一、概述
CES 2026标志着汽车行业的重大转折点，汽车不再仅被视为交通工具，而是AI的物理载体。自动驾驶技术从"愿景"走向"实用"，AI、VLA模型（视觉-语言-动作）和"舱驾一体"成为本届展会的核心关键词。
本人对AI的VLA模型比较感兴趣，今天就来详细的聊一聊。
二、VLA模型介绍
先来说下，VLA模型是什么？
VLA模型（视觉-语言-动作）：Vision 视觉、Language 语言、Action 动作
- Vision 视觉：在汽车行业中视觉即感知，指的是摄像头、激光雷达、毫米波雷达等通过视觉传感器获取的信息，如车辆、行人、交通标志
- Language 语言：指的是对感知物的理解、对人类指令的理解 比如：对指令"打开座椅加热器"
- Action 动作
传统架构与VLA架构对比
传统架构
┌─────────────────────────────────────────────────────┐
│ 传统架构 │
├─────────────────────────────────────────────────────┤
│ │
│ [感知域控] [决策域控] [执行域控] [座舱域控] │
│ ↓ ↓ ↓ ↓ │
│ 目标检测 路径规划 运动控制 语音交互 │
│ ↓ ↓ ↓ ↓ │
│ 标注数据 规则引擎 PID控制 独立处理 │
│ │
│ 问题： │
│ • 数据在域之间传递，信息损耗大 │
│ • 每个域独立训练，整体不协同 │
│ • 需要人工定义接口协议 │
│ • 算力分散，利用率低 │
└─────────────────────────────────────────────────────┘
类比：就像一个公司有多个部门（感知部、规划部、执行部），每个部门用不同的语言工作，靠开会（数据传递）协调，效率低且容易出错。
VLA模型：中央大脑架构
┌─────────────────────────────────────────────────────┐
│ VLA 统一大脑 │
├─────────────────────────────────────────────────────┤
│ │
│ [中央计算平台 - 单一神经网络] │
│ ↓ │
│ ┌─────────────────────────┐ │
│ │ VLA Transformer │ │
│ │ (100亿参数统一模型) │ │
│ └─────────────────────────┘ │
│ ↓ ↓ ↓ │
│ 视觉理解 语言理解 动作输出 │
│ (感知) (决策) (控制) │
│ │
│ 优势： │
│ • 端到端学习，无信息损耗 │
│ • 统一优化目标（如"安全到达"） │
│ • 自动学习最优策略 │
│ • 算力集中，GPU利用率高 │
└─────────────────────────────────────────────────────┘
类比：就像一个人的大脑，眼睛看到（视觉）、理解情况（语言）、控制手脚（动作）是同一个大脑在处理，无缝协同。
三、VLA模型在自动驾驶领域的应用
Alpamayo 开源AI平台
Alpamayo R1：全球首个开源的推理VLA（视觉-语言-动作）模型
搭载车型信息
车型：2025款梅赛德斯-奔驰 CLA（全新一代）
自动驾驶等级：L2++ - 高级辅助驾驶（需要驾驶员监控）
上市时间
核心技术配置
硬件：
- 芯片：NVIDIA DRIVE AGX Orin（254 TOPS 算力）
- 传感器：10个摄像头 + 5个毫米波雷达 + 12个超声波
- 无激光雷达
软件：
功能：
四、个人理解
未来的趋势是舱驾融合向中央大脑演进的趋势。对用户来说，VLA的应用对于提升用户体验感和使用效率至关重要。
典型应用也能在本次展会中安波福的数字创新技术看出：
DMS系统做人脸识别，中央计算平台根据识别内容自动同步用户档案，自动调节车辆生态系统的偏好设置，比如：
文章整理于2026年1月
