你想象中的自动驾驶，是什么样子的？

一．魔法般的“端到端”黑箱：VLA模型的架构基础

二．简单高效的预判与连贯：引入LLM的直观意义

如果说2024年是VLA从学术概念走向产业验证的元年，那么当下这一赛道正在经历从“能用”到“好用”的关键爬坡期。市场发展态势呈现出一种鲜明的双轨特征：一条轨道是头部厂商的激进上车，理想、小鹏、华为、元戎启行等玩家已将VLA架构明确写入量产时间表，端到端+VLM（视觉语言模型）的双系统方案率先在高阶智驾车型上落地，试图用语言层的常识推理填补纯端到端在长尾场景上的短板；另一条轨道则是创业公司与科技巨头的架构竞赛，Wayve的LINGO-2、英伟达的Groot、谷歌的RT-2以及国内银河通用、千寻智能等具身智能企业的涌现，让VLA迅速从自动驾驶外溢至机器人通用操作领域，形成了一种“车-机同构”的模型范式迁移——因为无论是四轮车辆还是双足机械，面对开放世界的物理交互时，所需要的时空推理、指令理解和动作规划能力在底层逻辑上高度同源。这种车机联动的市场格局，正在为VLA构建一个远比单一自动驾驶更为广阔的落地场景矩阵，也让相关的基础模型、仿真环境和数据飞轮建设获得了跨越行业的资本和人才密度。

然而，市场的热烈追捧并不能掩盖一个事实：VLA的终局，极大概率不是语言模型的单兵突进，而是与世界模型等并行技术路线走向深度融合。

这正是未来发展的核心悬念所在。当前VLA中的语言层，本质上是借助文本中的先验知识进行“脑补式”推理——它从海量语料中学习到“行人可能突然停下”“雨天路面湿滑”“施工区域需要减速”这类常识，并将其投射到驾驶场景中。但这种推理是符号化的、统计学意义上的，而非对物理世界因果律的直观把握。当一辆VLA驱动的车辆面对一个从未在文本中充分描述过的复杂物理交互时——比如狂风中一棵树的摇摆轨迹恰好与邻近车辆的行驶路线形成动态盲区——纯粹依赖语言推理就可能暴露出物理直觉的缺失：它知道风大会吹落树枝，也知道盲区危险，却难以精确推演这棵“这棵树”和“这辆车”在未来三秒内的时空耦合关系。

这正是世界模型（World Model）试图攻克的壁垒。世界模型的核心追求是让系统学习物理世界的内在动力学，构建一个可进行推演的隐式世界表征。它不依赖语言标签，而是通过观察海量视频和传感器数据，自发地“理解”物体运动的规律、遮挡关系、光影变化乃至流体运动。由于本文重点关注于VLA的综合解析，所以在这里不对其展开过多叙述。

VLA与World Model的并轨将构成一种极具想象力的认知架构，本质上是让系统同时拥有人类大脑皮层相对年轻的符号推理能力和皮层下古老而精密的物理直觉。一个可能的融合形态是：语言层负责战略性、常识性和规则性的高层决策——理解交通标志、解读交警手势、判断对方驾驶员的社会意图，而世界模型负责战术性、物理性的毫秒级推演——精确预测物体的运动轨迹、评估动态遮挡风险、模拟不同动作序列导致的连续状态变化。语言层回答“应该注意什么”和“如果发生什么意味着什么”，世界模型则回答“物理上将会发生什么”。

这也将根本性地改变VLA当下的短板。目前VLA的推理频率仍受限于语言模型的解码速度，难以在100毫秒级别完成复杂的思维链推理，而对飞石、坠落物等需要瞬时物理响应的场景，语言推理天然滞后。世界模型的内部模拟则可以并行于语言推理，提供一种“快系统”式的直觉辅助，使模型在语言推理尚未完成时就已经通过模式识别产生了对危险的本能预判。反过来，世界模型的推演往往存在长期一致性的崩塌问题，而语言模型提供的结构化常识恰好可以作为约束条件，锚定那些物理上可能但交通意义上不合逻辑的演化路径——一辆对向车道的社会车辆，物理上可以突然转向，但交通规则和经验常识让这种可能性极低，语言层可以在世界模型的概率分布上施加这种先验。

从更宏观的产业视角看，这种融合趋势也将重塑技术栈和开发范式。数据层面，未来的训练将需要同时覆盖文本语料、视频数据和高精度的物理仿真数据，形成一种多模态、多颗粒度的联合预训练体系；架构层面，VLA中的语言模型和世界模型可能共享底层视觉编码器，但在解码端分别输出语义动作建议和物理一致性评估，最终在动作执行层进行仲裁与融合。甚至，语言本身也可能从单纯的文本进化为一种更深层的“认知中间件”——不再直接用自然语言输出推理链，而是将推理过程浓缩为更高维的隐式表征，仅在对人解释时解码为文字，从而同时获得推理的深度与推理的速度。

站在2026年的节点回望，VLA的贡献已经远不止于让车变得更像老司机。它真正的范式意义在于，第一次在工程实践中将符号化的知识与亚符号化的感知-运动系统拉通，为大模型通往物理世界打开了一条可验证的通道。而它未来的走向，将取决于整个行业能否在语言推理的广度与世界模型的深度之间找到那个精妙的平衡点——既不让语言层退化为可有可无的锦上添花，也不让世界模型在缺乏常识约束的自由演化中重蹈纯仿真器缺乏真实性的覆辙。当这两个系统真正学会彼此对话、彼此校正，我们或许才第一次看到，一台机器在应对物理世界的无常时，既能像哲学家一样思考，又能像猎手一样行动。

现代自动驾驶技术，早期遵循感知、决策、控制、执行四大层级的范式模型，主要依赖工程师事先写好的海量代码（预设脚本）以及高精地图导航的数据指引，具有极高的规范性、可读性、逻辑性和可维护性。从理论上来讲，这非常符合人类运动的逻辑：摄像头和传感器充当了车辆的眼睛，作为车辆理解世界的入口，对周围环境进行实时感知和数据采集；高精地图、GPS/RTK和惯性测量单元（IMU）则作为电子向导，为车辆提供了上帝视角的另一双眼睛，满足车辆自身定位与姿态稳定。真正作为大脑的是工程师预编的数以千万计的代码规则，包括全局规划、行为决策以及运动规划等；拿到了大脑编写好的“轨迹草稿”，PID、MPC等经典控制算法及其相关下位机硬件开始充当车辆的小脑，可以精准控制刹车、油门、方向盘等执行元件——具体过程是控制模块发出的数字指令由线控系统接收并驱动硬件，具体末端执行参量则涉及方向盘转向电机的位置、速度或力矩，油门开度，制动液压力等。同时，还必须有一套安全冗余系统进行备份，在主系统失效时立即接替并完成安全停车。

这套架构在理想化的结构化道路中表现出色，但面对现实世界无穷无尽的变量与边缘场景，规则代码的堆砌终究触碰到了天花板——而这，正是本文所述智能时代开启的逻辑起点。