動駕駛的終極形態(tài)，只是從輔助駕駛走向全自動駕駛的過渡技術(shù)。真正的下半場競爭，早已瞄準VLA之后的下一代技術(shù)范式。

VLA如何重塑自動駕駛底層邏輯？

想要看懂VLA的局限與未來方向，首先要厘清自動駕駛十年三代技術(shù)范式的迭代邏輯，每一次迭代，都是對前一代技術(shù)短板的徹底顛覆。

第一代是規(guī)則驅(qū)動時代，也是最原始的自動駕駛形態(tài)。早期自動駕駛完全依托工程師手寫百萬行級C++代碼，通過預(yù)設(shè)固定規(guī)則應(yīng)對各類路況。系統(tǒng)的核心邏輯是"匹配規(guī)則、機械執(zhí)行"，優(yōu)點是穩(wěn)定可控、可解釋性強，缺點是極度僵化。面對未預(yù)設(shè)的突發(fā)場景、異形路況、混行交通，系統(tǒng)會直接決策失效，無法適配復(fù)雜真實路況，這也是早期輔助駕駛只能局限于高速巡航的核心原因。

第二代是端到端AI時代，以特斯拉FSD V12為標志性起點。行業(yè)徹底拋棄模塊化拆分與人工規(guī)則堆砌，搭建"像素輸入、動作輸出"的全神經(jīng)網(wǎng)絡(luò)架構(gòu)，通過海量真實路況數(shù)據(jù)訓(xùn)練，讓AI自主學(xué)習行駛決策。這一代技術(shù)解決了傳統(tǒng)規(guī)則算法僵化、迭代慢的問題，大幅提升了自動駕駛平順度與場景適配性。但其也存在致命短板，只有感知能力，沒有理解能力。AI能識別障礙物、車道線，卻無法理解場景背后的邏輯，不懂交通常識，極易出現(xiàn)"識別到但誤判、避險生硬、決策不合理"的問題。

第三代就是當下的VLA時代，也是近兩年自動駕駛行業(yè)的主流形態(tài)。VLA在端到端視覺架構(gòu)的基礎(chǔ)上，加入自然語言推理能力，構(gòu)建起"視覺感知世界、語言理解邏輯、動作輸出決策"的完整閉環(huán)。不同于純視覺端到端模型的"直覺式?jīng)Q策"，VLA可以像人類司機一樣，先識別路況、再理解場景、最后制定行駛策略，完美適配城市復(fù)雜路口、人車混行、臨時施工等高頻復(fù)雜場景，讓高階無圖智駕真正具備量產(chǎn)實用性。

VLA本質(zhì)上是一種端到端的智能系統(tǒng)，通過統(tǒng)一的神經(jīng)網(wǎng)絡(luò)將多模態(tài)感知與高層邏輯推理、底層動作執(zhí)行融為一體。其核心價值是將原本相互獨立的感知模塊（看）、邏輯模塊（想）與執(zhí)行模塊（做）在同一個語義空間內(nèi)完成了對齊。與傳統(tǒng)的自動駕駛系統(tǒng)相比，VLA不僅能夠識別環(huán)境中的像素點或幾何結(jié)構(gòu)，更能理解這些信號背后的語義邏輯。

VLA模型由視覺編碼器、大語言模型（LLM）骨干網(wǎng)絡(luò)以及動作解碼器三個核心組件構(gòu)成。視覺編碼器將攝像頭采集的多視角圖像轉(zhuǎn)化為高維的特征向量，這些向量包含了環(huán)境的空間布局與物體特征；LLM骨干網(wǎng)絡(luò)則作為決策中心，利用預(yù)訓(xùn)練過程中積累的海量世界知識對視覺特征進行邏輯加工；動作解碼器則將這些抽象的推理結(jié)果轉(zhuǎn)化為如轉(zhuǎn)向角度、加減速數(shù)值等具體的物理動作。

這種一體化的映射方式使得系統(tǒng)能夠以一種更接近人類認知的方式來處理駕駛?cè)蝿?wù)。在人類駕駛過程中，大腦并不會先在意識里標出每一個行人的精確坐標再進行計算，而是基于對場景的整體理解（如"這個行人可能要過馬路"）直接產(chǎn)生避讓動作。VLA模型通過共享的Transformer架構(gòu)，對語言、視覺和動作模態(tài)進行協(xié)同編碼，構(gòu)建了統(tǒng)一的語義空間，實現(xiàn)了從感知理解到動作決策的無縫銜接。

經(jīng)過三年迭代，VLA已經(jīng)徹底改寫行業(yè)格局，抹平了中小廠商的算法差距。如今主流車企的VLA，在常規(guī)城市道路、高速路況的表現(xiàn)已經(jīng)趨于同質(zhì)化，日常通行平順度、場景覆蓋率差距極小。同質(zhì)化內(nèi)卷的背后，意味著VLA的技術(shù)紅利已經(jīng)見頂，行業(yè)亟需新的技術(shù)突破點。

看似完美封神，VLA四大瓶頸已現(xiàn)

目前輿論普遍將VLA視為自動駕駛的最優(yōu)解，但在一線技術(shù)團隊與行業(yè)專家眼中，VLA從誕生之初就自帶結(jié)構(gòu)性缺陷，這些短板無法通過模型微調(diào)、數(shù)據(jù)增量、算力升級徹底解決，也是其注定只能成為過渡技術(shù)的核心原因。

首先是時序邏輯缺失，空間場景推理能力薄弱。當前多數(shù)VLA模型擅長單幀、瞬時路況分析，對車流變化、行人移動軌跡、多車交互的連續(xù)時序邏輯預(yù)判不足。面對鬼探頭、近距離穿插、車流突發(fā)變道等高速動態(tài)場景，以及車輛在具體空間里的運動，VLA缺乏靈敏感知能力，經(jīng)常出現(xiàn)決策滯后、預(yù)判失誤，無法實現(xiàn)人類司機的"提前預(yù)判、主動避險"

其次是算力成本高，實時性難以適配車載場景。VLA融合視覺、語言、動作三大模塊，模型參數(shù)量龐大，推理計算量遠超傳統(tǒng)端到端算法。車載電控系統(tǒng)要求決策響應(yīng)速度達到100Hz，而通用VLA語言推理速度普遍不足10Hz，巨大的算力差導(dǎo)致模型必須大幅精簡才能上車。即便部分廠商通過優(yōu)化推理鏈路，將時延壓縮至80毫秒以內(nèi)，依舊無法徹底解決智能化程度與速度不可兼得的矛盾，高算力成本也大幅抬高了高階自動駕駛的量產(chǎn)門檻。

第三是缺乏物理世界常識，長尾場景泛化能力失效。VLA的學(xué)習邏輯依托海量數(shù)據(jù)擬合，而非真正理解物理規(guī)律。它可以通過訓(xùn)練學(xué)會避讓常規(guī)障礙物，卻無法自主推理"路面積水易打滑需要減速""樹枝懸空可能掉落需要繞行""雨雪天路面摩擦力下降需延長制動距離"等物理常識。對于這類稀缺長尾場景，數(shù)據(jù)無法完全覆蓋，VLA極易出現(xiàn)決策失誤，而自動駕駛的安全底線，恰恰由這些長尾極端場景決定。

最后是跨模態(tài)對齊偏差，決策穩(wěn)定性不足。視覺、語言、動作三大模塊存在天然的鏈路損耗，視覺感知偏差、語言推理誤差、動作輸出偏差會層層疊加。在逆光、濃霧、暗光等視覺受限場景，VLA會出現(xiàn)語義理解與實際路況脫節(jié)的問題，出現(xiàn)"識別正確、理解錯誤、動作偏差"的詭異決策，輕則行駛頓挫、路線偏移，重則引發(fā)安全事故，這也是純視覺VLA方案的先天物理短板。

綜上來看，VLA雖然解決了自動駕駛的智能化問題，卻沒解決安全性、實時性、通用性問題，這也是行業(yè)必須突破VLA、探索下一代技術(shù)的核心動因。

下一代自動駕駛核心技術(shù)方向

站在2026年的技術(shù)節(jié)點，頭部廠商朝著跳出VLA的模態(tài)融合思維，轉(zhuǎn)向物理世界智能建模的方向發(fā)展。VLA的核心是看懂、讀懂、動作，而下一代自動駕駛技術(shù)，核心是懂規(guī)律、會推演、能預(yù)判，目前行業(yè)已明確四大主流迭代方向。

其一，多模態(tài)物理世界模型，成為下一代技術(shù)核心底座。世界模型是徹底解決VLA物理常識缺失的最優(yōu)解，也是特斯拉、華為重點攻堅的核心方向。不同于VLA依托數(shù)據(jù)擬合場景，世界模型會自主學(xué)習現(xiàn)實世界的物理規(guī)則、交通規(guī)律、運動邏輯，構(gòu)建完整的虛擬路況世界。面對從未見過的長尾場景，無需海量數(shù)據(jù)訓(xùn)練，就能依托物理常識自主推演最優(yōu)決策，真正實現(xiàn)"舉一反三"。簡單來說，VLA是見過才會，世界模型是懂原理所以會，從根本上解決長尾場景失效的行業(yè)難題，是全自動駕駛落地的核心基礎(chǔ)。

其二，時序具身智能架構(gòu)，補齊動態(tài)決策短板。針對VLA時序推理薄弱的缺陷，下一代技術(shù)將徹底強化連續(xù)場景建模能力，摒棄單幀靜態(tài)推理模式，搭建時序記憶與動態(tài)推演體系。系統(tǒng)可以實時記錄過往路況信息、預(yù)判未來3-5秒車流與人流動態(tài)變化，實現(xiàn)"過去-現(xiàn)在-未來"的全時序鏈路決策，貼合人類司機的駕駛思維，徹底解決高速動態(tài)避險、復(fù)雜車流交互、路口多主體博弈的決策難題，大幅提升高速、城市擁堵場景的行駛安全性與平順度。

其三，神經(jīng)符號融合，平衡智能度與可解釋性。當前VLA屬于純黑盒AI模型，決策邏輯不可解釋，存在安全監(jiān)管隱患，也難以滿足自動駕駛合規(guī)落地要求。下一代神經(jīng)符號融合技術(shù)，將AI深度學(xué)習的直覺優(yōu)勢與符號邏輯的規(guī)則優(yōu)勢結(jié)合，AI負責實時場景感知與快速決策，符號邏輯負責交通規(guī)則、物理常識、安全底線的約束校驗。既保留了大模型的極致智能，又解決了黑盒決策的不可控問題，讓每一次制動、變道、繞行都有邏輯可循，適配高階自動駕駛的安全合規(guī)要求。

其四，輕量化通用自動駕駛基座，實現(xiàn)普惠量產(chǎn)。VLA算力成本過高的問題，極大限制了高階自動駕駛的普及。下一代技術(shù)將依托模型蒸餾、算子優(yōu)化、邊緣計算重構(gòu)，打造輕量化通用自動駕駛基座，在保留頂級決策能力的前提下，將算力需求大幅壓縮，擺脫對超高算力硬件的依賴。同時適配多傳感器融合架構(gòu)，以視覺為主、雷達為輔，兼顧低成本與高安全冗余，徹底解決高階自動駕駛只能搭載高端車型的痛點，推動全自動駕駛?cè)嫦鲁林林卸肆慨a(chǎn)車型。

新一輪技術(shù)差距正在拉開

技術(shù)迭代的窗口期永遠短暫，目前國內(nèi)外頭部廠商已經(jīng)開啟下一代技術(shù)競速，提前布局VLA之后的技術(shù)賽道，新一輪行業(yè)排位賽已然開啟。

特斯拉作為行業(yè)技術(shù)風向標，正在推進端到端時序神經(jīng)網(wǎng)絡(luò)融合神經(jīng)世界模擬器，核心推理仍以端到端為主、云端閉環(huán)仿真為輔。??與VLA不同，?特斯拉未引入大語言模型用作語義推理?，而是堅持"純視覺端到端+物理仿真訓(xùn)練"路線。

FSD采用"?多模態(tài)（攝像頭+IMU+導(dǎo)航+音頻）輸入 → 時序Transformer/占用網(wǎng)絡(luò) → 直接輸出控制信號"?的?一段式端到端架構(gòu)?，并非傳統(tǒng)"感知-規(guī)劃-控制"級聯(lián)，該結(jié)構(gòu)具備時序建模能力，可視為"端到端時序網(wǎng)絡(luò)"。神經(jīng)世界模擬器（Neural World Simulator）則?用于?云端生成未來狀態(tài)?（給定當前狀態(tài)+動作 → 預(yù)測下一幀場景），支撐?閉環(huán)訓(xùn)練、長尾場景合成與強化學(xué)習。

華為于4月推出WEWA 2.0架構(gòu)，包含云端的世界引擎（WE）與車端的世界行為模型（WA）兩大核心部分。在云端引入了多智能體博弈機制與在線強化學(xué)習，該機制使模型能與環(huán)境實時交互，實現(xiàn)"邊生成、邊學(xué)習、邊驗證"的工作方式。在車端，架構(gòu)以安全風險場理論和Driving Agent模塊為核心，通過量化動能場、勢能場與行為場來評估實時風險，并生成風險熱力圖輔助決策。Driving Agent模塊支持系統(tǒng)自行優(yōu)化策略以完成出行任務(wù) ，能夠提升在復(fù)雜場景下的應(yīng)對能力與防御性駕駛能力。

小鵬、理想則聚焦量產(chǎn)落地優(yōu)化，走出差異化迭代路線。小鵬汽車在第二代VLA上做出了較為激進的選擇——去語言層。小鵬第二代VLA采用"視覺→隱式Token→動作"的架構(gòu)，徹底拋棄顯式語言轉(zhuǎn)譯，讓視覺信號直接生成連續(xù)的駕駛動作，極致壓縮推理時延，同時布局虛實結(jié)合數(shù)據(jù)閉環(huán)，通過虛擬場景訓(xùn)練補足長尾場景短板。理想推出Mind VLA-01全新架構(gòu)，針對性解決VLA三維空間對齊偏差問題，強化異形路況、復(fù)雜地庫場景的適配能力，同時推進模型輕量化，主打極致量產(chǎn)性價比。

小米汽車于3月發(fā)布XLA認知大模型，在模態(tài)支持、效率與可控性方面有所側(cè)重，其名稱中的"X"意指原生支持多模態(tài)數(shù)據(jù)輸入，可融合激光雷達、視覺、導(dǎo)航、聲音及機器人數(shù)據(jù)等。XLA采用潛空間推理技術(shù)，旨在兼顧系統(tǒng)低時延與推理能力，并保持推理過程的可解釋性與可追溯性。其基于Xiaomi MiMo-Embodied具身基座大模型研發(fā)，融合了VLA和世界模型架構(gòu)，實現(xiàn)了從數(shù)據(jù)驅(qū)動到認知驅(qū)動的升級，并因其原生支持更豐富的多模態(tài)數(shù)據(jù)輸入而命名為XLA而非VLA。

自動駕駛企業(yè)陣營方面，小馬智行PonyWorld 2.0、文遠知行通用仿真模型WeRide GENESIS、蘑菇車聯(lián)物理世界多模態(tài)大模型MogoMind均屬于世界模型范疇。世界模型本質(zhì)上是一套"理解物理世界、在虛擬環(huán)境里與世界博弈"的能力框架，其核心能力主要有兩個方面：一是對物理世界的數(shù)字化建模和抽象；二是基于這樣的建模，產(chǎn)生對物理世界合理的想象和預(yù)測，例如通過給定的圖片預(yù)測未來世界將會如何變化。

基于世界模型，自動駕駛企業(yè)在進行云端仿真訓(xùn)練時，可以無限制從各個維度生成所需場景，能夠根據(jù)指令生成視頻作為訓(xùn)練數(shù)據(jù)，模型迭代速度呈現(xiàn)斷代式領(lǐng)先。在無人駕駛上成熟落地之后，世界模型有機會進一步探索其他物理AI應(yīng)用，比如復(fù)雜機器人控制、自動化物流系統(tǒng)等。

整體來看，行業(yè)格局已經(jīng)清晰：二線廠商還在全力落地VLA、追趕主流；一線頭部廠商已經(jīng)完成VLA技術(shù)吃透，提前布局下一代世界模型與具身智能。未來兩年，車企的自動駕駛能力差距將不再由VLA能力決定，而是由下一代物理智能技術(shù)的落地速度決定。

VLA之后，自動駕駛迎來全民普惠時代

從規(guī)則算法到端到端，從VLA大模型到物理世界智能，自動駕駛的迭代邏輯始終清晰：降低人工依賴、提升通用能力、縮小人機差距。VLA作為關(guān)鍵過渡技術(shù)，承載了自動駕駛從"機械輔助"到"類人智能"的跨越，但其結(jié)構(gòu)性短板注定無法支撐L4級完全自動駕駛落地。

未來2-3年，隨著VLA、世界模型的進一步發(fā)展，自動駕駛將迎來三大顛覆性變化：

第一，安全兜底能力質(zhì)變，解決長尾極端場景失效問題，真正實現(xiàn)全天候、全場景可靠行駛，消除自動駕駛核心安全隱患。

第二，徹底擺脫數(shù)據(jù)依賴，無需海量場景覆蓋，依托物理常識自主適配各類未知路況，解決不同城市、不同路況的適配難題。

第三，成本大幅下探，輕量化模型架構(gòu)降低硬件門檻，高階全自動駕駛將從高端豪車標配，下沉至十幾萬家用車型，實現(xiàn)全民普惠。

與此同時，行業(yè)競爭將徹底告別"參數(shù)內(nèi)卷、功能堆砌"，回歸核心的物理建模能力、時序推理能力、安全可控能力。單純跟風堆疊大模型、復(fù)刻VLA功能的廠商，將逐步被市場淘汰，只有真正掌握底層核心算法與物理智能技術(shù)的企業(yè)，才有可能拿到通往下一站的船票。

任何技術(shù)賽道，都沒有永恒的技術(shù)紅利，只有持續(xù)的底層革新。VLA的普及，讓行業(yè)擺脫了低級的硬件、規(guī)則內(nèi)卷，真正邁入AI智駕時代。而VLA之后，自動駕駛將不再只是"會開車的機器"，而是懂路況、懂物理、懂規(guī)則、能預(yù)判的車載智能體。這一輪迭代，早已超越算法本身，而是自動駕駛從"為人所用"到"與人共生"的終極跨越。