VLA 與世界模型決戰(zhàn)：智駕落地的關(guān)鍵，是融合效率

智駕行業(yè)最近非常熱鬧，各種高階智駕方案扎堆亮相，一個(gè)比一個(gè)能打：

• 華為乾崑發(fā)布896線雙光路激光雷達(dá)，ADS 4.0 智駕能力再上一個(gè)臺(tái)階；
• 小鵬發(fā)布 VLA 2.0 新一代高階智駕系統(tǒng)，直接對(duì)標(biāo) L4 級(jí)能力；
• Momenta 將在 ID.ERA 9X 首搭 R7 世界模型智駕，實(shí)現(xiàn)從 L2+ 到 L4 級(jí)智駕的跨越；
• 理想發(fā)布 MindVLA-o1 的 VLA 方案，同樣瞄準(zhǔn) L4 級(jí)高階智駕；
• 地平線HSD 走普惠路線，“上車” iCAR V27 獵鷹 700。

梳理下來，企業(yè)在智駕模型架構(gòu)的選擇上大致分為兩條路線：理想、小鵬偏好VLA模型架構(gòu)，華為乾崑、Momenta則押注世界模型架構(gòu)。

兩條路線本可以并行發(fā)展，但兩邊陣營的擁躉卻爭論開了。

有人認(rèn)為，世界模型對(duì)芯片算力要求高、交互能力偏弱，對(duì)下沉車型不太友好；也有人覺得，VLA 的物理精度表現(xiàn)一般，可能會(huì)影響車輛的實(shí)時(shí)判斷能力。

（圖源：微博直播截圖）

事實(shí)真如大家爭論的那樣，VLA 和世界模型必須二選一？各家企業(yè)又如何解決高階智駕模型的技術(shù)痛點(diǎn)？

VLA 擬人行車邏輯，世界模型精于物理推演

在討論兩種智駕路線是否需要二選一之前，我們應(yīng)先看清二者的技術(shù)底層差異，才能做出客觀判斷。

先來說說 VLA，這是視覺、語言、動(dòng)作集合的簡稱。這條技術(shù)路線，走的是從圖像感知到語義定義，再到邏輯決策，最終實(shí)現(xiàn)動(dòng)作輸出的路徑，整個(gè)駕駛決策流程和真人開車的思路幾乎一致。

比如在遇到一個(gè)無紅綠燈路口，VLA 會(huì)先識(shí)別路口有無突然出現(xiàn)的行人、非機(jī)動(dòng)車等不確定因素，如果沒有這些情況則將按照禮讓行人、直行優(yōu)先的交規(guī)準(zhǔn)則，作出減速避讓通行的決策。

這個(gè)過程和我們平時(shí)遵循的“一看二望三通行”的駕駛邏輯相似，是經(jīng)過思考和推理作出的決策，即便是沒有遇過的場景，車輛也會(huì)根據(jù)邏輯泛化做出合理判斷。

（圖源：電車通攝制）

再看世界模型，它的底層邏輯是基于物理引擎的動(dòng)態(tài)模擬，運(yùn)作流程完全不同。

從過程來看，世界模型是先通過激光雷達(dá)和攝像頭同步掃描周邊環(huán)境，為智駕芯片構(gòu)建出車輛周圍的實(shí)時(shí)路況模型，再由智駕芯片完成物理推演，最終下達(dá)行動(dòng)決策，整個(gè)過程更像是一臺(tái)高精度運(yùn)轉(zhuǎn)的“交通模擬器”。

世界模型是根據(jù)海量數(shù)據(jù)訓(xùn)練物理規(guī)則做出的推演，優(yōu)勢(shì)是標(biāo)準(zhǔn)化場景下精度極高，可一旦碰到訓(xùn)練庫之外的非標(biāo)場景，就容易出現(xiàn)決策僵硬的問題。

比方說遇到行人過馬路的場景，它不會(huì)像人類一樣優(yōu)先主動(dòng)禮讓，而是會(huì)精準(zhǔn)計(jì)算行人運(yùn)動(dòng)速度、車輛制動(dòng)距離、兩車交匯時(shí)間差等數(shù)據(jù)，規(guī)劃出一條最優(yōu)行駛軌跡，也正因如此，往往會(huì)出現(xiàn)不主動(dòng)禮讓行人的情況。

VLA 善于適配城市場景，世界模型更為精準(zhǔn)

在實(shí)際使用場景上，VLA 的核心優(yōu)勢(shì)是能更好地應(yīng)對(duì)未知、多變的規(guī)劃路線，而世界模型對(duì)于端到端的理想路況有更好的適應(yīng)力。

國內(nèi)城市道路擁有最豐富、最復(fù)雜的道路駕駛環(huán)境，經(jīng)常能遇到突然出現(xiàn)的施工路段、非標(biāo)路口、臨時(shí)交通管制、突然闖出的行人及電動(dòng)車，這些都給智駕技術(shù)提出了不小的挑戰(zhàn)，而 VLA 能更好地適應(yīng)這種情況。

靠著擬人化的邏輯推理，VLA 能快速處理這些突發(fā)狀況，遇到阻礙時(shí)會(huì)主動(dòng)規(guī)劃繞行路線，而非固守預(yù)設(shè)軌跡停滯不前。從場景適配性來看，VLA無疑更適合復(fù)雜的城市道路駕駛。

正因如此，小鵬在展示 VLA 2.0 技術(shù)時(shí)，沒有選在空曠的開發(fā)新區(qū)、衛(wèi)星城等理想的測試環(huán)境，而是把搭載 VLA 2.0 技術(shù)的測試車直接開進(jìn)廣州路況最為復(fù)雜、駕駛難度最高的城中村，直接將挑戰(zhàn)系數(shù)拉滿。而實(shí)際測試的結(jié)果是，其 VLA 2.0 智駕技術(shù)能很好地完成在非標(biāo)場景的駕駛。

不過，VLA 技術(shù)存在物理精度表現(xiàn)一般的痛點(diǎn)，在一些精度要求較高的駕駛要求上，它的表現(xiàn)會(huì)不如世界模型。之所以會(huì)有這種情況，恰恰源于其自身的架構(gòu)基因。

VLA 是基于“語義思考”再做判斷決策的，攝像頭識(shí)別到的物體會(huì)轉(zhuǎn)換成語言 token，再由大模型推理作出決策。

這種運(yùn)作模式帶來的直觀差異是，VLA輸出的是“前方有車”“距離有點(diǎn)遠(yuǎn)”“行人要過馬路”這類描述性信息，而智駕芯片實(shí)際需要的，卻是“距離3.72米”“速度42.5km/h”“1.2秒后會(huì)相交”這類精準(zhǔn)量化反饋，二者的信息維度差異，直接導(dǎo)致了VLA物理精度的不足。

反觀物理精確度，正是世界模型的核心優(yōu)勢(shì)所在。正因如此，在端到端的高階智駕場景里，搭載世界模型技術(shù)的車輛，能夠輕松實(shí)現(xiàn)車位到車位的精準(zhǔn)預(yù)判駕駛，同時(shí)在能耗控制與行車安全性把控上，表現(xiàn)也更為出色。

不過與之對(duì)應(yīng)的是，世界模型的適用場景范圍相對(duì)局限，遠(yuǎn)沒有VLA寬泛，它更適合高速路、封閉園區(qū)、城市快速路這類路況規(guī)整、變數(shù)較少的標(biāo)準(zhǔn)化道路。

（圖源：鴻蒙智行官網(wǎng)）

除了場景適配局限，世界模型還有兩大明顯劣勢(shì)：一是高度依賴高算力芯片，二是自然語言交互能力較弱。

由于需要完成大規(guī)模的數(shù)據(jù)實(shí)時(shí)推演，世界模型對(duì)算力消耗極大，對(duì)智駕芯片的性能要求極高，這也直接導(dǎo)致，常規(guī)基于世界模型打造的智駕車型，整體售價(jià)居高不下，難以實(shí)現(xiàn)普惠。

當(dāng)然，這一劣勢(shì)由于技術(shù)的升級(jí)而逐步得到改善。

目前最直接的例子就是，華為乾崑近期發(fā)布的896線激光雷達(dá)，已經(jīng)應(yīng)用在20萬級(jí)別的尚界Z7/Z7T、問界M6上。通過硬件成本下探、算力架構(gòu)持續(xù)優(yōu)化，原本對(duì)芯片要求極高的世界模型，也能在主流價(jià)位車型上穩(wěn)定落地。

即便同樣主打端到端智駕，基于世界模型打造的地平線HSD方案，已經(jīng)成功實(shí)現(xiàn)高階智駕技術(shù)下放，將其普惠至15萬元級(jí)別的主流家用車型，徹底打破了世界模型智駕成本居高不下、難以普及的固有認(rèn)知。憑借這套高性價(jià)比的智駕方案，地平線征程芯片累計(jì)出貨量更是突破1000萬，成功賦能超500款車型落地，讓世界模型技術(shù)的普惠化成為可能。

另一方面，世界模型對(duì)于自然語言交互能力不及 VLA，比如在使用智駕時(shí)，駕駛員發(fā)出“前面車太慢，找機(jī)會(huì)超了它”“別跟大車太近”“前面靠邊停一下”等指令，可能得不到世界模型的及時(shí)響應(yīng)，它依舊會(huì)根據(jù)設(shè)定的路線“自顧自地開”，稍微不夠靈活。

雙引擎協(xié)同互補(bǔ)，是實(shí)現(xiàn)L4智駕的趨勢(shì)

既然VLA與世界模型兩條技術(shù)路線各有優(yōu)劣、場景適配互補(bǔ)，那能否將二者優(yōu)勢(shì)結(jié)合，取長補(bǔ)短打造出更完善的高階智駕方案？

答案顯然是肯定的，行業(yè)內(nèi)也早已開始布局這種融合式技術(shù)路徑。

小鵬 VLA 2.0、理想 MindVLA-o1、Momenta R7強(qiáng)化學(xué)習(xí)世界模型正是將兩者融合的代表方案，業(yè)內(nèi)也將其稱作智駕“雙引擎”模式。

以Momenta R7為例，這套大模型就是在強(qiáng)化學(xué)習(xí)的基礎(chǔ)上引入了世界模型，讓AI能夠逐步理解世界的物理本質(zhì)，包括物體的物理屬性、運(yùn)動(dòng)的因果關(guān)系以及交互過程中的潛在可能，不再只是簡單地模仿駕駛動(dòng)作。

在這套協(xié)同架構(gòu)里，世界模型承擔(dān)“底層基建”的核心角色，依托激光雷達(dá)與算力支撐，在云端構(gòu)建高精度物理仿真環(huán)境，生成海量長尾極端場景，完成物理軌跡規(guī)劃與底層數(shù)據(jù)訓(xùn)練，筑牢智駕的精準(zhǔn)執(zhí)行基礎(chǔ)。

VLA則主攻“上層決策”，依托世界模型的精準(zhǔn)物理預(yù)判，結(jié)合自身擬人化語義邏輯推理能力，專門處理復(fù)雜道路社交場景、非標(biāo)突發(fā)路況，做出更貼合人類駕駛習(xí)慣的柔性決策。

兩者“合體”落到實(shí)際使用場景中可能是這樣的：駕駛者啟動(dòng)了端到端的智駕，車輛駛出車位，在馬路上遇到行人，實(shí)現(xiàn)禮讓行人后通行。在智駕過程中，駕駛者想到路邊買瓶水，用語音指令讓車輛靠邊停車等待，待駕駛者上車后，車輛自動(dòng)駛往目的地停車位，從而實(shí)現(xiàn)整個(gè)智駕流程，駕駛者無需接管。

（圖源：理想官網(wǎng)）

這種融合架構(gòu)，既解決了世界模型“不懂變通”的問題，又彌補(bǔ)了VLA“效率不足” 的缺陷，讓智駕系統(tǒng)既能精準(zhǔn)算物理軌跡，又能靈活懂社交規(guī)則，真正接近人類司機(jī)的駕駛水平。

這既是 VLA 和世界模型合體的魅力，也是 L4 級(jí)高階智駕的設(shè)想，當(dāng)然它也許可以做到更多。

（圖源：理想官網(wǎng)）

這也印證了，下一代智駕技術(shù)的發(fā)展方向，從來不是非此即彼的路線之爭，而是通過分層協(xié)同、精細(xì)化打磨，讓一套系統(tǒng)適配全場景復(fù)雜路況，再依托持續(xù)完善的數(shù)據(jù)閉環(huán)迭代，讓智駕系統(tǒng)隨著使用不斷優(yōu)化，變得越來越聰明。

可以預(yù)見的是，未來 1-2 年，雙引擎智駕方案必然會(huì)成為大多數(shù)頭部車企的選擇，整個(gè)行業(yè)的競爭焦點(diǎn)也不再是單一技術(shù)路線的比拼。

更何況，現(xiàn)在已經(jīng)車企，以及地平線等智駕企業(yè)在這一點(diǎn)上發(fā)力。想必不用等太久，高階智駕就能真正落地到日常開車?yán)铮辉偈歉邇r(jià)車的專屬，既能算得準(zhǔn)、走得穩(wěn)，又能靈活應(yīng)對(duì)各種突發(fā)狀況，實(shí)實(shí)在在貼合普通人的用車需求。

（封面圖源：電車通攝制）