編者語：后臺回復“入群”，加入「智駕最前沿」微信交流群
2026年過半，自動駕駛行業的技術路線愈演愈烈，從2025年端到端大模型全面上車，到2026年VLA（視覺-語言-動作模型）與世界模型兩條路線的公開激化，技術路線選擇成為了每家車企都必須面對的選擇題。在英偉達GTC大會上，吉利汽車集團CTO李傳海、Momenta CEO曹旭東等人公開對VLA提出質疑；華為車BU CEO靳玉志則直接稱VLA是取巧方案，主張以?世界行為模型?替代；另一邊，理想、小鵬、元戎啟行等則在堅定推進VLA架構的量產落地。這兩條路線究竟差異何在？選錯方向是否意味著掉隊？
VLA和世界模型，爭的到底是什么？
想要厘清VLA和世界模型到底爭的是什么，首先要搞清楚VLA和世界模型各自解決了什么問題。
VLA的全稱是視覺-語言-動作模型，它在視覺感知和動作執行之間加入了一個關鍵中間層，語言。這個語言并不是讓車開口說話，而是用大語言模型的推理能力來做駕駛決策，簡單理解，VLA做的事情是在看到道路狀況后，調用語言模型理解這個場景意味著什么，然后決定該怎么操作。小鵬汽車通用智能中心負責人劉先明對此有一個精煉的總結，VLA學的是人在這個世界中會怎么做。
世界模型的邏輯則完全不同，它關心的不是人怎么做，而是關心這個世界本身會怎么變化。世界模型的核心能力是預測，這里的預測不是指預測下一秒的圖像長什么樣，而是預測物理世界在車輛執行某個動作之后會如何演化，譬如當系統看到路邊有一個彈跳的皮球，世界模型就會基于對物理因果關系的理解，預判皮球后方大概率會跑出一個孩子。Waymo在CVPR 2026上首次曝光的世界模型，就是基于Google DeepMind的Genie 3架構構建，能夠預測包括其他車輛和行人的行為意圖等道路場景的動態演化。
圖片源自：網絡
從技術的角度來看，VLA是以語言智能為核心，試圖用一維的文本Token來描述和推理三維物理世界；而世界模型是則以空間智能為核心，直接在連續的狀態空間中建模物理規律和因果關系。兩者處理世界的方式存在根本差異，一個是描述，而另一個是模擬。
技術路線的不同，并不意味著兩條路線彼此排斥，理想的MindVLA-o1在VLA框架內就引入了預測式隱空間模型，能夠在隱空間中模擬未來場景變化；小鵬的第二代VLA同樣被官方定義為既是動作生成模型，也是理解和推演的物理世界模型。劉先明就曾明確表示，世界模型與第二代VLA不是互相替代或互相競爭的關系，而是通過不同訓練信號共同提升模型對物理世界的理解能力和在物理世界的行動能力。其實現在智駕行業正在形成一個共識，那就是VLA負責感知當前環境、理解語義、決定下一步動作，世界模型則負責推演未來5到10秒場景會如何演變。
主流玩家如何站隊？
雖然現在VLA和世界模型有融合的趨勢，但各家的研發投入和資源傾斜方向仍然差異明顯。
華為作為世界模型路線的堅定代表，2025年ADS 4發布WEWA 1.0架構時，就率先提出了世界模型技術路線。華為的技術方案是采用云端部署世界引擎，通過AI生成難例，將長尾場景的密度提升1000倍；車端則部署世界行為模型，從多傳感器全模態感知出發做決策。華為預計2026年搭載乾崑智駕的車輛超80款，年底搭載量達300萬輛，2026年研發投入預計超180億元。
圖片源自：網絡
Waymo同樣選擇了世界模型方向，2026年初，Waymo基于Google DeepMind的Genie 3架構發布了Waymo世界模型，該模型可根據文本提示生成虛擬駕駛環境，用于訓練系統以應對各種邊緣場景。在CVPR 2026上，Waymo進一步披露了其世界模型的完整訓練框架，該訓練框架分為三個階段，整體借鑒了大語言模型的訓練范式。
預訓練階段直接復用Google DeepMind的Genie 3通用世界模型，該模型已在海量視頻數據上習得物理規律和場景演化能力；中期訓練階段則將Waymo積累的超過2億英里無人駕駛數據注入模型，讓Genie 3學會理解多攝像頭、激光雷達和毫米波雷達等自動駕駛專用傳感器的輸入，將通用視覺認知遷移為針對駕駛場景的空間感知；后訓練階段則針對長時序仿真和規劃等具體任務進行微調與蒸餾，使模型能夠生成包含圖像和點云的多傳感器仿真數據，并支持龍卷風、道路積水等長尾場景的生成，從而服務于大規模仿真測試和邊緣場景覆蓋。
VLA陣營則以理想、小鵬和元戎啟等企業為代表。理想的MindVLA-o1以原生多模態MoE Transformer為核心，在感知層采用3D ViT編碼器將視頻流還原為三維空間，融合了視覺語義與激光雷達點云的幾何信息；決策層在語言模型基礎上引入了隱式世界模型，可以在隱空間中預演未來幾秒的場景變化，再通過Action Expert模塊并行解碼生成符合車輛動力學的軌跡。理想MindVLA-o1模型的完整訓練流程分三個階段，即先用視頻預訓練世界模型表征，再在MindVLA中持續推演，最后將世界模型、推理與行為生成聯合對齊。
圖片源自：網絡
小鵬的第二代VLA則去掉了傳統架構中的語言轉譯中間環節，從視覺輸入直接映射到車輛控制指令，決策延遲從200毫秒降至80毫秒以內。它依托720億云端參數與近1億條場景數據訓練，在硬件上標配圖靈芯片以支撐實時推理。小鵬將第二代VLA定義為兼具動作生成與物理世界推演能力的模型，其核心是從海量人類駕駛行為中學習如何合理行動。
特斯拉的FSD V14則走了一條不太一樣的路，V14在V13端到端模型的基礎上進一步擴大了模型規模，參數量較V13提升了10倍，完整模型大小約12.5GB，導航、路徑決策、避障邏輯等也被全部并入神經網絡，納入統一的訓練框架。
特斯拉還將xAI的Grok大模型能力整合進了車輛的決策系統，Grok在這里不是讓座艙變成聊天工具，而是作為FSD決策系統的一個解釋層，為系統帶來了意圖理解和決策可解釋性方面的提升。像是模糊指令、多目標描述、場景約束等都能被Grok轉譯為可執行的行程規劃。
從架構上看，這相當于在端到端的感知、控制一體化框架之上，疊加了一層語言模型的推理能力，讓車輛在復雜路口、環島、高速合流等場景中的表現更像理解環境并做選擇，而不是功能拼接。
Momenta走的則是世界模型+強化學習路線，2026年4月北京車展期間，Momenta正式發布了R7強化學習世界模型并實現量產首發，Momenta CEO曹旭東將公司定位為物理AI基座模型的構建者，并明確提出世界模型與強化學習共同構成物理AI的兩大核心支柱。
R7世界模型可分為三層，第一層是世界模型預訓練，Momenta基于超過120億公里真實駕駛里程提煉出約1億段黃金數據，將物理規律、常識與因果關系壓縮進模型；第二層是世界模型仿真，將世界模型用于自動駕駛的閉環仿真，讓系統推演自身行為變化時世界將如何演變，對長尾場景進行高效評估；第三層則是在世界模型中進行強化學習，在前兩層基礎上構建高保真虛擬訓練場，讓系統在接近真實的環境中反復探索與試錯。
圖片源自：網絡
這套三層架構打通了預訓練、仿真、強化學習的技術閉環，讓R7賦予自動駕駛系統不僅能看懂世界、理解世界，更能預測世界，理解物體的物理屬性、運動因果關系及潛在交互可能，從而實現更精準的預測與規劃。
從行業整體來看，2026年4月中國乘用車標配L2+及以上輔助駕駛功能的新車滲透率已超過41%，若將選配納入統計，2025年L2及L2+滲透率已達88%。高階智駕正從少數人嘗鮮走向多數人標配，在這個快速普及的過程中，技術路線的選擇或將直接關系到后續的迭代速度和成本結構。
路線之爭，爭的是什么？
現在在網絡上關于VLA和世界模型的爭論，表面上看是技術方案的爭論，其實是對自動駕駛行業發展兩個問題的討論。
第一個問題是自動駕駛系統的智能應該從哪里來？VLA的答案是從人類的知識和推理中來，即通過大語言模型在文本數據上習得的常識和邏輯，遷移到駕駛場景中做決策；世界模型給出的答案則是從物理世界的規律中來，即通過在海量視頻數據上學習物體如何運動、場景如何演化，掌握因果關系的預測能力。李飛飛在2025年11月的文章中提出的觀點就很有代表性，空間智能是AI的下一個前沿，語言智能并不能囊括人工智能的所有內涵。
第二個問題是模型的理解應該發生在哪個空間？VLA是將三維世界的信息壓縮成一維的語言Token，在大語言模型里完成推理，這種壓縮必然帶來信息損失，因為文本無法完整表征三維空間中的距離、方向、尺寸等關鍵要素；世界模型則是直接在連續的狀態空間中建模，避免了維度壓縮帶來的信息損失。
圖片源自：網絡
但VLA也有世界模型不完全具備的優勢，世界模型能通過物理推演理解不剎車就會撞上這一層因果關系，也能據此做出剎車的決策，但它不具備VLA那種基于交通法規和社會常識的語義推理能力。比如交警手勢優先于紅綠燈這類場景，需要理解的不只是物理碰撞的規避，還包括交通法中的優先級規則和人類社會的通行慣例，VLA通過語言模型習得的常識和邏輯恰好能處理這一類問題。此外，VLA可以用自然語言向駕駛員解釋自己為什么要這樣做，而世界模型只能輸出預測結果和動作指令，無法給出人類可讀的決策理由。
這兩條路線在算力需求上均面臨巨大挑戰。VLA模型包含大語言模型，計算和內存成本高，當前VLA模型的推理延遲普遍在100到300毫秒，而自動駕駛端到端延遲需要控制在50毫秒以內，世界模型的高保真推演則更慢。兩者都需要在云端訓練和車端部署之間找到平衡。
從2026年的行業動態來看，純粹的二選一正在被融合取代，小鵬同時使用VLA和世界模型訓練智能駕駛技術；理想在VLA框架內融入了世界模型的預測機制；小米2026年5月開源的Xiaomi OneVL模型，更是將VLA、世界模型和潛空間推理三大技術路線統一到了同一框架中。有行業分析指出，VLA適合復雜語義場景和人機交互，世界模型適合大規模訓練和長尾場景生成，兩條路線高度互補，未來有望深度融合。
選錯路線，會被淘汰嗎？
回到最初的問題，選錯技術路線，會被淘汰嗎？
短期來看，不會，2026年VLA和世界模型都還沒有形成壓倒性的技術優勢，也沒有任何一家企業因為選錯了路線而掉隊，兩條路線各有適用場景，也各有需要攻克的技術瓶頸。
但長期來看，選錯的風險不在于選VLA還是選世界模型，而在于是否具備持續迭代和融合的能力，現在行業共識已經形成，模塊化的小模型時代已經結束，自動駕駛的下半場是物理世界的基座模型，無論是VLA還是世界模型，最終都要走向統一的基座模型架構。
-- END --
