引言：一个悬而未决的行业“斯芬克斯之谜”

在自动驾驶的世界里，一直横亘着一个古老的斯芬克斯之谜：要快，还是要准？

选择“准”的人，寄希望于VLA（视觉-语言-动作模型）——它像一位饱读交规的优等生，面对复杂路况，先在脑海中用语言逐字逐句推演：“左侧有车靠近，前方绿灯还剩3秒，右侧行人可能横穿……”然后做出决策。这个方案逻辑清晰，可解释性强，但有一个致命的软肋——慢。逐字推理的过程，每一步都在耗费宝贵的毫秒。

选择“快”的人，则拥抱了世界模型——它像一个凭直觉开车的老司机，在云端预演未来几秒的场景演变，然后迅速做出反应。它快，快得几乎不需要思考。但它的软肋同样明显：一旦遇到训练数据之外的“非常规”场景，比如交警打出一个不标准的手势，它就可能束手无策。

这两条路线，在2025年到2026年间，将整个自动驾驶行业撕裂为两大阵营。双方的领军人物各执一词，争论日趋白热化，甚至到了“血战”的前夜。行业一度陷入僵局：似乎选择VLA就放弃了速度，选择世界模型就放弃了认知推理——鱼与熊掌，不可兼得。

直到2026年5月13日，小米发布并开源了Xiaomi OneVL。

它用一个答案，同时回应了这两个问题。

这个被命名为“一步式潜空间语言视觉推理框架”的模型，在业内首次将VLA、世界模型和潜空间推理三大技术路线统一到同一框架中。更令人瞩目的是，它在精度上超越显式思维链方案，同时在速度上对齐了“仅答案”预测——推理延迟最低仅0.24秒，仅为传统VLA自回归推理的5.4%，为量产车端实时部署提供了可行路径。

它究竟是怎么做到的？

第一章：十字路口——两大路线的“傲慢与偏见”

1.1 两大流派的本质

要理解这场路线之争的激烈程度，首先要理解两条路线的根本差异。

VLA：爱“思考”的优等生。VLA是视觉（Vision）、语言（Language）、动作（Action）的缩写，它遵循着“看→想→做”的串行架构。车辆先通过摄像头感知环境，再将视觉信息转化为语言层面的语义理解，借助大语言模型进行逻辑推理，最后输出驾驶动作。这条路线的核心优势在于：它像人类一样“理解了再行动”。早在2023年，英国自动驾驶公司Wayve就推出了LINGO-2，这是全球首个在公共道路上测试的视觉语言动作模型，开创了“自然语言解释驾驶决策”的先河。此后，小鹏、理想、元戎启行等国内企业相继成为这条路线的主要拥趸。

世界模型：靠“直觉”的老司机。世界模型走的则是另一条完全不同的路。它的底层逻辑基于物理引擎的动态模拟，先在云端构建车辆周围的实时路况模型，再进行物理推演，最终下达行动决策——整个过程更像一台高精度运转的“交通模拟器”。华为车BU CEO靳玉志曾明确表态，VLA依赖语言大模型将互联网信息转化为认知的做法“看似取巧，其实并不是走向真正自动驾驶的路径”，华为更看重世界行为模型路线。Momenta CEO曹旭东也在北京车展期间公开表示，世界模型能够将互联网海量视频转化为驾驶知识，这是VLA架构所不具备的优势。华为、吉利、Momenta、蔚来等企业站队这条路线。

两条路线的差异可以概括为：VLA相信“理解是驾驶的前提”，世界模型则认为“预测才是关键”。一个追求逻辑推理，一个追求物理直觉——它们都在某种程度上“像人”，但模仿的是人类驾驶能力的不同侧面。

1.2 路线之争的白热化

2026年3月，在英伟达GTC大会上，这场路线之争公开激化。

吉利汽车集团CTO李传海在介绍其世界行为模型时，公开指出VLA的三大问题：第一，VLA只会背标准答案，却不能掌握真正规律，泛化性不够；第二，VLA依赖具体的汽车驾驶操作数据，不能像世界模型那样处理互联网海量视频；第三，VLA建构的是语言或符号与驾驶动作之间的关系，不能像世界模型那样对物理世界规律有深刻的认知。

Momenta CEO曹旭东也在同期表态，直言VLA只能是锦上添花，对于智驾的提升不会那么大，“世界模型+强化学习”才能给智驾带来十倍、百倍的提升。

华为车BU CEO靳玉志则在更早之前就亮明了立场：VLA的“云端大模型蒸馏成车端小模型”是取巧，幻觉在驾驶场景里致命。

更有戏剧性的是，前理想智驾研发负责人、至简动力CEO贾鹏也在GTC 2026上抛出一句重话：“很多VLA模型训练出来之后，泛化能力几乎为零”。而他随后公布的新方案，恰恰是将世界模型和VLA融合在一起的“大一统基座模型”——这一微妙转变，已经暗示了融合即将到来。

第二章：潜空间的曙光——Xiaomi OneVL的技术核爆

2.1 核心洞察：人开车时，心里会“默念”吗？

在深入解读OneVL之前，让我们问一个扎心的问题：当你开车时遇到突发状况紧急刹车，你心里想的是一句完整的话——“注意，前方有危险，我需要踩刹车”——还是一种说不清道不明的“瞬间直觉”？

答案是显而易见的。绝大多数驾驶决策，特别是应急反应，根本不经过语言中枢。它们发生在意识层面之下，是数以万计小时驾驶经验凝结而成的“肌肉记忆”和“直觉判断”。

传统的VLA方案，恰恰走错了方向——它要求AI在每次决策前都生成一段人类可读的推理文字。这相当于要求一个车手在过弯的同时，口头叙述每一个操作的理由。这不仅是时间的浪费，更是信息的损耗：将所有丰富的视觉和时空信息强制压缩为离散的文字，会不可避免地丢失大量细节。

OneVL的技术报告一针见血地指出了这个问题的本质：纯语言化的潜空间表征，压缩的只是对世界的“符号抽象”，而不是真正支配驾驶行为的“因果动态”。

2.2 OneVL的解题思路：用“直觉”替代“默念”

基于这一洞察，小米提出了一条全新的技术路线：潜空间思维链。

所谓“潜空间”，可以理解为大脑的“潜意识层”——一个高度抽象的、连续的特征世界。在这个世界里，信息不需要被翻译成语言就能被处理。而“潜空间思维链”，就是让推理过程在这个潜意识层中并行完成，而非在输出语言的“工作记忆”中串行进行。

更妙的是训练方式。OneVL在训练阶段引入了双重监督机制：

老师一（语言解码器）：负责重建文本思维链，确保潜空间里有“逻辑”——让模型具备可解释性。

老师二（视觉世界模型解码器）：负责预测未来帧的token，迫使潜空间内化道路几何、智能体运动和环境的因果动态变化规律。

到了推理阶段，两个辅助解码器全部丢弃，潜空间token通过单次并行填充就能完成全部推理——与“仅输出答案”的速度完全相同，却能保持超越显式思维链的推理质量。

OneVL提出的三项关键技术可以用一句话概括：让模型用自己的“内部语言”思考、让它学会预测未来画面、并把整个推理过程压缩到一步完成。正如小米在技术解读中所说的：“自动驾驶要压缩的，不只是语言推理，而是对未来世界变化的理解。驾驶决策真正依赖的，并不只是‘前方有车’‘道路变窄’这样的语义描述，而是车辆运动、道路几何、障碍物演变等时空因果信息。”

这个视觉世界模型解码器的作用，不是锦上添花，而是让OneVL首次超越显式CoT的根本原因。消融实验的结果表明，压缩物理世界的动态信息能显著提升性能。潜空间不再只是压缩语言符号，而是真正学到了物理世界的因果动态。

2.3 用数据说话：速度与精度的双重胜利

OneVL的性能数据，有力地支撑了这个技术判断。

速度方面：推理延迟最低仅0.24秒，仅为传统VLA自回归推理的5.4%。作为参考，人类从看到突发状况到踩下刹车的平均反应时间约为0.3-0.5秒——OneVL比人类快了一倍。

精度方面：在涵盖感知、推理与规划的多个主流基准上，OneVL全面刷新了潜在推理方法的性能上限。在ROADWork、Impromptu、Alpamayo-R1三项基准上均达到SOTA；在NAVSIM测试中，PDM-score达到88.84，超越了显式CoT方案。这是行业首次有潜空间推理方案在精度上超越显式思维链。

可解释性方面：OneVL能为模型决策提供语言和视觉双维度的可解释性——既能用文字说明“为什么这样开”，也能用预测画面展示“接下来会发生什么”。这意味着OneVL在安全审核和用户信任层面都具有重要价值。

2.4 冷靜審視：潛空間推理的挑戰與邊界

然而，在充分肯定OneVL技术突破的同时，也需要保持冷靜的审视。

其一，潜空间推理的可解释性上限。虽然OneVL保留了语言解码器作为可解释性监督，但推理本身在潜空间中完成。当遇到从未见过的极端场景（如前所未见的交通事故形态）时，潜空间是否能稳定泛化？前理想智驾研发负责人贾鹏在GTC 2026上的警示——“很多VLA模型训练出来之后，泛化能力几乎为零”——这条批评对任何新模型同样适用。

其二，开源的长期可持续性。将核心模型开源意味着放弃直接的模型授权收入。小米如何从开源中获取商业回报？谷歌开源安卓、Meta开源Llama的历史表明，可能的路径是通过“开源吸引生态→生态反哺服务与硬件”。但这一路径在智驾领域尚无可验证的成功先例。小米可能需要依托“人车家”全场景生态来构建变现闭环。

其三，OneVL是“统一”还是“融合的第一步”？有技术社区观点认为，OneVL目前主要解决了推理阶段的统一，但在训练阶段，VLA与世界模型仍需分工协作。真正的“大一统”可能需要更大的模型规模和更底层的数据架构革新。技术演进的路径远比单次发布更长。

第三章：上帝的骰子——路线之争何以被“融合”终结？

3.1 理论辨析：V、L、A缺一不可

事实上，OneVL的出现并非偶然，而是行业技术演进逻辑的必然产物。

一个根本性的理论问题，早就在技术社区中被反复讨论：只要机器人需要在物理世界中执行任务，V（视觉感知）、L（语言推理）、A（动作执行）这三个要素就永远存在。世界模型并没有替代L和A的功能——它本质上是VLA框架的增强组件，而非独立替代方案。真正的创新方向，应该是将世界模型的预测能力深度融入VLA内部，实现感知-预测-执行的一体化。

来自资本市场的研判也为融合路径提供了有力背书。2026年4月，华金证券发布智能驾驶专题报告，明确指出：在经历2025年端到端大模型上车后，高阶智驾算法逐渐衍生出VLA和世界模型两条路线，两者高度互补，未来有望深度融合，共同助力智驾能力提升。摩根士丹利也在2026年3月发布研报，对小鹏第二代VLA技术路线给出积极评价，认为其正具备与特斯拉正面竞争的能力。这些来自独立第三方机构的判断，比企业自身的表态更具说服力。

3.2 从对立到统一：行业的集体转向

行业的共识转向，有一个关键的转折点。

2025年底，特斯拉推送FSD V14，将xAI的Grok大模型能力整合进导航和决策系统。V14版本的模型参数量比上一代提高了10倍，导航与路径规划功能全面整合至神经网络。这不是让座舱变得能聊天——而是让FSD的决策系统多了一层语言理解能力。这一举动，让国内智驾公司第一次直观地看到：大模型能力不是“VLA”和“世界模型”之间的二选一，两者都可以做，而且可以一起做。

此后，行业迅速形成了一套广泛接受的共识：视觉语言大模型做“大脑”负责认知推理，端到端小模型做“小脑”负责快速执行。

从各家头部玩家的动作中可以清晰地看到这一趋势：

理想汽车早在2025年就将空间理解、语言理解与行动决策统一到同一框架，构建了基于VLA、世界模型与强化学习的VLA司机大模型。2026年GTC上，理想进一步发布MindVLA-o1，引入预测式隐世界模型——一个被极度压缩的世界模型，在隐空间中高效模拟未来数秒场景演化，实现时空联合建模。该模型采用VLA-MoE架构，包含“动作专家”模块，将感知、思考、行动与进化整合为完整闭环。

华为虽然公开立场一直坚持世界模型路线、反对VLA，靳玉志在2026年4月ADS 5发布会上仍然明确选择世界模型路径、强调“反对VLA架构”，但其与上海交通大学合作的一项研究成果却耐人寻味：一个统一VLA和世界模型的框架，2B模型规模，在ADS 5即将上线之际尝试将两者融合。这种“台面上反对、实验室里融合”的双轨策略，恰恰说明融合已是大势所趋。

小鹏汽车自2025年8月随X9车型交付第二代VLA以来，已积累了大量真实路测数据。极端场景接管率下降62%，二代VLA被称为“智驾新标杆”。

元戎启行在2026年北京车展期间宣布全面转向统一基座大模型架构。其首席科学家阮翀（前DeepSeek多模态技术核心研究员）介绍，公司正从多个小模型转向一个40B参数规模的统一基座大模型，将驾驶决策、场景理解与行为评估统一在同一架构中，数据闭环迭代周期从过去的约5天缩短至约12小时。

就连一直坚称“VLA是取巧方案”的华为，也在ADS 5即将上线之际，尝试把VLA和世界模型融合了——这条路线与很多玩家不谋而合。

黑芝麻智能CEO单记章更是公开判断：VLA加上世界模型，是高阶智能驾驶未来最有可能的技术路线。

3.3 OneVL的历史坐标：融合的终极形态

在这一行业共识转向的背景下，OneVL的历史意义就变得非常清晰了。

行业目前存在着两种融合路径：理想代表的是“显式融合”——将VLA、世界模型、强化学习作为不同模块拼接在一起；而OneVL实现的是“隐式统一”——在一个模型架构的内部，通过视觉世界模型解码器将预测能力内化到VLA的推理空间中。

这种统一，比显式融合更彻底、更优雅。它不是拼凑，而是化学反应。正如小米技术团队的自我定位：OneVL进一步验证了XLA架构方向的技术潜力——“真正面向现实世界的辅助驾驶，不只要看见当下，更要理解因果、预判未来，并在有限时间内完成高质量决策”。

第四章：开源阳谋——小米的AI野心与行业新范式

4.1 不止于车：小米的AI全栈蓝图

如果说OneVL的技术突破是小米的“手”，那么开源的决策则是其“棋局”的关键一步。

雷军在官宣中明确表态：“欢迎全球开发者、研究人员一起参与，探索自动驾驶大模型的更多可能性。”这不是一次孤立事件。就在OneVL发布前的2026年4月，小米已在投资者日上宣布了一系列AI战略布局：未来三年AI投入超过600亿元（仅为保底数字），并规划2026-2030年整体研发投入超2000亿元。

小米集团副总裁屈恒表示，小米拥有AI时代的全栈能力：基建层、数据层、模型层、框架层和生态层。此前，小米已宣布MiMo v2.5即将开源，几乎适配国内所有芯片。小米智驾的XLA本身也使用了开源跨域具身基座模型Xiaomi MiMo-Embodied。OneVL则是其在自动驾驶垂直领域的开源旗舰项目。从基座模型到垂直领域模型，这种系统性开源策略在车企中极为罕见。

4.2 开源的深层逻辑

在国内车企中，愿意把核心智驾模型开源的本就极少。OneVL的开源，背后有着清晰的战略考量。

生态卡位：在行业标准尚未统一的窗口期，开源能够推动自身技术框架成为事实标准。开源意味着将模型暴露在全球开发者的审视和优化之下，在真实场景和多元反馈中迭代，远比闭门造车高效。

人才磁场：顶级AI人才更愿意加入一个技术栈领先且保持开放的公司。开源本身就是最有力的人才招募令。

后来者的破局之道：小米选择开源，还有一个不容忽视的战略背景。截至OneVL发布时，小米SU7交付量尚在爬坡期，与华为ADS系统已搭载于问界、阿维塔、深蓝等多品牌车型的规模相比，自有智驾车队的数据飞轮尚未成型。开源能够吸引更多开发者参与，弥补自研生态的规模劣势。这本质上是“后来者以开放换生态”的经典打法。

4.3 开源与闭源：一场新的路线博弈

如果说VLA与世界模型之争是算法的路线分歧，那么开源与闭源的分岔路，则是商业模式的深层对决。

放眼全球自动驾驶赛道，核心模型的开闭源策略泾渭分明。特斯拉至今未开源FSD的核心模型权重，仅开放部分推理API，以垂直整合的封闭生态构筑护城河。华为WEWA架构的核心模型同样未开源，ADS系统通过与车企的“智选车模式”深度绑定，以技术优势换取市场份额。小鹏第二代VLA虽已随X9交付并积累了大量真实路测数据，核心模型权重同样未对外开源。理想MindVLA-o1在GTC 2026上公布了技术架构，但尚未宣布开源计划。

小米却选择了截然不同的道路——全面开源模型权重、训练及推理代码。这种策略与当年安卓以开放策略对抗苹果封闭生态有高度相似性：通过降低准入门槛，快速扩大生态版图；通过吸引开发者群体，形成技术迭代的规模优势。当然，这条路也伴随着风险——参考谷歌开源安卓、Meta开源Llama的模式，小米可能需要依托“人车家”全场景生态来构建变现闭环，而这一路径在智驾领域尚无可验证的成功先例。

4.4 “卖铲子”的DeepSeek与“递枪”的小米

如果说DeepSeek和小米都在深刻影响自动驾驶行业，那么两者的角色可以用一个比喻来区分：DeepSeek是“卖铲子”的底层赋能者，小米则是“递枪”的垂直突破者。

DeepSeek在过去数月通过技术接入悄然布局，比亚迪的整车智能“璇玑架构”已全面引入DeepSeek R1大模型，吉利、东风、智己、长安、零跑等十余家车企也先后接入。特斯拉中国更是选择了豆包+DeepSeek组合方案“上车”。业内专家指出，DeepSeek的本质是“算力平权”，让中小车企也能以低成本接入顶尖AI能力，打破技术垄断壁垒。

DeepSeek降低的是“造模型的成本”，让更多车企有能力训练自己的智驾模型。而小米OneVL直接给出了一个已训练好、精度极高、且全面开源的VLA模型——这相当于直接递出了一把上膛的枪。两者共同降低了高阶智驾的准入门槛。对处在犹豫期的中型车企而言，它们现在可以直接基于小米开源的融合模型进行二次开发，而不必从零开始探索VLA和世界模型的融合之路。

智驾平权的时代，正在加速到来。

结语：智驾的“顿悟时刻”

Xiaomi OneVL的意义，不只是一款性能更强的模型。

它用一次漂亮的工程实践，回答了一个悬而未决的行业之问：VLA和世界模型，真的只能二选一吗？答案是否定的。不是模拟人类的语言思维，而是复现人类基于物理直觉的潜意识——这才是通向通用智驾的更优路径。

从更宏观的视角看，OneVL发布的时间点本身就是一个隐喻。就在它问世的前一天，一份深度技术辨析报告还在指出：真正的创新方向是将世界模型深度融入VLA内部，实现感知-预测-执行一体化。而OneVL，恰恰就是沿着这条路实现了突破。

真正的革命，往往不是告诉我们一个已知答案的对错，而是直接改变我们提出问题的维度。当行业还在为VLA和世界模型争吵时，小米用一个开源的“潜空间”方案，把问题直接带到了下一个时代。更值得注意的是，就连此前公开反对VLA路线的华为，也在实验室中探索VLA与世界模型的融合——这从一个侧面印证了融合方向的时代必然性。

当然，我们也需要保持一份清醒。潜空间推理的泛化边界在哪里？开源策略在智驾领域能否走通商业闭环？从推理阶段的统一到训练阶段的真正大一统，还有多长的路要走？这些问题的答案，不会由一次模型发布来全部揭晓。技术演进的路径，永远比单次发布更长。

自动驾驶的竞赛，从此不再是“脑”与“眼”的分工之争，而是谁的“直觉”更准、更快——以及，谁能在开放与封闭的博弈中，率先找到可持续的答案。

Xiaomi OneVL的代码已全面开源，模型权重与训练、推理代码均托管于GitHub，技术报告也已上传至arXiv。正如小米官方所言：“我们希望通过开源的力量，和全球开发者一起，推动自动驾驶模型走向可用、可信、可扩展的未来。”

这或许才是一个新技术时代，真正值得期待的开场。