关注「电动车公社」
和我们一起重新思考汽车
天下大势，分久必合，合久必分。
《三国演义》如此，车企们的辅助驾驶技术路线同样如此。
去年年初，特斯拉正式将上线端到端之后，几乎全行业都进行了快速的跟进，使得城市领航辅助功能正式在新车上迎来普及。
但经过了一年的时间，如今辅助驾驶技术路线又一次走到了命运的岔路口，选手们开始分道扬镳。
这两条岔路，名为“VLA”视觉语言动作模型和“WA”世界模型。
不久之前，理想刚刚更新了8.0版本，其中最核心的升级点，就是为其辅助驾驶系统全量推送了VLA司机大模型。
而当天李想就发微博表示，理想汽车的辅助驾驶已经从“局部领先”进入“全面领先”。
同样走VLA技术路线的，还有长期被公认为辅助驾驶第一梯队的小鹏。
但有趣的是，早期小鹏并没有明确站队。
直到小鹏G7 Ultra 发布会上，何小鹏掏出了自研的图灵芯片，小鹏的VLA技术路线才随之公之于众。
不仅如此，在全新小鹏P7上市发布会当晚的专访环节，何小鹏直接语出惊人道：“只有小鹏是真VLA，部分公司是嫁接的。”
除了小鹏和理想以外，已经明牌走VLA技术路线的，还有奇瑞、吉利、元戎启行（长城汽车的辅助驾驶供应商之一）等。
就在几家做VLA的公司纷纷自夸“遥遥领先”时，反方的一盆冷水浇了过来。
华为智能汽车解决方案 BU CEO 靳玉志表示：“华为不会走 VLA 路径，这样的路径看似取巧，其实并不是走向真正自动驾驶的路径。华为更看重WA，这个路径目前看起来非常难，但能实现真正的自动驾驶。”
不仅如此，春晚上表演机器人丢手绢的宇树科技，其创始人王兴兴也作为反方发表了“暴论”：“VLA是一个相对傻瓜式的架构，我个人对它还是抱一个比较怀疑的态度。”
尽管王兴兴指的是VLA应用于机器人领域，但他此言一出，在自动驾驶领域也掀起了不小的风波。
除了华为以外，明确表示将采用WA路线的，还有蔚来。
有趣的是，到现在为止在自动驾驶领域发言最具影响力的男人马斯克，这次倒是没有明确站队VLA还是WA。
至于VLA和WA两种技术路线到底谁才是未来？受限于篇幅，我们这次分成两篇文章去分析。
这次先来重点说说争议度较高的VLA大模型，到底有何优劣势？未来进一步进化，还需要克服哪些困难？
01. 打破端到端的黑匣子
从舆论上来看，理想汽车算是VLA这条技术路线最坚实的践行者。
但实际上，VLA大模型并非理想首创。
VLA大模型的概念最早出现在2023年7月，是谷歌人工智能公司DeepMind推出RT-2架构时首次提出的。
在当时，VLA主要应用在机器人领域。它的初衷其实是让机器人拥有能听懂并理解人类语言的能力，而不是大规模被车企用于辅助驾驶。
理想、小鹏等企业，则从谷歌机器人研发中汲取了灵感，成为了第一批利用VLA大模型做辅助驾驶开发的企业。
之所以是理想和小鹏，或许是因为这两家公司都有关于AI、机器人等领域的深度规划，可以更好地理解VLA大模型的优势。
VLA这三个字母，对应的分别是Vision、Language和Action，也就是视觉、语言和动作。
从字面意思上来理解其工作原理，就是机器先把摄像头、雷达等传感器拍摄到的信息，转化成可描述的语言文字，再根据生成的语言文字做理解推理，进而决策下一步要执行的动作。
相比传统的端到端架构，VLA大模型可以直接根据传感器信息，输出车辆转向、加减速动作。
而它和端到端最明显的区别，就是中间多了一道工序——将传感器信息转化成语言。
那么，为什么要多“语言”这一项工序呢？
其实是因为传统端到端架构目前存在一个短板，就是可解释性差，没办法知道它怎么想的，只能知道它最后做了什么。这也是业内人士称其为“黑匣子”的根本原因。
虽然端到端在大部分场景下，表现都比逻辑堆叠的传统智驾更果断、操作更拟人，可一旦遇到没见过的复杂场景，比如临时施工路段、异形障碍物等等，就有概率出现误判，做出错误的动作。
这时工程师们想要调试并纠正问题就比较麻烦了，不能通过直接改代码的方式解决，只能通过投喂大量正确的数据来进行修正。
可具体需要投喂多少数据才能让机器学会正确操作，是没法准确得知的，就像薛定谔的猫一样神秘。有可能机器的准确率能达到99.99……%，但永远都无法做到100%正确。
也就是说，对于端到端架构而言，很多时候出了问题只能“下药缓解”，做不到“彻底根除”。
恰恰因为端到端在某些极端场景下很难不出错，所以大部分厂家的做法，往往会再写入一套逻辑算法，对整个辅助驾驶系统做兜底。通过“拉红线”的方式，对端到端架构的行为举止进行约束，以免因判断失误导致交通事故。
但这样一来，又会影响端到端的能力上限。
要知道，现在之所以所有玩家都依旧卡在L2级辅助驾驶，抛开法律法规层面不谈，能力不足是一个很重要的原因。
即便是体验已经达到90分甚至95分的辅助驾驶，想要进一步跃升至L3、L4级自动驾驶，就必须攻克最后的5-10分。
可恰恰是这最后的5-10分，往往是最难攻克的，就和爬山越接近山顶、道路越险峻是一个道理。
VLA之所以会出现，就是为了寻求突破，解决端到端架构的那些疑难杂症的。
选择VLA技术路线的企业认为，端到端之所以会存在瓶颈，核心原因恰恰在于，端到端仅仅是在模仿人类开车。
有点类似于“一只训练有素的猴子在凭借经验开车”，而无法做到真正像人一样通过逻辑推理来思考——为什么要这么开车？
而VLA大模型在通过图像等传感器数据，转化成语言文字描述之后，就可以通过现在已有的，类似ChatGPT、DeepSeek之类的语言大模型进行像人一样的逻辑推理，进而推断出正确的抉择。
02. VLA大模型的利与弊
升级为VLA大模型之后，相比传统端到端架构大体上有3点改善：
第一点改善是，原本端到端架构可解释性差的问题有方法可以应对了。
当系统在一些复杂场景下，做出一些“反人类”操作时，工程师们就可以直接调取图像输出的描述文字，直接对描述文字进行动手修饰，来起到纠正错误的效果。
说白了就是，改错更方便了一些。
第二点改善是，系统交互能力有了明显的增强。
体验过理想汽车辅助驾驶的小伙伴，或许会发现它和其他车型的一大区别——
理想在开启辅助驾驶之后，会在车机上把摄像头拍摄到的场景展示出来，同时贴上一大段文字描述，来叙述车目前处于哪里、有什么障碍物、标识，系统经过判断具体打算怎么做之类的。
对此，有的人会认为看到了整个逻辑链，会让人更加安心，也有人会吐槽虽有炫技的嫌疑，但这确实是VLA大模型的一大典型特征。
除此之外还会发现，在升级VLA大模型之后，在开启辅助驾驶状态下，是可以通过语音呼唤车机的方式，控制车辆动作的。
而且下达指令可以类似“向左转”、“掉头”之类很明确的指令，也可以是“帮我开到停车场B区找个车位停”这种相对模糊的指令。
往长远去想，接下来很有可能可以通过语音对话的方式，改变辅助驾驶的抉择风格。
比如嫌它慢的时候，可以让它超车变道更果决、跟车更紧一些，如果行为太过于激进有些吓人，也可以让驾驶系统更收敛一些，就像跟司机在对话一样。
这或许也是为什么，理想会给自家VLA起名为“司机大模型”。
简单来说，就是更有“人机共驾”那味了。
第三点改善是，整套系统处理复杂场景的上限更高。
传统端到端以前从未见过的场景，或是异形障碍物，很有可能就会无法识别直接撞上去，要么即使识别到了，也可能做出许多匪夷所思的动作碰碰运气，要么就是系统处理这么复杂的问题，出现死循环导致系统Down机退出。
而VLA经过语言文字转化之后，系统可以真正根据路况进行思考判断，从而做出更加拟人的抉择。
越是复杂极端的长线程场景，越能体现出VLA类人思考的优势。
往更深层次去想，理想状态下VLA技术路线成熟之后，做出的抉择是有可能富有更多人性的。
打比方说，我给车辆下达指令，“我要在某家饭馆吃午饭，帮我就近找个停车位”。
如果是传统端到端架构，顶多可以实现找到离饭馆最近的一个停车位并把车泊入。
但VLA大模型经过思考之后，很有可能会在就近泊车的基础上，还会考虑一下怎么停才不会堵住饭馆门口，尽量不影响人家做生意。
由此可见，VLA大模型的上限是极高的，且不仅仅局限于车端应用。
或许理想、小鹏这类选择走VLA路线企业所追求的终极目标，是将AI塑造得无限接近“带自主意识的人工智能体”吧。
VLA大模型虽然上限很高，但短期内潜在弊端也比较明显。
首先VLA大模型在升级之后，在短期内很可能无法在体感上感受出它与传统端到端的差异。
原因是VLA大模型本身是建立在端到端架构的基础之上做的，所以VLA大模型的下限与端到端的下限会比较接近。
想要达到能明显有体感差异的程度，同样需要投喂大量的数据进行模型训练。
而加入语言文字逻辑判定后，相当于中间多了一道流程，会不可避免的使得整套系统变得更加复杂。
VLA大模型能发挥出多少实力，很大程度上取决于硬件算力的大小。
如果算力不够，即便遭遇了复杂场景，也很有可能无法完成语言大模型分析结果，影响接下来执行动作速度与流畅度。
这时，自研大算力芯片就变得格外重要了。
除了算力数值要高之外，芯片算力的利用率也很关键，得把芯片用得明白才行。
小鹏自研的图灵芯片已经装车，而理想自研的“M100”芯片在今年一季度已经样片回片，据说1颗算力能顶3颗英伟达Thor-U，有可能会在明年发布。
整体来说，想把LVA大模型玩明白，无论在软件上还是在硬件上，都需要比以往更大的技术支持和资金投入。
03. 写在最后
最后，给大家简单做个总结。
得益于语言大模型的接入，VLA大模型比端到端更容易纠错、更具人性、复杂场景上限更高。
理论来说，它的上限是有能力帮助车企从L2级辅助驾驶突破至L3、L4级自动驾驶的，并有机会在AI机器人等更前沿领域大展身手。
但换来的代价是，架构总体上会比端到端更复杂，更难驾驭。想要保证流畅、低延时运作，会更加吃算力，需要投入更大的资金与技术研发，这也是VLA受到行业争议的主要原因。
这里挖个坑，下一期我们将详细聊聊与VLA大模型完全不同的WA世界模型路线，二者究竟差异点在哪？到底谁的未来更有胜算？
如果大家感兴趣，欢迎在评论区留言~
点击一下👇不错过更多深度内容
VLA会赢得未来吗？