作者: 张亭豪
「话说天下大势,分久必合,合久必分」。
一年之前,除了蔚来死磕世界模型,各路智驾玩家合兵一路,都在冲刺端到端的落地。
而到了现在,在端到端的范式之下,智驾局面之分化堪比三国:
理想押宝 VLA,华为和蔚来站队世界模型,小鹏则要沿着第二代 VLA 直接走向 L4。
虽然不见明牌的刀光剑影,但桌面下的唇枪舌剑却实在不少。
理想智驾负责人郎咸朋说 VLA 是可以走向更高级别自动驾驶的,世界模型是为 VLA 服务的;
华为车 BU CEO 靳玉志说 VLA 取巧,并不是走向真正自动驾驶的路径;
小鹏新上任的智驾一号位刘先明则表示,第二代 VLA 才是当前智驾的最优解。

大家各执一词,都笃定自己才是正确的。
可智驾技术路线究竟 最终会 收敛在哪里,行业目前仍没有定论 。
虽然 谁是正确的 尚未可知 ,可它们之间到底有什么区别却是清晰的。
在 《大火的 VLA,为什么华为不用?》 这篇文章中,我们已经讨论了 VLA 和世界模型的不同。
那么来到本篇文章,我们再聊聊 VLA 和第二代 VLA,以及第二代 VLA 和世界模型之间的区别。
VL 还是 V+L?
首先需要明确的是,行业并没有明确地划分出第一代和第二代 VLA。
所谓第二代 VLA 其实是小鹏的一家之言。
VLA 大家应该不陌生了,指的就是视觉语言动作。
按照元戎启行 CEO 周光的说法,VLA 的核心能力指的思维链和长时序推理。
而 VLA 之所以具备思维链和长时序推理,其核心又在于 VLA 的 L,也就是语言。

VLA 能够将看到的视觉信息转化成自然人类语言,然后再结合车辆状态,做出对应的行动规划和决策。
理想 VLA 在运行时呈现的 CoT 推理卡片,就是视觉转化成自然语言的典型呈现。
这样一来,辅助驾驶的可解释性自然大大增强,驾驶者能知道 VLA 看到了什么、准备怎么做——思想整齐划一,信任感和安全感也就基本到位。
可从何小鹏的角度出发,VLA 的问题恰恰就在语言这里。
在何小鹏看来,VLA 需要从视觉到语言、从语言到动作这两个环节。
一方面,语言转化能力成了影响辅助驾驶能力的瓶颈;另一方面,两次转化过程中,信息损耗也很高。

所以何小鹏在小鹏科技日上说从第一性原理看,VLA「非常不好」。
既然 L 不好,小鹏第二代 VLA 索性就把 L 部分给砍掉,实现从视觉直接到动作。
如果把 L 完全砍掉,VLA 不就完全变成 VA 了,跟世界模型无二,怎么还能是 VLA?
实际上,按照小鹏自动驾驶中心负责人刘先明的说法,第二代 VLA 其实还是会有文字,只是文字会被 Token 化,变成物理语言。
与此同时,VLA 的「VL」是从视觉到语言,有一个先后的的转译过程。
第二代 VLA 中的「VL」则是加法关系,输入的是视觉加 Token 化语言,然后再到动作。

更浅显地说,有些像做算数题,刚开始算的时候,需要明确加减逻辑、背诵乘法口诀、掰手指头、写草稿纸。
而一旦熟练,往往看一眼就知道计算结果了。
逻辑还是在,只不过被内嵌到那一眼的感觉中去了。
VLA 和世界模型什么关系最好?
VLA 和世界模型最好的关系应该是什么?
理想在云端部署世界模型进行预训练,然后迭代车端的 VLA,所以郎咸朋认为世界模型是为 VLA 服务的。
世界模型吭哧吭哧练兵,VLA 就风风火火打仗。
蔚来在 NWM 有问必答第三期中说当蔚来世界模型打开语言输入时,它就包含了 VLA 视觉语言行动模型的特征。
也就是说在蔚来这里,世界模型其实就包含 VLA,只是自己想不想用的事,很像将军和小兵的关系。

华为车 BU CEO 靳玉志又说,华为不会走向 VLA 的路径,我们认为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,也就是 World Action,中间省掉 Language 这个环节。
华为在云端有 WE 世界引擎,在车端有 WA 世界行为模型,跟 VLA 就是相忘江湖的两条平行线。
到了小鹏这里,VLA 和世界模型又发生了新的关系。
何小鹏说第二代 VLA 既是 VLA 模型,又是世界模型,本质是理解——推演——生成,最终做出最佳决策。

翻译过来,在第二代 VLA 这里,VLA 和世界模型成了你中有我、我中有你的紧密协作关系。
相比于 VLA,世界模型最明显的变化就是外界给出一个刺激,就能是直接从视觉到动作。
就好像向上抛出一个苹果再伸手接过来,它就是一看到便就有动作的反应。
没有人会在那一瞬间根据苹果重量、地球加速度、空气阻力等外界因素,再计算出手的时间、速度、力度。
蔚来智驾负责人任少卿也曾说过,语言是低带宽的,只能描述有限信息,会对世界形成概念认知,却不能建立时空认知,也就是对物理规律的认知。
一辆搭载了 FSD V14.1.7 的特斯拉最近就遇上了一个典型的需要时空认知的场景。

前方车辆打滑甩尾,直接来了个原地掉头。
当前车刹车灯一亮,特斯拉就进行了减速动作,等汽车有明显的甩尾动作之后,特斯拉的减速力度已经不够,车主及时接管并猛踩刹车才最终避免了碰撞。
车辆如果要成功处理这样瞬息万变的危险场景,必须要对时间、空间的规律有所认知,才能做出类人的下意识反应。
VLA 缺乏对物理规律的认知,第二代 VLA 便通过世界模型将 VLA 的这块短板给补了上来。

刘先明在小鹏科技日 Workshop 中放的 PPT 显示,第二代 VLA 能够将视频+语言信息经过一定处理后输入到世界模型中,经过强化学习后输出到动作。
写在最后
到了这里,综合以上信息,我们可以列举一下 VLA、第二代 VLA、世界模型,这三者之间的区别了。

当然,最终是 VLA、第二代 VLA 还是世界模型最强,自然还是靠体验来说话。
透过 VLA、第二代 VLA 和世界模型之间的三国杀,其实也能看到智驾行业来到今天,已经进入了一个缺乏清晰共识的阶段。
智驾的终极答案到底是什么,目前谁也说不清楚。
也许条条大路通 L4,大家的坚持都能得到好的结果;也许之后又杀出来一个「司马家」,大家只好再推倒重来。



