自動駕駛技術競爭升級，VLA之后是什么。
2026年，自動駕駛行業的內卷邏輯，正在發生第三次重構。
短短數年間，行業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，VLA解決了傳統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，而翻譯就會導致誤差，反應也更慢。
行業競爭的殘酷性在于“剛追上主流，就迎來新迭代”。當一部分廠商還在打磨VLA量產落地、優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，只是從輔助駕駛走向全自動駕駛的過渡技術。真正的下半場競爭，早已瞄準VLA之后的下一代技術范式。
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范式的迭代邏輯，每一次迭代，都是對前一代技術短板的徹底顛覆。
第一代是規則驅動時代，也是最原始的自動駕駛形態。早期自動駕駛完全依托工程師手寫百萬行級C++代碼，通過預設固定規則應對各類路況。系統的核心邏輯是“匹配規則、機械執行”，優點是穩定可控、可解釋性強，缺點是極度僵化。面對未預設的突發場景、異形路況、混行交通，系統會直接決策失效，無法適配復雜真實路況，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。行業徹底拋棄模塊化拆分與人工規則堆砌，搭建“像素輸入、動作輸出”的全神經網絡架構，通過海量真實路況數據訓練，讓AI自主學習行駛決策。這一代技術解決了傳統規則算法僵化、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“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的主流形態。VLA在端到端視覺架構的基礎上，加入自然語言推理能力，構建起“視覺感知世界、語言理解邏輯、動作輸出決策”的完整閉環。不同于純視覺端到端模型的“直覺式決策”，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，完美適配城市復雜路口、人車混行、臨時施工等高頻復雜場景，讓高階無圖智駕真正具備量產實用性。
VLA本質上是一種端到端的智能系統，通過統一的神經網絡將多模態感知與高層邏輯推理、底層動作執行融為一體。其核心價值是將原本相互獨立的感知模塊（看）、邏輯模塊（想）與執行模塊（做）在同一個語義空間內完成了對齊。與傳統的自動駕駛系統相比，VLA不僅能夠識別環境中的像素點或幾何結構，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）骨干網絡以及動作解碼器三個核心組件構成。視覺編碼器將攝像頭采集的多視角圖像轉化為高維的特征向量，這些向量包含了環境的空間布局與物體特征；LLM骨干網絡則作為決策中心，利用預訓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果轉化為如轉向角度、加減速數值等具體的物理動作。
這種一體化的映射方式使得系統能夠以一種更接近人類認知的方式來處理駕駛任務。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”）直接產生避讓動作。VLA模型通過共享的Transformer架構，對語言、視覺和動作模態進行協同編碼，構建了統一的語義空間，實現了從感知理解到動作決策的無縫銜接。
經過三年迭代，VLA已經徹底改寫行業格局，抹平了中小廠商的算法差距。如今主流車企的VLA，在常規城市道路、高速路況的表現已經趨于同質化，日常通行平順度、場景覆蓋率差距極小。同質化內卷的背后，意味著VLA的技術紅利已經見頂，行業亟需新的技術突破點。
看似完美封神，VLA四大瓶頸已現
目前輿論普遍將VLA視為自動駕駛的最優解，但在一線技術團隊與行業專家眼中，VLA從誕生之初就自帶結構性缺陷，這些短板無法通過模型微調、數據增量、算力升級徹底解決，也是其注定只能成為過渡技術的核心原因。
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、多車交互的連續時序邏輯預判不足。面對鬼探頭、近距離穿插、車流突發變道等高速動態場景，以及車輛在具體空間里的運動，VLA缺乏靈敏感知能力，經常出現決策滯后、預判失誤，無法實現人類司機的“提前預判、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，模型參數量龐大，推理計算量遠超傳統端到端算法。車載電控系統要求決策響應速度達到100Hz，而通用VLA語言推理速度普遍不足10Hz，巨大的算力差導致模型必須大幅精簡才能上車。即便部分廠商通過優化推理鏈路，將時延壓縮至80毫秒以內，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的學習邏輯依托海量數據擬合，而非真正理解物理規律。它可以通過訓練學會避讓常規障礙物，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，數據無法完全覆蓋，VLA極易出現決策失誤，而自動駕駛的安全底線，恰恰由這些長尾極端場景決定。
最后是跨模態對齊偏差，決策穩定性不足。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會出現語義理解與實際路況脫節的問題，出現“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，這也是行業必須突破VLA、探索下一代技術的核心動因。
下一代自動駕駛核心技術方向
站在2026年的技術節點，頭部廠商朝著跳出VLA的模態融合思維，轉向物理世界智能建模的方向發展。VLA的核心是看懂、讀懂、動作，而下一代自動駕駛技術，核心是懂規律、會推演、能預判，目前行業已明確四大主流迭代方向。
其一，多模態物理世界模型，成為下一代技術核心底座。世界模型是徹底解決VLA物理常識缺失的最優解，也是特斯拉、華為重點攻堅的核心方向。不同于VLA依托數據擬合場景，世界模型會自主學習現實世界的物理規則、交通規律、運動邏輯，構建完整的虛擬路況世界。面對從未見過的長尾場景，無需海量數據訓練，就能依托物理常識自主推演最優決策，真正實現“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難題，是全自動駕駛落地的核心基礎。
其二，時序具身智能架構，補齊動態決策短板。針對VLA時序推理薄弱的缺陷，下一代技術將徹底強化連續場景建模能力，摒棄單幀靜態推理模式，搭建時序記憶與動態推演體系。系統可以實時記錄過往路況信息、預判未來3-5秒車流與人流動態變化，實現“過去-現在-未來”的全時序鏈路決策，貼合人類司機的駕駛思維，徹底解決高速動態避險、復雜車流交互、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，存在安全監管隱患，也難以滿足自動駕駛合規落地要求。下一代神經符號融合技術，將AI深度學習的直覺優勢與符號邏輯的規則優勢結合，AI負責實時場景感知與快速決策，符號邏輯負責交通規則、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要求。
其四，輕量化通用自動駕駛基座，實現普惠量產。VLA算力成本過高的問題，極大限制了高階自動駕駛的普及。下一代技術將依托模型蒸餾、算子優化、邊緣計算重構，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，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，推動全自動駕駛全面下沉至中端量產車型。
新一輪技術差距正在拉開
技術迭代的窗口期永遠短暫，目前國內外頭部廠商已經開啟下一代技術競速，提前布局VLA之后的技術賽道，新一輪行業排位賽已然開啟。
特斯拉作為行業技術風向標，正在推進端到端時序神經網絡融合神經世界模擬器，核心推理仍以端到端為主、云端閉環仿真為輔。‌‌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+物理仿真訓練”路線。
FSD采用“‌多模態（攝像頭+IMU+導航+音頻）輸入 → 時序Transformer/占用網絡 → 直接輸出控制信號”‌的‌一段式端到端架構‌，并非傳統“感知-規劃-控制”級聯，該結構具備時序建模能力，可視為“端到端時序網絡”。神經世界模擬器（Neural World Simulator）則‌用于‌云端生成未來狀態‌（給定當前狀態+動作 → 預測下一幀場景），支撐‌閉環訓練、長尾場景合成與強化學習。
華為于4月推出WEWA 2.0架構，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習，該機制使模型能與環境實時交互，實現“邊生成、邊學習、邊驗證”的工作方式。在車端，架構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模塊支持系統自行優化策略以完成出行任務 ，能夠提升在復雜場景下的應對能力與防御性駕駛能力。
小鵬、理想則聚焦量產落地優化，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，徹底拋棄顯式語言轉譯，讓視覺信號直接生成連續的駕駛動作，極致壓縮推理時延，同時布局虛實結合數據閉環，通過虛擬場景訓練補足長尾場景短板。理想推出Mind VLA-01全新架構，針對性解決VLA三維空間對齊偏差問題，強化異形路況、復雜地庫場景的適配能力，同時推進模型輕量化，主打極致量產性價比。
小米汽車于3月發布XLA認知大模型，在模態支持、效率與可控性方面有所側重，其名稱中的“X”意指原生支持多模態數據輸入，可融合激光雷達、視覺、導航、聲音及機器人數據等。XLA采用潛空間推理技術，旨在兼顧系統低時延與推理能力，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，融合了VLA和世界模型架構，實現了從數據驅動到認知驅動的升級，并因其原生支持更豐富的多模態數據輸入而命名為XLA而非VLA。
自動駕駛企業陣營方面，小馬智行PonyWorld 2.0、文遠知行通用仿真模型WeRide GENESIS、蘑菇車聯物理世界多模態大模型MogoMind均屬于世界模型范疇。世界模型本質上是一套“理解物理世界、在虛擬環境里與世界博弈”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字化建模和抽象；二是基于這樣的建模，產生對物理世界合理的想象和預測，例如通過給定的圖片預測未來世界將會如何變化。
基于世界模型，自動駕駛企業在進行云端仿真訓練時，可以無限制從各個維度生成所需場景，能夠根據指令生成視頻作為訓練數據，模型迭代速度呈現斷代式領先。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應用，比如復雜機器人控制、自動化物流系統等。
整體來看，行業格局已經清晰：二線廠商還在全力落地VLA、追趕主流；一線頭部廠商已經完成VLA技術吃透，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的落地速度決定。
VLA之后，自動駕駛迎來全民普惠時代
從規則算法到端到端，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作為關鍵過渡技術，承載了自動駕駛從“機械輔助”到“類人智能”的跨越，但其結構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展，自動駕駛將迎來三大顛覆性變化：
第一，安全兜底能力質變，解決長尾極端場景失效問題，真正實現全天候、全場景可靠行駛，消除自動駕駛核心安全隱患。
第二，徹底擺脫數據依賴，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，實現全民普惠。
與此同時，行業競爭將徹底告別“參數內卷、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的企業，才有可能拿到通往下一站的船票。
任何技術賽道，都沒有永恒的技術紅利，只有持續的底層革新。VLA的普及，讓行業擺脫了低級的硬件、規則內卷，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、懂規則、能預判的車載智能體。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。
原文標題 : 自動駕駛技術競爭升級，VLA之后是什么？
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
