VLA 是“唯一能把長尾一口氣吃掉”的可行框架

文/林書

編輯/劉宇翔

2025年 8 月的最后一個(gè)星期，中國智能駕駛被驟然按下快進(jìn)鍵——從算法底座到整車 OTA，行業(yè)在短短幾天內(nèi)，呈現(xiàn)出了“VLA齊爆發(fā)”的景觀。

VLA，即Vision-Language-Action，視覺-語言-行動(dòng)模型。VLA的快速商業(yè)化落地，正在重新定義“高階智駕”的技術(shù)門檻。

首先是理想汽車借純電旗艦 i8 上市窗口，首次向全量用戶推送「VLA 司機(jī)大模型」；元戎啟行于 8 月 26 日正式發(fā)布自研 VLA 大模型，推出名為 DeepRoute IO 2.0 的新平臺(tái)，確定將在 5 款車型上使用，覆蓋累計(jì)約 20 萬臺(tái)車。

緊接著，小鵬汽車在 8 月 27 日的新 P7 發(fā)布會(huì)上端出新一代 VLA 架構(gòu)，宣稱時(shí)延 < 100 ms、規(guī)劃幀率 20 Hz，刷新量產(chǎn)天花板。

與此同時(shí)，華為代表的另一大路線——WA(世界行為模型)，也正在緊密地醞釀中。ADS 4.0 將在 9 月隨問界 M9 年度改款 OTA，試圖重新劃定城區(qū)智駕的體驗(yàn)基線。

而之所以“VLA 上車潮”發(fā)生在 2025 年，從商業(yè)的角度來看，是因?yàn)榻衲晏幱诔鞘?NOA 規(guī)?；桓叮↙2++）與 Robotaxi 商業(yè)化（L4）之間的“空檔期”。誰先完成 VLA 量產(chǎn)，誰就能在下一階段用戶體驗(yàn)與融資敘事上占據(jù)先手，錯(cuò)過 2025，技術(shù)紅利將被稀釋，成本優(yōu)勢(shì)也將被供應(yīng)鏈攤平。

VLA掀起的新一輪競(jìng)爭(zhēng)，不僅將決定中國車企的未來競(jìng)爭(zhēng)地位，更可能引發(fā)整個(gè)智駕產(chǎn)業(yè)的重新洗牌。

01

新的門檻

如果要對(duì)VLA路線的技術(shù)優(yōu)勢(shì)，做一個(gè)簡單的概述，這樣的優(yōu)勢(shì)大致就是：

與傳統(tǒng)端到端路線相比，VLA通過用語言和文字這一中間環(huán)節(jié)，將具象化的路況、圖像，進(jìn)行歸類，并進(jìn)行“抽象化”，而不只是單純地對(duì)看過的數(shù)據(jù)“死記硬背”，從而讓模型能取得更好的泛化能力。

同時(shí)，在具備思維鏈（CoT）能力后，VLA模型能分解駕駛決策為邏輯連貫的中間步驟，增強(qiáng)決策邏輯性、系統(tǒng)可解釋性及泛化能力。

當(dāng)人類駕駛員面對(duì)突發(fā)路況時(shí)，會(huì)本能地完成"觀察→判斷→動(dòng)作"的連貫認(rèn)知過程。

VLA（視覺-語言-動(dòng)作模型）正是通過模擬這一邏輯，構(gòu)建起“視覺感知-語言推理-動(dòng)作輸出”的閉環(huán)系統(tǒng)，實(shí)現(xiàn)對(duì)幾十秒長時(shí)序路況的預(yù)判能力，尤其在施工路段等長尾場(chǎng)景中展現(xiàn)出更強(qiáng)的泛化能力。

然而，由于多了“語言”這一層數(shù)據(jù)，VLA 對(duì)算力與數(shù)據(jù)的胃口，已把“上車”門檻抬高到傳統(tǒng)方案無法企及的高度。算力側(cè)，訓(xùn)練端需吞吐 22 T token 級(jí)多模態(tài)數(shù)據(jù)，單次訓(xùn)練即等價(jià)于 DeepSeek-V3 1.5 倍規(guī)模；

數(shù)據(jù)側(cè)，VLA 需同步采集并標(biāo)注視覺-語言-動(dòng)作三元組，理想訓(xùn)練所用的數(shù)據(jù)，90 % 來自 29.3 億 km 實(shí)車日志，10 % 由生成式仿真補(bǔ)足，長尾極端場(chǎng)景（雨夜、施工、異形障礙物）需額外 5-10 倍數(shù)據(jù)密度才能收斂，導(dǎo)致單車數(shù)據(jù)成本與端到端時(shí)代相比陡然增加。

在算力方面，理想、小鵬分別動(dòng)用 13 EFLOPS 與 8 EFLOPS 云端集群，僅千卡周級(jí)調(diào)度才能滿足 30 B-72 B 參數(shù)模型的收斂窗口。公開數(shù)據(jù)顯示，國內(nèi)中小車企云端訓(xùn)練集群普遍停留在 0.2–0.6 EFLOPS，僅為理想 5.39 EFLOPS 的十分之一，更遑論特斯拉 Dojo 年底 100 EFLOPS 的量級(jí)。

以哪吒為例，其烏蘭察布 GPU 集群峰值 180 PFLOPS，尚不足以在 30 天內(nèi)完成一次 7 B 參數(shù) VLA 模型收斂；若租用公有云，按當(dāng)前 A100/H100 現(xiàn)貨價(jià)折算，單次訓(xùn)練即需 1.2–1.5 億元人民幣，相當(dāng)于其 2024 年全年研發(fā)預(yù)算的 40 %。

這意味著，VLA 的量產(chǎn)落地是“千卡訓(xùn)練云＋千 TOPS 車端＋千億級(jí)數(shù)據(jù)”三線并進(jìn)的極限工程，任何一環(huán)缺口都會(huì)把 ROI 拉成負(fù)值。

對(duì)于年銷量僅十余萬輛的中小車企而言，如此高昂的投入難以通過規(guī)模化攤薄，且失敗風(fēng)險(xiǎn)高企。正如元戎啟行CEO周光指出，一家智駕公司需交付10萬輛級(jí)量產(chǎn)車，才具備搭建VLA架構(gòu)的基本數(shù)據(jù)基礎(chǔ)。

更重要的是，從規(guī)則時(shí)代到 VLA 的躍遷并不是一次可折疊的跨越，而是一段必須在工程實(shí)踐中逐級(jí)“淬火”的鏈?zhǔn)椒磻?yīng)。

02

行業(yè)洗牌

在VLA路線所需的高昂成本面前，中小車企面臨的生存困境愈發(fā)明顯，除了算力與數(shù)據(jù)方面的差距外，從規(guī)則時(shí)代到端到端1.0積累的先發(fā)優(yōu)勢(shì)構(gòu)建的技術(shù)護(hù)城河，也是多數(shù)二線品牌難以復(fù)現(xiàn)的關(guān)鍵環(huán)節(jié)。

最初，規(guī)則算法用顯式代碼與人工先驗(yàn)，把駕駛?cè)蝿?wù)拆解為可驗(yàn)證的模塊，給團(tuán)隊(duì)留下可解釋、可追責(zé)的體系化思維與場(chǎng)景分類框架；

進(jìn)入端到端 1.0 后，系統(tǒng)首次用大規(guī)模標(biāo)注數(shù)據(jù)替代人工規(guī)則，逼迫組織完成數(shù)據(jù)閉環(huán)、工具鏈、DevOps 的原始積累，同時(shí)暴露出長尾場(chǎng)景對(duì)數(shù)據(jù)密度的極端需求；

最終在邁向 VLA 時(shí)，團(tuán)隊(duì)需要把前兩階段沉淀的工程學(xué)積累整體遷移到新框架里，才能形成“視覺—語言—行動(dòng)”的高度統(tǒng)一。

理想汽車?yán)钕胍苍毖裕羝髽I(yè)連規(guī)則算法都做不好，則根本無從知曉如何訓(xùn)練VLA模型。

在這樣的差距下，VLA路線的降臨，無疑會(huì)讓行業(yè)迎來一次“大洗牌”。中低端車企、品牌，要么難以在新時(shí)代生存，要么只能淪為“方案外購者”，或成為車企的富士康”，成為低端代工，利潤被芯片廠和算法公司兩頭吃。

在端到端1.0時(shí)代，雖然絕大多數(shù)中低端車在“數(shù)據(jù)-模型-芯片”三件套中，極少能完全自研，本質(zhì)上是“拼積木”式集成。

但過去車企可以掏錢買 Orin、買算法、買標(biāo)注，大家都能活得不錯(cuò)。

例如哪吒、零跑、寶駿等普遍采用英偉達(dá) Orin-X 或地平線征程 5 的“公版域控”；數(shù)據(jù)方面，零跑 C10 的 2.1 億公里有效里程中，60 % 標(biāo)注任務(wù)由 Momenta、覺非科技完成；

但是到了端到端2.0時(shí)代，“外包式生存”在 2.0 時(shí)代被上游供應(yīng)商自己“關(guān)門”了——由于VLA路線導(dǎo)致的算力、數(shù)據(jù)成本驟增，現(xiàn)在這三樣變成了“限量款”，而且限量權(quán)掌握在極少數(shù)巨頭手里。

例如英偉達(dá)今年首批Thor-U的40 萬片產(chǎn)能，早已被理想、蔚來、小鵬在 2024 年就簽完長期鎖價(jià)鎖量協(xié)議，拿走 32 萬片，只留 8 萬片現(xiàn)貨需要溢價(jià) 30 % 競(jìng)拍。

原本“誰掏錢誰就能買到”的開放供應(yīng)鏈，在 2025 年因?yàn)樾酒必洝⒛Ｐ图軜?gòu)改變導(dǎo)致的算法改捆綁、被壓縮成“少數(shù)玩家內(nèi)部閉環(huán)”，中小車企連“買方案”這條退路都被截?cái)唷?/p>

再此情況下，中小車企面臨的生存困境愈發(fā)明顯，當(dāng)頭部企業(yè)通過"芯片-數(shù)據(jù)-模型"的閉環(huán)能力構(gòu)建起技術(shù)壁壘時(shí)，中小車企便陷入一個(gè)死循環(huán)：買芯片沒配額，買模型要持續(xù)分成，攢數(shù)據(jù)沒錢也沒人。

中小車企唯一還能做的，就是融入供應(yīng)鏈，把整車制造、沖壓焊接、總裝測(cè)試這些傳統(tǒng)環(huán)節(jié)做到極致良率和極致成本——這正是富士康在手機(jī)行業(yè)扮演的角色。

03

頭部之變

盡管現(xiàn)在的VLA模型十分火熱，但在智駕方面，并不是所有車企都認(rèn)可這一路線。

除了VLA路線，目前華為和蔚來主推的是另一條路線：世界模型（WA）。其核心思路，是“海量使用云端模擬的數(shù)據(jù)、來讓大模型‘理解’世界而學(xué)會(huì)駕駛”。

例如華為的World Action Model模型（WA），用擴(kuò)散生成模型批量“造”Corner case，

也就是通過AI生成的大量的視頻案例，來讓模型明白何為物理規(guī)則。

而蔚來的NIO World Model（NWM），則通過將激光雷達(dá)+視覺壓縮成 3D token；再通過自回歸模型一次推演 5 秒后的多幀場(chǎng)景，從而“想象”出從未見過的路況。

而WA與VLA兩條路線的區(qū)別，或許可以概述為：世界模型是“理想主義的未來豪賭”，VLA是“實(shí)用主義的當(dāng)下生存”。

但在華為看來，語言模型擅長文本推理，卻缺乏對(duì)三維空間的精確感知與運(yùn)動(dòng)推演能力。

而車，畢竟是在真實(shí)空間中運(yùn)動(dòng)的物體，毫厘之差可能就意味著風(fēng)險(xiǎn)。

唯有讓模型真正理解物理規(guī)則，才能從根本上解決端到端模型“只會(huì)模仿、不會(huì)思考”的瓶頸。

但盡管世界模型看上去更“終極”，但VLA這條更“務(wù)實(shí)”的路線，對(duì)理想、小鵬等車企來說，仍然有著“改命”的意義。

一方面，2024 年理想以 50 萬輛交付量登頂新勢(shì)力，但單車毛利率從 21.5% 下滑至 19.8%，增程市場(chǎng)被華為、蔚來、小鵬全面圍剿（如華為問界 M8、蔚來樂道直指 L7/L8）。對(duì)理想來說，冰箱彩電大沙發(fā)已不再亮眼，必須用智能化重新定義產(chǎn)品。

而小鵬目前在純電市場(chǎng)追趕比亞迪、特斯拉，其正在推進(jìn)的機(jī)器人也需要通用 AI 基座。小鵬選擇 VLA 混合架構(gòu)，本質(zhì)是“一箭雙雕”：其72B 云端基座模型，本質(zhì)是 VLA 的超大型版本，既服務(wù)汽車，也為將來的機(jī)器人鋪路。

對(duì)二者來說，VLA 是“唯一能把長尾一口氣吃掉”的可行框架，并且，理想、小鵬積累的數(shù)據(jù)密度已經(jīng)足夠讓 VLA 越過“冷啟動(dòng)死亡谷”，這是后來者無法復(fù)制的壁壘。

從市場(chǎng)的角度看，雖然華為與 Momenta 已占據(jù) 2025 年智駕市場(chǎng) 90% 份額。這樣的雙寡頭地位難以撼動(dòng)。且華為現(xiàn)在的智駕地位，靠的不是單模型大小、強(qiáng)弱，而是“數(shù)據(jù) + 軟硬一體 + 車廠”綁定三位一體的護(hù)城河。

然而，VLA大模型的普及，會(huì)顯著改變競(jìng)爭(zhēng)格局，形成技術(shù)路線分化、市場(chǎng)份額重組。

傳統(tǒng)智駕模型是：你給多少場(chǎng)景、多少樣本，模型就記住多少，每新增一個(gè)少見場(chǎng)景都得補(bǔ)數(shù)據(jù)。華為在這層面確實(shí)通過規(guī)模碾壓了競(jìng)爭(zhēng)對(duì)手。

但是 VLA 模型不同。它的魔力在于多模態(tài)學(xué)習(xí)和推理能力——一方面通過“視覺 + 語言 + 行為”三種輸入，讓模型“理解”得更深刻，不只是記住，而是學(xué)會(huì)類人推理；這使理想、小鵬等車企，在長尾場(chǎng)景上也能獲得接近華為的表現(xiàn)。

所以，在新一輪的智駕競(jìng)爭(zhēng)中，現(xiàn)有的格局不會(huì)立刻翻盤，但 VLA 已經(jīng)打開了一個(gè)新的窗口。

可以說，隨著新一輪技術(shù)升級(jí)的到來，中小車企的危局，以及頭部之間差距的縮小，將成為一種愈發(fā)顯著的趨勢(shì)。

2025年既可能華為、特斯拉的“巔峰時(shí)刻”，也可能是理想、小鵬等VLA實(shí)踐者的“逆襲元年”。

在這場(chǎng)智能主權(quán)的爭(zhēng)奪中，只有那些率先突破核心壁壘、構(gòu)建差異化優(yōu)勢(shì)的企業(yè)，才能最終殺出重圍。