自动驾驶『路线之争』,VLA和世界大模型,谁才是未来?

上一篇用最通俗的话讲懂，『自动驾驶』目前发展到哪了，我们了解到，以小鹏VLA 2.0为代表的下一代自动驾驶，正在从会开车进化到理解世界。

有朋友私信问我：小鹏不是主打VLA吗，怎么又说是世界模型，两者是什么关系？

确实，行业内关于VLA和世界模型（World Model）的路线之争愈演愈烈，甚至被外界当成非此即彼的对立关系，到底谁才是终局？

做VLA，是不是就不做世界模型？押注世界模型的，是不是在否定VLA？

今天这篇，就把这件事彻底讲透。

先说核心结论：

VLA和世界模型，不是二选一，而是同一套智能系统的左手与右手，二者缺一不可。

1丨行业大会上的“口水战”

如果你关注自动驾驶的技术动态，会发现今年3月英伟达GTC大会上，智驾圈技术路线的讨论热度极高。

小鹏宣布：“我们的VLA端到端大模型已经量产上车。”——小鹏在2026年3月正式推送第二代VLA，取消语言转译环节，实现视觉到动作的端到端直连，是全球率先落地量产的物理世界大模型方案。

华为直言：“真正的未来是世界模型，能预测未来才能自动驾驶。”——华为车BU CEO靳玉志公开评价VLA偏向工程捷径，认为自家的WEWA架构（World Engine + World Action），才更贴近终极自动驾驶模式。

蔚来笑而不语：在2026年1月推送了NWM 2.0世界模型，搭载自研5nm神玑芯片，可在毫秒级完成上百种场景并行推演，要把世界模型做到车端闭环。

理想大声喊道：“听我讲完！我两个都要。”——理想在2026年GTC大会上发布了MindVLA-o1，对外主打VLA架构，同时内置预测式隐世界模型，在隐空间推演未来数秒场景演化。李想直言，这套架构正在向通用物理世界智能体演化。

听起来，像极了两条技术路线在争夺终局门票。

但真相是，这两套话语体系，从一开始就不是在同一个维度上说话。

几家大厂，本质都在解决同一件事：

如何让AI像人一样理解并驾驶车辆，只是切入角度不同。

就像有人从导演视角聊电影调度，有人从摄影棚搭建聊拍摄。听起来是两个话题，但拍的是同一部电影。

2丨通俗拆解：二者到底是什么关系

任何能自主行动的智能体，都必须包含两大核心模块：

• Agent（智能体）=司机的大脑，负责看路、思考、打方向、踩刹车，核心是当下该做什么决策。

• Environment Model（环境模型）=司机脑子里的路况模拟器，负责预判：前面那辆车3秒后会不会变道？超车时盲区会不会窜出电瓶车？核心是推演周边环境接下来会发生什么。

小鹏的VLA：成熟的Agent智能体

小鹏的VLA，本质就是Agent的成熟量产方案。

它解决的是：怎么看（Vision）、怎么理解指令（Language）、怎么执行（Action）。

2026年3月推送的VLA 2.0，最大的升级就取消传统V‑L‑A架构的语言转译，实现视觉信号直连动作指令，何小鹏直播实测可应对广州早高峰这种地狱级路况。

但小鹏的VLA有没有世界模型的能力？

肯定有的，只是它不叫这个名字——

第二代VLA宣称具备物理世界理解能力，本质上就是在做轻量级的环境推演，只是被整合进了端到端模型里面。

华为的WEWA：极致的环境世界模型

华为的WEWA架构，是Environment Model的工程化极致形态。

华为乾崑ADS 4.1的架构分两层：

• 云端世界引擎（World Engine）：通过海量仿真与实车数据训练世界模型，生成极端场景，实现AI训练AI。

• 车端世界行为模型（World Action）：感知直连控制，跳过语言解析，减少信息损耗。

华为的思路很明确：云端先 “沙盘推演” 无数交通场景，再把能力OTA到车端，让车辆基于物理理解直接行动。

但华为的WEWA有没有Agent的能力？

当然也有。

车端的World Action，本身就是Agent决策执行模块，可以理解为从叙事上弱化了。

理想MindVLA-o1：明确的融合路线

理想的技术迭代速度很快：2024年端到端+VLM双系统→2025年VLA司机大模型→2026年MindVLA-o1。

MindVLA-o1最聪明的地方在于：不站队，直接融合。

引入了预测式隐世界模型，不像华为那样在云端用高清图像推演，而是把感知数据压缩成抽象向量，在隐空间里预判路况，类似人脑的直觉画面——不是高清视频，而是对路况的直觉预判。

再通过Unified Action Generation模块，用VLA‑MoE混合专家模型输出稳定轨迹。

所以你看，理想嘴上说的是VLA，身体却很诚实地把世界模型融入了进去。

蔚来NWM 2.0：车端闭环的世界模型

蔚来在2026年1月推送的NWM 2.0，从生成‑筛选，升级为直接输出最优解。

1.0时代，模型生成多条轨迹再人工筛选，容易出现 “小路战神、大路拉胯”。

2.0引入世界模型 + 闭环强化学习，训练阶段完成沙盘推演，配合自研神玑芯片，毫秒级完成多场景并行推演，车端直接输出唯一最优轨迹。

同时横纵向控制全权由模型一体化输出，Agent能力完全闭环。

所以VLA和世界模型，二者不是对立，而是互补闭环：

VLA智能体（司机大脑）负责决策输出动作→世界模型（路况模拟器）推演这个动作带来的后果→更新环境状态→反馈给VLA做下一轮决策，循环往复。

• 没有世界模型的VLA：只是模仿动作的高级复读机，不懂预判，极端场景易失效。

• 没有VLA的世界模型：只会推演无法执行，只是云端的纸上谈兵。

3丨为什么会误以为它们对立？根源是“命名通胀”

明明技术上是一体两面，为何行业炒作成路线之争？

原因可以总结为四个字：命名通胀。

同一套技术能力，不同厂商用不同概念宣传：

• 做端到端量产的，叫它VLA（小鹏、理想）

• 做学术研究推演，叫它World Model（华为、蔚来）

• 做工程强化学习，叫它End-to-End++（Momenta）

• 做泛化具身智能，叫它 Foundation Driving Model（小米）

技术讨论，逐渐被标签之争替代。

大家不再讨论“你的系统有没有决策模块、有没有环境推演模块”，而是争论“你站VLA还是站世界模型”。

然后今年3月的英伟达GTC大会，把这种标签化推向了高潮：

Momenta曹旭东称VLA提升有限，世界模型+强化学习才是未来；

吉利发布WAM世界行为模型，并指出VLA三大局限；

华为靳玉志认为 VLA 偏向工程取巧，世界模型才是长期方向。

然而被讨论的VLA阵营，其实全都在默默增强世界模型能力。

比如理想的隐世界模型、小鹏的物理世界理解，本质上都是在提高推演的能力。

不得不说，自动驾驶赛道太卷了。

资本市场和消费者都喜欢听故事，必须造出“A路线比B路线更先进”的冲突感，才能拿到融资和高估值。

车企必须让自己看起来是“唯一正确的答案”，才能让消费者在买车时多被看一眼。

再加上人才、芯片算力、数据资源都在抢，拉踩对手技术路线，也是行业竞争的一部分。

所以这场路线之争，技术层面是一体两面，商业层面却是一场精心设计的叙事战争。

4丨真正的技术终局，长什么样？

如果把所有营销噪音和概念泡沫去掉，自动驾驶的终局架构其实非常清晰：

多模态感知（看）→Agent Model / VLA（理解 + 决策）→Action（执行动作：转向、加减速）→Environment Model / 世界模型（推演动作带来的路况变化）→Next State（更新路况）→回到 Agent Model→进入下一轮决策并循环往复

这就是上一篇我们说的第三代自动驾驶的真正底层结构：

不再是 “看见什么做什么” 的单向流水线，而是感知—理解—推演—决策—执行—迭代的闭环智能体。

看看2026年头部玩家的实际动作，你会发现大家其实都在往这个终局走，只是路径不同：

所以终局肯定不存在VLA赢了，或者世界模型赢了，而是两者融合，形成完整闭环智能体。

5丨一个穿透噪音的简单判断方式

以后看到车企吹自己的技术，不用管它叫VLA还是世界模型，也不用管“端到端”、“Foundation Model”这些大词。只需要追问三个问题：

1. 它能不能真正看懂复杂路况？比如能不能听懂“前面那辆白车好像要变道”这种模糊的话？能不能在被大货车挡住时，猜到盲区里可能有电瓶车？

2. 它能不能预测未来几秒会发生什么？比如能不能提前知道前车可能要急刹？能不能在变道前，预判后车会不会加速顶上来？

3. 它是不是先预测再行动，而不是看见什么才反应？真正的聪明车，不是“看到红灯才刹车”，而是“远远看到红灯倒计时，提前松油门滑行”。

三者全满足，不管叫什么名字，技术就是靠谱的。

反过来，如果只会吹一辆车“反应快”，但无法回答“如果前车急刹，3秒后会发生什么”——那它就是闲扯淡，本质上还是上一篇说的“死记硬背的新手司机”或者“高级复读机”，没有真正跨越到第三代。

写在最后

上一篇我们了解到，自动驾驶正在从会开车进化到理解世界。

这一篇想讲透：

理解世界这件事，从来不是靠某一个单点技术突破就能完成的。

它需要一双能看清世界的眼睛（摄像头/雷达等感知），一个能预判未来的脑子（世界模型），和一套能主动决策、执行动作的神经中枢（VLA/Agent）。

技术终局，不是什么名词之争，而是能力的融合与闭环。

本篇属于「能力引擎」合集之技术认知篇。

能力引擎——驱动复杂问题解决，构建长期竞争力。