路線核心解析)
這幾個月圈子里關(guān)于 2026 年智駕技術(shù)路線的討論幾乎繞不開兩個詞——VLA 大模型和世界模型。我看了好幾份內(nèi)部交流稿也跟做量產(chǎn)方案的朋友聊過不少發(fā)現(xiàn)一個非常有意思的現(xiàn)象很多人嘴上在說 VLA但聊著聊著就把它跟世界模型混成了一談也有不少人覺得世界模型就是“更強(qiáng)的新一代端到端”能直接替代現(xiàn)有的感知決策鏈路。坦白講這兩個方向確實是 2026 年智駕領(lǐng)域最值得盯的兩條技術(shù)主線但它們解決的根本不是同一個問題。如果你正準(zhǔn)備給團(tuán)隊做技術(shù)選型或者想理解接下來兩年量產(chǎn)智駕會往哪走這篇內(nèi)容應(yīng)該能幫你把框架理順。我會從工作原理、訓(xùn)練數(shù)據(jù)、車端部署、安全兜底和落地節(jié)奏幾個角度把 VLA 和世界模型之間的核心差異拆開講清楚也會結(jié)合真實落地中遇到的取舍給出我的判斷。1. 2026 年兩條技術(shù)主線的背景為什么是 VLA 和世界模型1.1 從模塊化到端到端再到“大模型上車”的必然演變要理解 VLA 和世界模型為什么會成為 2026 年的技術(shù)主線得先看過去幾年智駕架構(gòu)是怎么一步步演變過來的。早期量產(chǎn)智駕基本是模塊化 pipeline——感知、預(yù)測、規(guī)劃、控制各管一段。感知出障礙物框和車道線預(yù)測模塊算其他交通參與者的意圖規(guī)劃模塊生成軌跡最后控制模塊去執(zhí)行。這種架構(gòu)的好處是每個環(huán)節(jié)都可解釋、可調(diào)試壞處是模塊之間信息損耗嚴(yán)重感知的誤差會一路傳導(dǎo)到規(guī)劃端而且遇到復(fù)雜交互場景時規(guī)則寫不勝寫。后來端到端成了主流一個大模型從傳感器輸入直接映射到控制指令中間沒有顯式的模塊分工。城市 NOA 這類場景的體驗上限確實被拉高了但在可解釋性、安全兜底和極端場景泛化上始終有爭議。到了 2025 年下半年兩股新力量開始明顯抬頭一邊把大語言模型的多模態(tài)能力搬進(jìn)智駕形成了 VLA 路線另一邊把視頻預(yù)測和時序建模的能力用來學(xué)習(xí)駕駛世界的演化規(guī)律形成了世界模型路線。1.2 為什么這兩個詞會被頻繁綁定出現(xiàn)一個很現(xiàn)實的原因是VLA 和世界模型都建立在 Transformer 架構(gòu)之上用的都是大規(guī)模預(yù)訓(xùn)練思路對外表現(xiàn)又都是“輸入一堆傳感器數(shù)據(jù)輸出一個決策或預(yù)測結(jié)果”所以很多人天然覺得它們是同一個東西的兩種叫法。另一個原因是 2026 年的技術(shù)報告里不少團(tuán)隊是把兩者放在一起講的。比如先用世界模型做仿真場景生成再用 VLA 在生成的場景里做決策訓(xùn)練或者把世界模型的預(yù)測結(jié)果作為 VLA 決策的一個輸入特征。這種組合拳很常見但組合出現(xiàn)不等于本身是一回事。1.3 最容易被忽視的定位差異一句話概括我的理解VLA 解決的是“看懂了之后該怎么做”世界模型解決的是“接下來世界會怎么變”。前者落在決策層后者落在預(yù)測和理解層。如果你把智駕系統(tǒng)比作一個司機(jī)VLA 更像是那個“會說話、能聽懂導(dǎo)航指令、能把自己的操作理由講出來”的司機(jī)世界模型則像是一個“總能提前想象出路口接下來會發(fā)生什么”的老司機(jī)——但它不一定直接告訴你方向盤該打多少度。這個定位差異決定了它們的訓(xùn)練方式、部署形態(tài)、邊界能力都不一樣。2. VLA 大模型能做什么從多模態(tài)理解到動作生成的一體化決策2.1 VLA 的“視覺-語言-動作”是如何打通的VLA 的全稱是 Vision-Language-Action核心思路是讓模型在視覺特征、語言表征和動作空間之間學(xué)習(xí)同一個語義對齊空間。具體到智駕場景輸入側(cè)通常是多路攝像頭圖像、導(dǎo)航地圖信息、歷史軌跡序列有些方案還會把交通規(guī)則文本和障礙物屬性描述一起編碼進(jìn)去。模型內(nèi)部做的事情分三步先把視覺信息轉(zhuǎn)換成類似語言 token 的語義表征再用語言模型機(jī)制做推理最后解碼成動作 token 或軌跡點。這里關(guān)鍵的一步是“語言”的角色。VLA 不是簡單地在車上掛一個語音助手而是用語言作為中間表征來統(tǒng)一表達(dá)場景語義和駕駛意圖。比如前方出現(xiàn)行人橫穿模型內(nèi)部可能生成的是類似“行人正在進(jìn)入本車道橫向速度較快需減速避讓”的隱式語義鏈再據(jù)此輸出一個合理的減速度。2.2 VLA 在 2026 年智駕里真正解決的核心問題第一個是復(fù)雜交互場景的類人決策。傳統(tǒng)規(guī)控和端到端在城市道路博弈上容易表現(xiàn)得“笨”——面對加塞、借道、人車混行不是過于保守就是過于激進(jìn)。VLA 借助大模型對語義場景的理解能力能更好地把“模糊的交通潛規(guī)則”轉(zhuǎn)化為駕駛策略。第二個是導(dǎo)航指令和用戶交互的閉環(huán)?，F(xiàn)在的智駕系統(tǒng)讓你改個目的地多半要依靠獨立的語音模塊再切換回導(dǎo)航狀態(tài)而 VLA 天然能理解“前面第二個路口右轉(zhuǎn)”“避開施工路段”這類自然語言指令直接融入決策過程。第三個是可解釋性。這一點在 2026 年的量產(chǎn)審查和事故分析場景下會越來越重要。VLA 能輸出一段自然語言描述說明自己為什么在當(dāng)前場景選擇減速或變道。對車廠安全團(tuán)隊來說這比一個黑盒端到端模型給出一堆軌跡點要友好得多。2.3 實測視角VLA 可解釋能力的落地價值我接觸過的一個模擬項目里團(tuán)隊用 VLA 跑城市復(fù)雜路口場景將模型的語言輸出接入數(shù)據(jù)回放平臺。測試員在問題復(fù)盤時可以看到模型自己生成的決策依據(jù)比如“前車長期壓線行駛左側(cè)車道有足夠空間選擇借道超車”。跟過去對著時序軌跡圖猜模型意圖相比定位 bug 的效率確實高不少。需要提醒的是VLA 的輸出內(nèi)容存在“自我合理化”的可能——它給出的解釋不一定等于它真實決策的因果鏈。所以在量產(chǎn)落地時我建議把語言輸出當(dāng)作輔助調(diào)試信號而不是當(dāng)作正式的 safety evidence。3. 世界模型的“想象”能力預(yù)測、仿真與數(shù)據(jù)增益3.1 世界模型不是“視頻生成器”而是對動態(tài)規(guī)律的建模很多介紹把世界模型說成“用神經(jīng)網(wǎng)絡(luò)生成未來視頻”這個說法只講對了一半。生成視頻只是訓(xùn)練手段和外在表現(xiàn)世界模型真正的內(nèi)核是學(xué)習(xí)“環(huán)境狀態(tài)如何隨時間演化”的隱含規(guī)律。在智駕場景里世界模型會把當(dāng)前時刻的傳感器觀測壓縮到一個隱空間然后在這個隱空間里預(yù)測下一時刻、下幾個時刻的狀態(tài)分布再用一個解碼器把隱狀態(tài)還原成可理解的未來幀或未來特征。也就是說它學(xué)的不是“某段路長什么樣”而是“在什么樣的條件下交通參與者的狀態(tài)會怎么變化”。這種能力更像是一種物理世界的先驗知識。3.2 世界模型在智駕里的三種實用形態(tài)從落地角度看世界模型在 2026 年的智駕體系中主要有三種存在方式。第一種是預(yù)測模塊。這是最直接的應(yīng)用——用世界模型替代傳統(tǒng)的手工意圖預(yù)測預(yù)測周圍車輛和行人的未來軌跡分布。因為世界模型是從海量真實視頻中學(xué)習(xí)的它對交互場景下“人車互相影響”的建模往往比傳統(tǒng)基于規(guī)則的預(yù)測器更自然。第二種是仿真場景生成。世界模型能根據(jù)一個真實場景片段延展出大量連續(xù)、逼真的后續(xù)可能場景。這正好對上了智駕測試的剛需——真實路測很難覆蓋所有長尾場景而世界模型可以低成本地制造出“前車突然切入”“行人鬼探頭”等邊界情況讓決策模型在仿真里反復(fù)試錯。第三種是作為規(guī)劃階段的價值估計器。在決策過程中系統(tǒng)先想象出幾條候選軌跡對應(yīng)的未來場景再用這些未來場景的好壞來評估哪條軌跡更安全、更高效。這種用法其實已經(jīng)非常接近“系統(tǒng)二”式的前瞻性規(guī)劃。3.3 世界模型最難的部分從“預(yù)測準(zhǔn)”到“決策對”的鴻溝當(dāng)前世界模型在預(yù)測未來幀上已經(jīng)能做到肉眼看上去比較真實但“看起來真實”和“對決策有用”是兩碼事。真實世界里一個路口的可能演化方式非常多預(yù)測模型輸出的往往是多個分支的平均直接拿來做決策反而容易體現(xiàn)為“猶豫”或“騎墻”。我見過一個測試案例模型預(yù)測對向車輛可能會直行也可能左轉(zhuǎn)于是把兩種分支做了混合最終給出的決策是原地停車等待結(jié)果在后方有來車的情況下并不合適。這說明世界模型要在決策中發(fā)揮作用不能只輸出一個模糊的未來必須輸出帶概率分布的多樣化假設(shè)再配合決策策略去處理多分支。4. 五大差異維度對比數(shù)據(jù)、算力、可解釋性、安全兜底與評測方式4.1 一張表看清兩條路線的本質(zhì)差異對比維度VLA 大模型世界模型核心目標(biāo)從觀測直接生成駕駛決策動作學(xué)習(xí)環(huán)境動態(tài)規(guī)律預(yù)測未來狀態(tài)關(guān)鍵中間表征自然語言語義隱空間狀態(tài) / 未來幀主要訓(xùn)練數(shù)據(jù)駕駛示范數(shù)據(jù) 語義指令標(biāo)注大規(guī)模無標(biāo)注駕駛視頻輸出形式軌跡點/控制指令 語言解釋未來場景預(yù)測/隱狀態(tài)序列最大優(yōu)勢可解釋性、語言交互、復(fù)雜博弈決策數(shù)據(jù)利用率高、仿真能力強(qiáng)、長尾泛化潛力當(dāng)前瓶頸數(shù)據(jù)標(biāo)注成本高、車端算力吃緊預(yù)測不確定性控制難、安全兜底驗證鏈路長適合的角色決策者、交互中樞預(yù)測器、仿真器、評估器這張表基本能回答“我該先看哪個”的問題——如果你的核心痛點是復(fù)雜路口的決策體驗和用戶交互VLA 的優(yōu)先級更高如果你的核心痛點是場景覆蓋率不足和模型訓(xùn)練數(shù)據(jù)不夠世界模型帶來的增益會更直接。4.2 數(shù)據(jù)訴求的差異一個重標(biāo)注、一個重規(guī)模VLA 要訓(xùn)練好需要海量“視覺輸入語義指令動作輸出”的對齊數(shù)據(jù)。這里最難的是語義指令那一環(huán)——要讓模型理解“避讓執(zhí)行緊急任務(wù)的車輛”和“在確保安全的前提下通過路口”這類指令訓(xùn)練數(shù)據(jù)里就必須包含足夠多這種帶有語義標(biāo)簽的駕駛片段。這類數(shù)據(jù)不能完全靠路采還需要大量人工標(biāo)注和場景改寫數(shù)據(jù)成本一路被推高。世界模型這邊則對標(biāo)注依賴極小。它學(xué)的是喂進(jìn)去的海量真實駕駛視頻里的時間演化規(guī)律不需要知道視頻里每個障礙物的精確框也不需要標(biāo)注每個駕駛員動作。只要視頻覆蓋的場景足夠豐富模型就能從中提煉“車流怎么流動、行人怎么穿行、擁堵怎么形成”的常識。這也是很多數(shù)據(jù)積累強(qiáng)、但標(biāo)注團(tuán)隊規(guī)模小的團(tuán)隊更愿意投世界模型的原因。我個人在這方面的建議是做量產(chǎn)智駕的團(tuán)隊不要只押一邊。VLA 需要的數(shù)據(jù)規(guī)模和標(biāo)注質(zhì)量在初期可能很難滿足世界模型對數(shù)據(jù)要求友好但把它直接用作決策主鏈路又不現(xiàn)實。常見的折中方案是先用世界模型從存量路采數(shù)據(jù)里篩選高價值場景再把這些場景對應(yīng)的駕駛段拿去做 VLA 的高質(zhì)量數(shù)據(jù)訓(xùn)練。4.3 車端部署與算力消耗誰離量產(chǎn)更近這是 2026 年工程化繞不開的一個硬約束。VLA 的參數(shù)量普遍偏大因為要同時容納視覺編碼器、語言模型和動作解碼器。就算只做一個簡化版部署到車端對芯片的算力、內(nèi)存帶寬和功耗壓力都不小。目前比較務(wù)實的部署形態(tài)是“車端端側(cè)小模型 云端大模型”在車端跑一個裁剪過的、只負(fù)責(zé)高頻決策的輕量 VLA遇到復(fù)雜場景再請求云端大模型做“慢思考”。這個思路工程上可行但會引入通信延遲和云端成本對系統(tǒng)的可靠性設(shè)計提出更高要求。世界模型這邊訓(xùn)練端算力消耗非常大尤其是視頻預(yù)測部分需要大規(guī)模 GPU 集群長期跑。但部署端的形態(tài)可以比較輕——如果只把它當(dāng)作預(yù)測器或場景生成器不少方案可以在中高端車規(guī)級芯片上實時跑起來。更常見的現(xiàn)實做法是把完整的仿真用世界模型放在云端車端只在特定場景調(diào)用云端預(yù)測結(jié)果來做交叉驗證。4.4 安全兜底與法規(guī)審查語言解釋和未來預(yù)測誰更有說服力我會把安全兜底拆成兩個層面運(yùn)行時的功能安全和事后的事故分析。運(yùn)行時功能安全層面兩條路線可以有不同的兜底思路。VLA 的語言輸出可以作為一層“語義安全過濾”——如果模型生成的語言解釋里出現(xiàn)了“不確定”“無法判斷”這類信號又或者在描述里出現(xiàn)決策邏輯與當(dāng)前軌跡明顯矛盾的情況上游安全模塊可以介入降級。世界模型端則更適合做“預(yù)測一致性校驗”也就是拿世界模型預(yù)測的未來狀態(tài)和 VLA 生成的軌跡做比對如果軌跡撞上了未來預(yù)測中的高風(fēng)險區(qū)域就直接觸發(fā)剎車或避讓。這兩者對底層規(guī)劃來說都不沖突甚至可以疊加。事后的事故分析層面VLA 有天然優(yōu)勢——它能留下自然語言的決策依據(jù)分析人員可以直接讀。世界模型留下的是一堆未來預(yù)測幀除非專門做可視化回放否則很難直接向監(jiān)管解釋“當(dāng)時系統(tǒng)為什么沒有預(yù)判到某個危險”。因此我判斷在 2026 年更強(qiáng)調(diào)“可解釋性和可審計性”的量產(chǎn)市場上VLA 會更容易通過安全評審。4.5 評測體系也要跟著變光看接管率遠(yuǎn)遠(yuǎn)不夠過去端到端智駕的評測主要看幾分鐘接管一次、MPI平均接管里程、急剎次數(shù)等簡單指標(biāo)。到了 VLA 與世界模型并行的階段這些指標(biāo)遠(yuǎn)遠(yuǎn)不夠。VLA 系統(tǒng)要多看幾個維度決策語義一致性、復(fù)雜命令理解正確率、危險場景下的語言告警響應(yīng)速度世界模型系統(tǒng)則要多看預(yù)測分布質(zhì)量、長尾場景恢復(fù)能力、仿真生成的多樣性與真實性。我這里建議團(tuán)隊提前搭一套分層評測體系——底層是傳統(tǒng)接管與碰撞統(tǒng)計中層是場景通過率上層是模型行為質(zhì)量比如決策可解釋性和預(yù)測一致性。5. 2026 年真實落地節(jié)奏與團(tuán)隊選型建議5.1 產(chǎn)業(yè)觀察兩條路線的落地進(jìn)度差異明顯從各大車企和 tier1 的方案披露看2026 年 VLA 的落地更多集中在兩類場景一是作為高階智駕的決策增強(qiáng)模塊跟現(xiàn)有端到端模型并聯(lián)負(fù)責(zé)復(fù)雜博弈和用戶指令理解二是作為數(shù)據(jù)閉環(huán)里的自動標(biāo)注工具用語言能力自動生成駕駛場景描述拉低人工標(biāo)注成本。世界模型的落地則更偏向數(shù)據(jù)側(cè)和驗證側(cè)。好幾個團(tuán)隊都在用世界模型生成仿真場景來測試極端情況或者用世界模型做預(yù)測器來提升現(xiàn)有智駕系統(tǒng)對動態(tài)障礙物的反應(yīng)能力。真正敢把世界模型直接放在端上做主決策鏈路的目前極少主要卡在不確定性量化和安全認(rèn)證上。5.2 混合路線的實際做法VLA 做決策、世界模型做預(yù)測和仿真我在前面提過VLA 和世界模型之間不是單選題。實際操作中一套比較穩(wěn)妥的 2026 智駕系統(tǒng)架構(gòu)可以是這樣的傳感器數(shù)據(jù)進(jìn)來先經(jīng)過一個共享的視覺編碼器提取出多模態(tài)特征。這份特征同時喂給兩個分支世界模型分支負(fù)責(zé)預(yù)測接下來幾秒內(nèi)其他交通參與者的軌跡分布和場景演化VLA 分支結(jié)合導(dǎo)航指令、自車狀態(tài)和世界模型的預(yù)測輸出生成駕駛策略與一段可解釋的語義描述。最后經(jīng)過一個規(guī)則安全層校驗再輸出到執(zhí)行器。這種架構(gòu)最大的好處是風(fēng)險隔離。哪怕 VLA 的決策在某些新場景下意外出錯安全層結(jié)合世界模型的未來預(yù)測仍能提供一層有效校驗。對工程團(tuán)隊來說兩個模型也不必非等對方完全成熟——可以先各自在擅長的場景里跑再逐步加強(qiáng)聯(lián)動。5.3 團(tuán)隊資源有限時的技術(shù)選型決策清單如果團(tuán)隊規(guī)模不大、算力和數(shù)據(jù)也都有限該怎么在這兩個方向里做取舍我根據(jù)自己的經(jīng)驗總結(jié)了幾個很實際的問題你的核心場景是“復(fù)雜博弈決策”還是“長尾場景覆蓋”如果是前者優(yōu)先上 VLA如果是后者優(yōu)先上世界模型。你手里有什么類型的存量數(shù)據(jù)如果有一堆無標(biāo)注的路采視頻世界模型能用起來如果有大量高質(zhì)量駕駛員操作記錄VLA 更能發(fā)揮。你的量產(chǎn)時間表有多緊如果 2026 年內(nèi)就要 SOPVLA 的端上輕量化方案和云端配合更成熟如果目標(biāo)是 2027 年之后的平臺儲備世界模型的前瞻價值更大。你的團(tuán)隊擅長什么熟悉標(biāo)注流程和 prompt 工程的團(tuán)隊適合做 VLA熟悉視頻生成、自監(jiān)督學(xué)習(xí)的團(tuán)隊適合做世界模型。按這四個問題過一遍基本能判斷你的“基因”更適合先押哪條線。不需要因為行業(yè)熱點而強(qiáng)行切換方向。5.4 我對 2026 年技術(shù)終局的判斷最近一陣子我越來越傾向于一個判斷VLA 負(fù)責(zé)把智駕變成“會溝通、能解釋”的智能體世界模型負(fù)責(zé)把智駕變成“懂預(yù)測、能想象”的智能體二者最終會在同一個系統(tǒng)里共存。我們現(xiàn)在看到的所有宣稱押注某一條路線的廠商其實內(nèi)部或多或少的都在做另一邊的預(yù)研。因為純 VLA 的車會像一個只懂眼前操作、缺乏預(yù)判的訓(xùn)練者純世界模型的車會像一個能預(yù)測世界但不知道怎么行動的思想者。真正可量產(chǎn)、可規(guī)模化的智駕系統(tǒng)一定是把“看懂-預(yù)測-決策-執(zhí)行-解釋”這條完整鏈條打通的那個形態(tài)。我自己的實操體會是與其糾結(jié)你屬于 VLA 派還是世界模型派不如把注意力放在數(shù)據(jù)和工具的積累上?？梢园颜Z言標(biāo)注能力和視頻預(yù)測能力都沉淀成底層基礎(chǔ)設(shè)施模型架構(gòu)可以迭代但高質(zhì)量的數(shù)據(jù)流和成熟的安全驗證體系永遠(yuǎn)是下一輪路線競爭里最值錢的部分。 VLA vs 世界模型：2026智駕技術(shù)路線核心解析
這幾個月圈子里關(guān)于 2026 年智駕技術(shù)路線的討論幾乎繞不開兩個詞——VLA 大模型和世界模型。我看了好幾份內(nèi)部交流稿也跟做量產(chǎn)方案的朋友聊過不少發(fā)現(xiàn)一個非常有意思的現(xiàn)象很多人嘴上在說 VLA但聊著聊著就把它跟世界模型混成了一談也有不少人覺得世界模型就是“更強(qiáng)的新一代端到端”能直接替代現(xiàn)有的感知決策鏈路。坦白講這兩個方向確實是 2026 年智駕領(lǐng)域最值得盯的兩條技術(shù)主線但它們解決的根本不是同一個問題。如果你正準(zhǔn)備給團(tuán)隊做技術(shù)選型或者想理解接下來兩年量產(chǎn)智駕會往哪走這篇內(nèi)容應(yīng)該能幫你把框架理順。我會從工作原理、訓(xùn)練數(shù)據(jù)、車端部署、安全兜底和落地節(jié)奏幾個角度把 VLA 和世界模型之間的核心差異拆開講清楚也會結(jié)合真實落地中遇到的取舍給出我的判斷。1. 2026 年兩條技術(shù)主線的背景為什么是 VLA 和世界模型1.1 從模塊化到端到端再到“大模型上車”的必然演變要理解 VLA 和世界模型為什么會成為 2026 年的技術(shù)主線得先看過去幾年智駕架構(gòu)是怎么一步步演變過來的。早期量產(chǎn)智駕基本是模塊化 pipeline——感知、預(yù)測、規(guī)劃、控制各管一段。感知出障礙物框和車道線預(yù)測模塊算其他交通參與者的意圖規(guī)劃模塊生成軌跡最后控制模塊去執(zhí)行。這種架構(gòu)的好處是每個環(huán)節(jié)都可解釋、可調(diào)試壞處是模塊之間信息損耗嚴(yán)重感知的誤差會一路傳導(dǎo)到規(guī)劃端而且遇到復(fù)雜交互場景時規(guī)則寫不勝寫。后來端到端成了主流一個大模型從傳感器輸入直接映射到控制指令中間沒有顯式的模塊分工。城市 NOA 這類場景的體驗上限確實被拉高了但在可解釋性、安全兜底和極端場景泛化上始終有爭議。到了 2025 年下半年兩股新力量開始明顯抬頭一邊把大語言模型的多模態(tài)能力搬進(jìn)智駕形成了 VLA 路線另一邊把視頻預(yù)測和時序建模的能力用來學(xué)習(xí)駕駛世界的演化規(guī)律形成了世界模型路線。1.2 為什么這兩個詞會被頻繁綁定出現(xiàn)一個很現(xiàn)實的原因是VLA 和世界模型都建立在 Transformer 架構(gòu)之上用的都是大規(guī)模預(yù)訓(xùn)練思路對外表現(xiàn)又都是“輸入一堆傳感器數(shù)據(jù)輸出一個決策或預(yù)測結(jié)果”所以很多人天然覺得它們是同一個東西的兩種叫法。另一個原因是 2026 年的技術(shù)報告里不少團(tuán)隊是把兩者放在一起講的。比如先用世界模型做仿真場景生成再用 VLA 在生成的場景里做決策訓(xùn)練或者把世界模型的預(yù)測結(jié)果作為 VLA 決策的一個輸入特征。這種組合拳很常見但組合出現(xiàn)不等于本身是一回事。1.3 最容易被忽視的定位差異一句話概括我的理解VLA 解決的是“看懂了之后該怎么做”世界模型解決的是“接下來世界會怎么變”。前者落在決策層后者落在預(yù)測和理解層。如果你把智駕系統(tǒng)比作一個司機(jī)VLA 更像是那個“會說話、能聽懂導(dǎo)航指令、能把自己的操作理由講出來”的司機(jī)世界模型則像是一個“總能提前想象出路口接下來會發(fā)生什么”的老司機(jī)——但它不一定直接告訴你方向盤該打多少度。這個定位差異決定了它們的訓(xùn)練方式、部署形態(tài)、邊界能力都不一樣。2. VLA 大模型能做什么從多模態(tài)理解到動作生成的一體化決策2.1 VLA 的“視覺-語言-動作”是如何打通的VLA 的全稱是 Vision-Language-Action核心思路是讓模型在視覺特征、語言表征和動作空間之間學(xué)習(xí)同一個語義對齊空間。具體到智駕場景輸入側(cè)通常是多路攝像頭圖像、導(dǎo)航地圖信息、歷史軌跡序列有些方案還會把交通規(guī)則文本和障礙物屬性描述一起編碼進(jìn)去。模型內(nèi)部做的事情分三步先把視覺信息轉(zhuǎn)換成類似語言 token 的語義表征再用語言模型機(jī)制做推理最后解碼成動作 token 或軌跡點。這里關(guān)鍵的一步是“語言”的角色。VLA 不是簡單地在車上掛一個語音助手而是用語言作為中間表征來統(tǒng)一表達(dá)場景語義和駕駛意圖。比如前方出現(xiàn)行人橫穿模型內(nèi)部可能生成的是類似“行人正在進(jìn)入本車道橫向速度較快需減速避讓”的隱式語義鏈再據(jù)此輸出一個合理的減速度。2.2 VLA 在 2026 年智駕里真正解決的核心問題第一個是復(fù)雜交互場景的類人決策。傳統(tǒng)規(guī)控和端到端在城市道路博弈上容易表現(xiàn)得“笨”——面對加塞、借道、人車混行不是過于保守就是過于激進(jìn)。VLA 借助大模型對語義場景的理解能力能更好地把“模糊的交通潛規(guī)則”轉(zhuǎn)化為駕駛策略。第二個是導(dǎo)航指令和用戶交互的閉環(huán)?，F(xiàn)在的智駕系統(tǒng)讓你改個目的地多半要依靠獨立的語音模塊再切換回導(dǎo)航狀態(tài)而 VLA 天然能理解“前面第二個路口右轉(zhuǎn)”“避開施工路段”這類自然語言指令直接融入決策過程。第三個是可解釋性。這一點在 2026 年的量產(chǎn)審查和事故分析場景下會越來越重要。VLA 能輸出一段自然語言描述說明自己為什么在當(dāng)前場景選擇減速或變道。對車廠安全團(tuán)隊來說這比一個黑盒端到端模型給出一堆軌跡點要友好得多。2.3 實測視角VLA 可解釋能力的落地價值我接觸過的一個模擬項目里團(tuán)隊用 VLA 跑城市復(fù)雜路口場景將模型的語言輸出接入數(shù)據(jù)回放平臺。測試員在問題復(fù)盤時可以看到模型自己生成的決策依據(jù)比如“前車長期壓線行駛左側(cè)車道有足夠空間選擇借道超車”。跟過去對著時序軌跡圖猜模型意圖相比定位 bug 的效率確實高不少。需要提醒的是VLA 的輸出內(nèi)容存在“自我合理化”的可能——它給出的解釋不一定等于它真實決策的因果鏈。所以在量產(chǎn)落地時我建議把語言輸出當(dāng)作輔助調(diào)試信號而不是當(dāng)作正式的 safety evidence。3. 世界模型的“想象”能力預(yù)測、仿真與數(shù)據(jù)增益3.1 世界模型不是“視頻生成器”而是對動態(tài)規(guī)律的建模很多介紹把世界模型說成“用神經(jīng)網(wǎng)絡(luò)生成未來視頻”這個說法只講對了一半。生成視頻只是訓(xùn)練手段和外在表現(xiàn)世界模型真正的內(nèi)核是學(xué)習(xí)“環(huán)境狀態(tài)如何隨時間演化”的隱含規(guī)律。在智駕場景里世界模型會把當(dāng)前時刻的傳感器觀測壓縮到一個隱空間然后在這個隱空間里預(yù)測下一時刻、下幾個時刻的狀態(tài)分布再用一個解碼器把隱狀態(tài)還原成可理解的未來幀或未來特征。也就是說它學(xué)的不是“某段路長什么樣”而是“在什么樣的條件下交通參與者的狀態(tài)會怎么變化”。這種能力更像是一種物理世界的先驗知識。3.2 世界模型在智駕里的三種實用形態(tài)從落地角度看世界模型在 2026 年的智駕體系中主要有三種存在方式。第一種是預(yù)測模塊。這是最直接的應(yīng)用——用世界模型替代傳統(tǒng)的手工意圖預(yù)測預(yù)測周圍車輛和行人的未來軌跡分布。因為世界模型是從海量真實視頻中學(xué)習(xí)的它對交互場景下“人車互相影響”的建模往往比傳統(tǒng)基于規(guī)則的預(yù)測器更自然。第二種是仿真場景生成。世界模型能根據(jù)一個真實場景片段延展出大量連續(xù)、逼真的后續(xù)可能場景。這正好對上了智駕測試的剛需——真實路測很難覆蓋所有長尾場景而世界模型可以低成本地制造出“前車突然切入”“行人鬼探頭”等邊界情況讓決策模型在仿真里反復(fù)試錯。第三種是作為規(guī)劃階段的價值估計器。在決策過程中系統(tǒng)先想象出幾條候選軌跡對應(yīng)的未來場景再用這些未來場景的好壞來評估哪條軌跡更安全、更高效。這種用法其實已經(jīng)非常接近“系統(tǒng)二”式的前瞻性規(guī)劃。3.3 世界模型最難的部分從“預(yù)測準(zhǔn)”到“決策對”的鴻溝當(dāng)前世界模型在預(yù)測未來幀上已經(jīng)能做到肉眼看上去比較真實但“看起來真實”和“對決策有用”是兩碼事。真實世界里一個路口的可能演化方式非常多預(yù)測模型輸出的往往是多個分支的平均直接拿來做決策反而容易體現(xiàn)為“猶豫”或“騎墻”。我見過一個測試案例模型預(yù)測對向車輛可能會直行也可能左轉(zhuǎn)于是把兩種分支做了混合最終給出的決策是原地停車等待結(jié)果在后方有來車的情況下并不合適。這說明世界模型要在決策中發(fā)揮作用不能只輸出一個模糊的未來必須輸出帶概率分布的多樣化假設(shè)再配合決策策略去處理多分支。4. 五大差異維度對比數(shù)據(jù)、算力、可解釋性、安全兜底與評測方式4.1 一張表看清兩條路線的本質(zhì)差異對比維度VLA 大模型世界模型核心目標(biāo)從觀測直接生成駕駛決策動作學(xué)習(xí)環(huán)境動態(tài)規(guī)律預(yù)測未來狀態(tài)關(guān)鍵中間表征自然語言語義隱空間狀態(tài) / 未來幀主要訓(xùn)練數(shù)據(jù)駕駛示范數(shù)據(jù) 語義指令標(biāo)注大規(guī)模無標(biāo)注駕駛視頻輸出形式軌跡點/控制指令 語言解釋未來場景預(yù)測/隱狀態(tài)序列最大優(yōu)勢可解釋性、語言交互、復(fù)雜博弈決策數(shù)據(jù)利用率高、仿真能力強(qiáng)、長尾泛化潛力當(dāng)前瓶頸數(shù)據(jù)標(biāo)注成本高、車端算力吃緊預(yù)測不確定性控制難、安全兜底驗證鏈路長適合的角色決策者、交互中樞預(yù)測器、仿真器、評估器這張表基本能回答“我該先看哪個”的問題——如果你的核心痛點是復(fù)雜路口的決策體驗和用戶交互VLA 的優(yōu)先級更高如果你的核心痛點是場景覆蓋率不足和模型訓(xùn)練數(shù)據(jù)不夠世界模型帶來的增益會更直接。4.2 數(shù)據(jù)訴求的差異一個重標(biāo)注、一個重規(guī)模VLA 要訓(xùn)練好需要海量“視覺輸入語義指令動作輸出”的對齊數(shù)據(jù)。這里最難的是語義指令那一環(huán)——要讓模型理解“避讓執(zhí)行緊急任務(wù)的車輛”和“在確保安全的前提下通過路口”這類指令訓(xùn)練數(shù)據(jù)里就必須包含足夠多這種帶有語義標(biāo)簽的駕駛片段。這類數(shù)據(jù)不能完全靠路采還需要大量人工標(biāo)注和場景改寫數(shù)據(jù)成本一路被推高。世界模型這邊則對標(biāo)注依賴極小。它學(xué)的是喂進(jìn)去的海量真實駕駛視頻里的時間演化規(guī)律不需要知道視頻里每個障礙物的精確框也不需要標(biāo)注每個駕駛員動作。只要視頻覆蓋的場景足夠豐富模型就能從中提煉“車流怎么流動、行人怎么穿行、擁堵怎么形成”的常識。這也是很多數(shù)據(jù)積累強(qiáng)、但標(biāo)注團(tuán)隊規(guī)模小的團(tuán)隊更愿意投世界模型的原因。我個人在這方面的建議是做量產(chǎn)智駕的團(tuán)隊不要只押一邊。VLA 需要的數(shù)據(jù)規(guī)模和標(biāo)注質(zhì)量在初期可能很難滿足世界模型對數(shù)據(jù)要求友好但把它直接用作決策主鏈路又不現(xiàn)實。常見的折中方案是先用世界模型從存量路采數(shù)據(jù)里篩選高價值場景再把這些場景對應(yīng)的駕駛段拿去做 VLA 的高質(zhì)量數(shù)據(jù)訓(xùn)練。4.3 車端部署與算力消耗誰離量產(chǎn)更近這是 2026 年工程化繞不開的一個硬約束。VLA 的參數(shù)量普遍偏大因為要同時容納視覺編碼器、語言模型和動作解碼器。就算只做一個簡化版部署到車端對芯片的算力、內(nèi)存帶寬和功耗壓力都不小。目前比較務(wù)實的部署形態(tài)是“車端端側(cè)小模型 云端大模型”在車端跑一個裁剪過的、只負(fù)責(zé)高頻決策的輕量 VLA遇到復(fù)雜場景再請求云端大模型做“慢思考”。這個思路工程上可行但會引入通信延遲和云端成本對系統(tǒng)的可靠性設(shè)計提出更高要求。世界模型這邊訓(xùn)練端算力消耗非常大尤其是視頻預(yù)測部分需要大規(guī)模 GPU 集群長期跑。但部署端的形態(tài)可以比較輕——如果只把它當(dāng)作預(yù)測器或場景生成器不少方案可以在中高端車規(guī)級芯片上實時跑起來。更常見的現(xiàn)實做法是把完整的仿真用世界模型放在云端車端只在特定場景調(diào)用云端預(yù)測結(jié)果來做交叉驗證。4.4 安全兜底與法規(guī)審查語言解釋和未來預(yù)測誰更有說服力我會把安全兜底拆成兩個層面運(yùn)行時的功能安全和事后的事故分析。運(yùn)行時功能安全層面兩條路線可以有不同的兜底思路。VLA 的語言輸出可以作為一層“語義安全過濾”——如果模型生成的語言解釋里出現(xiàn)了“不確定”“無法判斷”這類信號又或者在描述里出現(xiàn)決策邏輯與當(dāng)前軌跡明顯矛盾的情況上游安全模塊可以介入降級。世界模型端則更適合做“預(yù)測一致性校驗”也就是拿世界模型預(yù)測的未來狀態(tài)和 VLA 生成的軌跡做比對如果軌跡撞上了未來預(yù)測中的高風(fēng)險區(qū)域就直接觸發(fā)剎車或避讓。這兩者對底層規(guī)劃來說都不沖突甚至可以疊加。事后的事故分析層面VLA 有天然優(yōu)勢——它能留下自然語言的決策依據(jù)分析人員可以直接讀。世界模型留下的是一堆未來預(yù)測幀除非專門做可視化回放否則很難直接向監(jiān)管解釋“當(dāng)時系統(tǒng)為什么沒有預(yù)判到某個危險”。因此我判斷在 2026 年更強(qiáng)調(diào)“可解釋性和可審計性”的量產(chǎn)市場上VLA 會更容易通過安全評審。4.5 評測體系也要跟著變光看接管率遠(yuǎn)遠(yuǎn)不夠過去端到端智駕的評測主要看幾分鐘接管一次、MPI平均接管里程、急剎次數(shù)等簡單指標(biāo)。到了 VLA 與世界模型并行的階段這些指標(biāo)遠(yuǎn)遠(yuǎn)不夠。VLA 系統(tǒng)要多看幾個維度決策語義一致性、復(fù)雜命令理解正確率、危險場景下的語言告警響應(yīng)速度世界模型系統(tǒng)則要多看預(yù)測分布質(zhì)量、長尾場景恢復(fù)能力、仿真生成的多樣性與真實性。我這里建議團(tuán)隊提前搭一套分層評測體系——底層是傳統(tǒng)接管與碰撞統(tǒng)計中層是場景通過率上層是模型行為質(zhì)量比如決策可解釋性和預(yù)測一致性。5. 2026 年真實落地節(jié)奏與團(tuán)隊選型建議5.1 產(chǎn)業(yè)觀察兩條路線的落地進(jìn)度差異明顯從各大車企和 tier1 的方案披露看2026 年 VLA 的落地更多集中在兩類場景一是作為高階智駕的決策增強(qiáng)模塊跟現(xiàn)有端到端模型并聯(lián)負(fù)責(zé)復(fù)雜博弈和用戶指令理解二是作為數(shù)據(jù)閉環(huán)里的自動標(biāo)注工具用語言能力自動生成駕駛場景描述拉低人工標(biāo)注成本。世界模型的落地則更偏向數(shù)據(jù)側(cè)和驗證側(cè)。好幾個團(tuán)隊都在用世界模型生成仿真場景來測試極端情況或者用世界模型做預(yù)測器來提升現(xiàn)有智駕系統(tǒng)對動態(tài)障礙物的反應(yīng)能力。真正敢把世界模型直接放在端上做主決策鏈路的目前極少主要卡在不確定性量化和安全認(rèn)證上。5.2 混合路線的實際做法VLA 做決策、世界模型做預(yù)測和仿真我在前面提過VLA 和世界模型之間不是單選題。實際操作中一套比較穩(wěn)妥的 2026 智駕系統(tǒng)架構(gòu)可以是這樣的傳感器數(shù)據(jù)進(jìn)來先經(jīng)過一個共享的視覺編碼器提取出多模態(tài)特征。這份特征同時喂給兩個分支世界模型分支負(fù)責(zé)預(yù)測接下來幾秒內(nèi)其他交通參與者的軌跡分布和場景演化VLA 分支結(jié)合導(dǎo)航指令、自車狀態(tài)和世界模型的預(yù)測輸出生成駕駛策略與一段可解釋的語義描述。最后經(jīng)過一個規(guī)則安全層校驗再輸出到執(zhí)行器。這種架構(gòu)最大的好處是風(fēng)險隔離。哪怕 VLA 的決策在某些新場景下意外出錯安全層結(jié)合世界模型的未來預(yù)測仍能提供一層有效校驗。對工程團(tuán)隊來說兩個模型也不必非等對方完全成熟——可以先各自在擅長的場景里跑再逐步加強(qiáng)聯(lián)動。5.3 團(tuán)隊資源有限時的技術(shù)選型決策清單如果團(tuán)隊規(guī)模不大、算力和數(shù)據(jù)也都有限該怎么在這兩個方向里做取舍我根據(jù)自己的經(jīng)驗總結(jié)了幾個很實際的問題你的核心場景是“復(fù)雜博弈決策”還是“長尾場景覆蓋”如果是前者優(yōu)先上 VLA如果是后者優(yōu)先上世界模型。你手里有什么類型的存量數(shù)據(jù)如果有一堆無標(biāo)注的路采視頻世界模型能用起來如果有大量高質(zhì)量駕駛員操作記錄VLA 更能發(fā)揮。你的量產(chǎn)時間表有多緊如果 2026 年內(nèi)就要 SOPVLA 的端上輕量化方案和云端配合更成熟如果目標(biāo)是 2027 年之后的平臺儲備世界模型的前瞻價值更大。你的團(tuán)隊擅長什么熟悉標(biāo)注流程和 prompt 工程的團(tuán)隊適合做 VLA熟悉視頻生成、自監(jiān)督學(xué)習(xí)的團(tuán)隊適合做世界模型。按這四個問題過一遍基本能判斷你的“基因”更適合先押哪條線。不需要因為行業(yè)熱點而強(qiáng)行切換方向。5.4 我對 2026 年技術(shù)終局的判斷最近一陣子我越來越傾向于一個判斷VLA 負(fù)責(zé)把智駕變成“會溝通、能解釋”的智能體世界模型負(fù)責(zé)把智駕變成“懂預(yù)測、能想象”的智能體二者最終會在同一個系統(tǒng)里共存。我們現(xiàn)在看到的所有宣稱押注某一條路線的廠商其實內(nèi)部或多或少的都在做另一邊的預(yù)研。因為純 VLA 的車會像一個只懂眼前操作、缺乏預(yù)判的訓(xùn)練者純世界模型的車會像一個能預(yù)測世界但不知道怎么行動的思想者。真正可量產(chǎn)、可規(guī)模化的智駕系統(tǒng)一定是把“看懂-預(yù)測-決策-執(zhí)行-解釋”這條完整鏈條打通的那個形態(tài)。我自己的實操體會是與其糾結(jié)你屬于 VLA 派還是世界模型派不如把注意力放在數(shù)據(jù)和工具的積累上?？梢园颜Z言標(biāo)注能力和視頻預(yù)測能力都沉淀成底層基礎(chǔ)設(shè)施模型架構(gòu)可以迭代但高質(zhì)量的數(shù)據(jù)流和成熟的安全驗證體系永遠(yuǎn)是下一輪路線競爭里最值錢的部分。