UniDriveVLA 之后:自动驾驶大模型会走向 VLA 还是世界模型?
一、答案其实已经藏在代码里了
先揭一个上一篇埋下没展开的细节。翻 UniDriveVLA 的配置文件时，规划头里安静地躺着一段配置：occworld_vae_config——一个预训练的占据世界模型 VAE，模型的 occ query 不直接回归稠密体素，而是在这个世界模型的潜空间里接受监督。这意味着什么？意味着"VLA 还是世界模型"这个标题里的问题，在 UniDriveVLA 的代码里已经有了一个微妙的回答：它是一个 VLA，但它的空间理解，已经在借世界模型的眼睛。两条路线不是岔路口的左右之争，而是正在彼此渗透。但渗透归渗透，两个阵营的哲学分歧是真实的。VLA 阵营相信：驾驶的瓶颈是理解，把人类语言里压缩的常识接进来，车就能懂世界（本系列前十一篇的主线）。世界模型阵营反驳：开车最需要的不是读过多少书，而是能不能在脑子里预演"我这么打方向，半秒后世界会怎样"——这种能力，语言给不了。收官这一篇，我们把两条路线放上天平，然后回答一个更实际的问题：未来十年，量产架构会怎么走。
二、直觉：读书人与做梦者
VLA 是"读万卷书的司机"。它的知识来自人类语言的压缩：交规文本、驾驶讨论、场景描述。看到施工区，它调用的是"锥桶围出临时车道"这条读来的常识。它的强项是语义——懂含义、讲道理、能交流。世界模型是"会做梦的司机"。它的知识来自对世界演化规律的压缩：看过亿万段驾驶视频后，它学会了预测"下一帧会发生什么"。给它当前场景加一个候选动作，它能在脑内播放未来：我以这个速度过弯，两秒后车头会在哪；我探出半个车身，对向车会减速还是加速。它的强项是动力学——不解释世界，直接推演世界。一句话分工：VLA 回答"这是什么、我该做什么"，世界模型回答"如果我这么做，会发生什么"。前者是理解，后者是想象。而一个真正的老司机，两样都有——这是本文的终点，先按下不表。
三、驾驶世界模型长什么样：三种形态，三个落点
世界模型不是一个模型，是一族能力。落到自动驾驶数据流里，有三种主流形态：形态一：视频生成式。输入历史帧 + 自车动作序列，直接生成未来的相机画面。它的价值首先在数据端：雨夜行人这种年采集量以百计的稀缺场景，生成模型可以按需合成千百个变体——雨更大一点、行人衣服更暗一点、遮挡更严重一点。数据引擎从"捕鱼"升级成"养鱼"。形态二：占据预测式（occupancy forecasting）。不生成像素，生成未来的 4D 占据栅格——哪些体素在未来两秒会被占据。这条形态和感知栈最亲：它天然继承了 occupancy"兜住一切"的通用性（第六篇），又加上了时间轴。大车挂车的非刚体运动在这里获得了最诚实的表达——不需要刚体框假设，挂厢扫过的每一个体素被直接预测。UniDriveVLA 借用的 OccWorld VAE 潜空间，就属于这一族。形态三：潜空间世界模型（latent world model）。不生成任何人类可看的东西，在压缩的特征空间里推演未来——输入场景 embedding 和候选动作，输出"未来的场景 embedding"。它最便宜、最快，也最适合上车：planner 的每条候选轨迹，都可以先在潜空间里"排练"一遍再打分。三种形态对应三个落点：视频生成住在数据引擎里，占据预测住在感知栈里，潜空间模型住在规划器旁边。这个分布本身说明：世界模型不是要取代谁，它是渗入每一站的能力。
四、为什么 VLA 走到这里必须回头看世界模型
本系列前面几篇其实已经三次撞上世界模型的门，每次都是 VLA 自己的天花板逼的：第一次：模仿学习的分布偏移（第八篇第三宗罪）。人驾数据里没有"车头歪 15 度"的状态，模型进入未见状态就崩。解药是闭环训练——让模型自己开、自己犯错。但真实道路不许你犯错，CARLA 又太假。只有足够保真的世界模型，才能提供"允许无限犯错的真实"。这是强化学习进驾驶的前置条件：先有梦境，才有 RL in dream。第二次：闭环评测的天花板（第十篇）。开环指标虚高，闭环依赖仿真，而仿真的保真度就是评测的天花板。传统仿真器的画面和行为都"假"，sim2real gap 吃掉结论的置信度。用数据驱动的世界模型替换手写的仿真器，是评测体系的下一次升级——考官本身要换代。第三次：语言装不下物理（第七篇的暗面）。理解专家能推理"挂车转弯会甩尾"，但"甩多少、扫过哪些体素、我该留多少余量"是连续物理量，语言表达到这里就见底了。泊车场景 5 厘米级的推演、无保护左转中对向车减速曲线的预估——这些问题的原生语言是动力学，不是中文或英文。还有一个常被忽略的角度：世界模型自带"物体恒存性"。为了把未来预测准,它必须学会"走进公交车后面的行人还在那里,两秒后会从车头出现"——遮挡后目标重现这个折磨了跟踪工程师十年的问题，在世界模型的训练目标里是免费副产品。预测未来，逼着模型理解现在。
五、天平两端：一张诚实的对照表
把两条路线放上天平（延续第十篇的分科成绩单风格）：VLA 的强项，世界模型给不了：开放语义（读懂"前方学校"的告示牌）、常识推理（双闪 + 静止 = 故障车）、人机交互（语言指令、决策解释）、以及最现实的——预训练红利现成可取（Qwen3-VL 们开箱即用，驾驶世界模型没有等价的开源底座）。世界模型的强项，VLA 给不了：反事实推演（"如果我不让行会怎样"——模仿学习永远学不到没发生过的事）、物理一致性（非刚体、碰撞、遮挡的时空连续性）、闭环训练场（RL 的前提）、以及数据生成（长尾场景的无限变体）。两者共同的软肋：都做梦。VLA 的幻觉是"雄辩的错误"（第七篇），世界模型的幻觉是物理幻觉——生成的未来里，车辆可以凭空消失、行人可以穿墙、雨夜的反光规律不对。一个不守物理的世界模型拿去训练 planner，教出来的是在梦里开车的司机。幻觉问题没有随路线切换而消失，只是换了形态。看清这张对照表，"VLA 还是世界模型"的答案已经浮出来了：这不是选择题,是时间表——两者会合流，问题只是以什么架构、什么顺序。
六、未来十年路线图：三步合流
基于当下的技术曲线和量产约束，给出一份可检验的十年推演：近期（1–3 年）：世界模型在云端就位，VLA 在车端落地。车端跑 UniDriveVLA 式的统一 VLA（快慢分层、蒸馏小型化）；世界模型待在云端干三件事——生成长尾训练数据（雨夜行人变体）、担任闭环评测的考场（替换手写仿真器）、以及给自动标注提供时序先验（预测式标注让低速起步目标的意图标签提前两秒）。这一步没有技术悬念，只有工程量,头部团队已经在做。中期（3–5 年）：想象力上车。潜空间世界模型压缩到车端可负担的规模，接进规划回路：动作专家产出多条候选轨迹，潜空间世界模型对每条做几步推演（rollout），碰撞风险和博弈结果进打分器——planner 从"凭直觉出手"进化成"先排练再出手"。架构上这就是第四篇预告的"加一栋楼"：MoT 的会议桌旁坐进第四位专家——Simulation Expert，掩码矩阵改一版门禁（动作 token 可以查询想象的未来，感知 token 不可以——防止用想象污染观测）。延迟是硬约束：高速 cut-in 的 300 毫秒窗口里，rollout 只能做两三步、只对高风险候选做——想象力也要精打细算。远期（5–10 年）：训练范式反转。当世界模型的保真度跨过阈值，驾驶模型的主要训练场从真实数据搬进梦境：在世界模型里做大规模强化学习，真实路测降级为"验收考试"而不是"练习册"。Scaling Law 的坐标轴随之改变——从"堆真实里程"变成"堆想象经验"。到那一步，VLA 和世界模型的边界会彻底消失：一个 foundation model，同时会看（感知）、会想（推理）、会做（动作）、会梦（预演）——理解世界的含义与预测世界的演化，本来就是同一种智能的两面。这份推演的最大不确定性在中期：潜空间世界模型的车端延迟和保真度能否同时达标。如果不能，中期方案会退化为"云端想象、车端执行"的异步架构——依然有用，但少了实时博弈那层魔法。
七、坑：通往梦境的路上有三道暗沟
暗沟一：评测考官谁来评测。用世界模型当评测考场，那世界模型本身的保真度谁来度量？物理一致性、行为真实性、长尾覆盖度——这是一套还不存在标准答案的元评测体系。在考官资质存疑时就全面信任考试成绩，是未来五年最容易犯的系统性错误。暗沟二：rollout 的误差雪球。潜空间推演每一步都有误差，步数越多偏得越远——预演三步准、预演十步是玄幻小说。这限制了车端想象的时间视野，也意味着长时程决策（比如连续两个路口的博弈）依然要靠 VLA 的语义推理兜底——两位专家谁也替不掉谁。暗沟三：梦境过拟合。在世界模型里训出来的策略，可能学会利用世界模型的瑕疵——比如发现"这个梦里行人从不横穿"就肆意提速。sim2real gap 没有消失，只是从"画面假"变成了"行为分布假"，更隐蔽也更危险。防线是对抗式的：世界模型和策略必须交替进化，用真实接管数据不断给梦境纠偏——数据闭环在这个时代不仅喂模型，还要喂"造梦机"。
八、系列收官：十二篇，一句话
回望整个系列的弧线：模块化的墙塌了（第 1 篇），token 统一了货币（第 2 篇），专家学会了分工（第 3、4 篇），一台统一大脑被组装、拆解、训练、检验、复现（第 5–11 篇），而今天，它开始学习做梦（第 12 篇）。自动驾驶的第一个十年，我们教机器看清世界；第二个十年，我们教它理解世界；而下一个十年，我们要教它想象世界——因为只有想象过千万种未来的司机，才配得上现实中那唯一的一次出手。
10个月宝宝每天需要喝多少奶粉？
