在智能駕駛技術(shù)加速迭代的當(dāng)下，“智駕平權(quán)” 與 “端到端” 技術(shù)浪潮正推動(dòng)行業(yè)從單點(diǎn)突破向全域進(jìn)化。從智能駕駛行駛業(yè)務(wù)的發(fā)展回溯，到 “端到端” 智駕在多階段的演進(jìn)與技術(shù)路徑分化，行業(yè)已進(jìn)入多元技術(shù)路線并行的關(guān)鍵期。其中，VLA 技術(shù)路線與世界模型技術(shù)路線作為兩大核心技術(shù)方向，各自經(jīng)歷了獨(dú)特的演進(jìn)歷程，既呈現(xiàn)出差異化的核心特征，也面臨著共性與個(gè)性交織的發(fā)展痛點(diǎn)。為深入剖析這兩條技術(shù)路線的發(fā)展脈絡(luò)、核心邏輯與未來趨勢(shì)，明晰其對(duì)智能駕駛產(chǎn)業(yè)格局的深遠(yuǎn)影響，本報(bào)告聚焦 “世界模型與 VLA 技術(shù)路線并行發(fā)展” 這一命題，通過梳理二者的演進(jìn)歷程、解構(gòu)核心特征與痛點(diǎn)、研判發(fā)展趨勢(shì)，為智能駕駛領(lǐng)域的技術(shù)研發(fā)、產(chǎn)業(yè)決策提供深度洞察與價(jià)值參考。

一、“平權(quán)+端到端”，智能駕駛加速進(jìn)化

1.1 智能駕駛行業(yè)發(fā)展回顧（智能駕駛滲透加速篇）

智能駕駛滲透持續(xù)加快，新能源車銷量與智駕功能構(gòu)建協(xié)同增長閉環(huán)

• 新能源車的高增長帶動(dòng)智能駕駛快速滲透。中國在全球汽車電動(dòng)化、智能化變革中，是積極的倡導(dǎo)者與關(guān)鍵引領(lǐng)者。近年來，中國新能源汽車市場(chǎng)的銷量與滲透率均呈穩(wěn)步上升趨勢(shì)，整體增速超出預(yù)期?；仡?2019 至 2025 年上半年，雖受全球宏觀環(huán)境及周期性因素影響有小幅波動(dòng)，但新能源汽車銷量總體保持增長，尤其在 2023 至 2024 年實(shí)現(xiàn)顯著放量，市場(chǎng)份額明顯提升；同時(shí)，新能源汽車滲透率從 2019 年的較低水平逐步攀升，先后突破 10%、30%、50% 等關(guān)鍵節(jié)點(diǎn)，體現(xiàn)出新能源車型在整體汽車市場(chǎng)中的占比不斷提高。消費(fèi)者對(duì)新能源產(chǎn)品的接受度和認(rèn)知度持續(xù)提升，產(chǎn)業(yè)發(fā)展進(jìn)入加速普及階段。

• 智能駕駛配套水平隨之同步發(fā)展，與此同時(shí)，中國新能源汽車 L2 級(jí)別智能駕駛功能的滲透率也快速提升。從 2019 年約 7% 的水平起步，到 2025 年上半年已升至約 65%，其普及率和性能較技術(shù)革新前的配套應(yīng)用均呈現(xiàn)穩(wěn)步加速的趨勢(shì)。從邏輯層面分析，國內(nèi)新能源汽車銷量與滲透率的提升，以及新能源汽車自身的發(fā)展擴(kuò)張，帶動(dòng)了智駕配套滲透率的上升，這揭示了市場(chǎng)智能化技術(shù)配套的同步發(fā)展進(jìn)程。隨著新能源車保有量持續(xù)增長，車企為增強(qiáng)產(chǎn)品競(jìng)爭(zhēng)力、實(shí)現(xiàn)差異化定位并改善用戶體驗(yàn)，越來越多的車型開始標(biāo)配或選配智能駕駛功能。另一方面，消費(fèi)者在購買新能源車后，接觸智能駕駛的機(jī)會(huì)大幅增加，對(duì)智能化功能的認(rèn)知和使用意愿也同步增強(qiáng)，形成了自下而上的市場(chǎng)反饋機(jī)制。

1.1 智能駕駛行業(yè)發(fā)展回顧（產(chǎn)業(yè)規(guī)模擴(kuò)張篇）

智能駕駛產(chǎn)業(yè)規(guī)模持續(xù)擴(kuò)大，價(jià)值鏈環(huán)節(jié)協(xié)同增速，創(chuàng)新活力加速釋放智能駕駛市場(chǎng)擴(kuò)張勢(shì)頭迅猛，增長動(dòng)能持續(xù)釋放。

• 智能駕駛所驅(qū)動(dòng)的市場(chǎng)發(fā)展空間正不斷拓展。在汽車產(chǎn)業(yè)智能化與電動(dòng)化深度融合的背景下，2024 年我國智能網(wǎng)聯(lián)汽車產(chǎn)業(yè)規(guī)模已增至 11082 億元，同比增長 34%，且展現(xiàn)出顯著的增長彈性與外溢效益。隨著車輛智能化滲透率持續(xù)提高、產(chǎn)業(yè)鏈各環(huán)節(jié)技術(shù)協(xié)同不斷深化，智能化市場(chǎng)正處于由需求牽引和供給共同驅(qū)動(dòng)的雙輪增長階段。從中長期趨勢(shì)判斷，產(chǎn)業(yè)發(fā)展并非線性，隨著汽車平臺(tái)升級(jí)以及多元化場(chǎng)景的持續(xù)拓展，預(yù)計(jì)到 2030 年，產(chǎn)業(yè)規(guī)模有望突破 5 萬億元，產(chǎn)業(yè)鏈上下游將進(jìn)一步深化分工與協(xié)作，行業(yè)競(jìng)爭(zhēng)格局也將加速重塑。

• 形成有價(jià)值的循環(huán)閉環(huán)，功能模塊遞進(jìn)清晰。從產(chǎn)業(yè)化生態(tài)來看，智能駕駛的價(jià)值鏈已逐漸清晰，核心能力圍繞 “聯(lián)網(wǎng) — 感知 — 執(zhí)行 — 決策” 四大功能模塊有序構(gòu)建：聯(lián)網(wǎng)模塊為數(shù)據(jù)交互提供基礎(chǔ)支撐；感知模塊借助多模態(tài)傳感器實(shí)現(xiàn)高精度的環(huán)境識(shí)別；執(zhí)行模塊負(fù)責(zé)車輛控制和反饋響應(yīng)；決策模塊則基于算法與算力平臺(tái)完成復(fù)雜場(chǎng)景下的路徑規(guī)劃和智能調(diào)度。隨著整車智能化程度的不斷提升，這一生態(tài)結(jié)構(gòu)呈現(xiàn)出從協(xié)同性向耦合性發(fā)展的趨勢(shì)，為后續(xù)技術(shù)落地和商業(yè)模式創(chuàng)新奠定了基礎(chǔ)。

• 產(chǎn)業(yè)主體持續(xù)擴(kuò)容，技術(shù)創(chuàng)新活力不斷提升。截至 2025 年 6 月，受益于技術(shù)成熟度逐步提高、政策環(huán)境持續(xù)優(yōu)化、商業(yè)應(yīng)用路徑日益清晰，我國智能駕駛產(chǎn)業(yè)主體數(shù)量快速增長，注冊(cè)相關(guān)企業(yè)已超過 7000 家，這些企業(yè)分布在芯片研發(fā)、傳感器制造、軟件算法設(shè)計(jì)、整車集成及出行服務(wù)等多個(gè)關(guān)鍵領(lǐng)域，形成了較為完整的產(chǎn)業(yè)鏈條。在行業(yè)競(jìng)爭(zhēng)日益激烈的同時(shí)，研發(fā)投入強(qiáng)度同步加大，各類企業(yè)紛紛加快智能駕駛核心技術(shù)布局，力求在技術(shù)架構(gòu)、產(chǎn)品能力和商業(yè)模式上實(shí)現(xiàn)差異化突破。產(chǎn)業(yè)創(chuàng)新活力持續(xù)迸發(fā)，推動(dòng)行業(yè)整體向更高技術(shù)水平、更豐富應(yīng)用場(chǎng)景演進(jìn)。

1.2 智駕沿 “端到端”、“智駕平權(quán)” 加速邁進(jìn)（2024 關(guān)鍵詞篇）

回顧 2024 年以來智能駕駛的兩大關(guān)鍵詞：端到端、智駕平權(quán)

• 端到端：2024 年 3 月特斯拉率先推出 “端到端” 智駕方案后，國內(nèi)造車新勢(shì)力迅速跟進(jìn)，掀起技術(shù)架構(gòu)革新熱潮。小鵬汽車在 “520 AIDAY” 發(fā)布會(huì)上宣布，其國內(nèi)首個(gè) “端到端” 大模型已實(shí)現(xiàn)量產(chǎn)裝車；同年 7 月，理想汽車進(jìn)一步發(fā)布基于 “端到端” 模型、VLM 視覺語言模型與世界模型的全新自動(dòng)駕駛技術(shù)架構(gòu)，加速高階智駕技術(shù)的落地。端到端技術(shù)在感知、決策與控制全鏈路中，顯著減少了傳統(tǒng)分區(qū)分治模式下高價(jià)高功耗的運(yùn)算環(huán)節(jié)，實(shí)現(xiàn)了更高效的場(chǎng)景泛化與模型學(xué)習(xí)能力。這一架構(gòu)的快速推廣，有效降低了車企在算法開發(fā)及部署與控制閉環(huán)構(gòu)建的門檻，使得城區(qū) NOA 等高階智駕功能得以低成本加速落地。受此推動(dòng)，高階智駕（L2 及以上）功能普及率從 2025 年 1 - 4 月的 11.8% 躍升至同期的 18.6%。

• 智駕平權(quán)：比亞迪、吉利、奇瑞、長安等四大自主車企陸續(xù)推出重磅智能駕駛方案，在實(shí)現(xiàn)技術(shù)突破的同時(shí)，進(jìn)一步拉低了智能駕駛的價(jià)值門檻，加速 “智駕平權(quán)” 進(jìn)程。例如，比亞迪秦 PLUS 智駕版（11.98 萬元）已配備高速 NOA 功能；吉利銀河 E8 插混版（18 萬元）實(shí)現(xiàn)了 “車端到車位” 全場(chǎng)景自主功能的加速落地。與造車新勢(shì)力主要聚焦中高端車型不同，自主車企通過規(guī)?；a(chǎn)、供應(yīng)鏈整合及自研芯片等路徑，推動(dòng)智能駕駛技術(shù)的價(jià)格下探與普惠普及。其中長期目標(biāo)明確：在 10 萬元級(jí)別車型上實(shí)現(xiàn)高速 NOA 的全面標(biāo)配。隨著這一戰(zhàn)略的推進(jìn)，中高階智駕（高速 NOA）搭載率從 2024 年 1 - 4 月的 11.8% 提升至 2025 年同期的 18.6%，市場(chǎng)覆蓋范圍持續(xù)擴(kuò)大。

1.2 智駕沿 “端到端”、“智駕平權(quán)” 加速邁進(jìn)（城市 NOA 滲透篇）

城市 NOA（L2+）已成為 20 萬元以上產(chǎn)品 “必配配置”，并滲透至 15 - 20 萬元區(qū)間

• 中價(jià)位段智駕滲透速度加快，競(jìng)爭(zhēng)加速向低端市場(chǎng)下沉。根據(jù) NE 時(shí)代新能源數(shù)據(jù)，2024 年第一季度，20 - 30 萬元價(jià)位段汽車的 L2 + 智能駕駛功能搭載率僅為 25.15%；到 2025 年 4 - 5 月，該數(shù)值已升至 47.1%，實(shí)現(xiàn)了近乎翻倍的增長。搭載率的快速提升，表明城區(qū) NOA 正進(jìn)入大規(guī)模普及階段，20 - 25 萬元價(jià)位段逐漸成為車企在智駕功能配備上競(jìng)爭(zhēng)的關(guān)鍵區(qū)間。相較于此前對(duì)高端市場(chǎng)的過高預(yù)期，中端市場(chǎng)的動(dòng)態(tài)滲透不僅釋放了更大的消費(fèi)潛力，也推動(dòng)了技術(shù)落地成本的進(jìn)一步降低。

• 智駕功能價(jià)格下探趨勢(shì)仍將持續(xù)，中低端市場(chǎng)加速滲透。智駕功能成本的持續(xù)下降，為市場(chǎng)擴(kuò)張?zhí)峁┝酥匾?。搭載高階智駕功能（城區(qū) NOA）的車輛在保持售價(jià)下探的同時(shí)，車企將智駕滲透率拓展至 15 萬元左右的車型，降低了消費(fèi)者的進(jìn)入門檻，推動(dòng)智能駕駛的 “科技平權(quán)” 進(jìn)程。進(jìn)入 2025 年后，隨著小鵬、比亞迪等車企加大在中低價(jià)位車型的智能駕駛投入，10 - 20 萬元價(jià)位段汽車的城市 NOA 搭載率快速上升，技術(shù)普及節(jié)奏明顯加快，市場(chǎng)覆蓋范圍持續(xù)擴(kuò)大。

二、端到端智能駕駛復(fù)盤

2.1 端到端智能駕駛演進(jìn)歷程

當(dāng)前，端到端自動(dòng)駕駛架構(gòu)的演進(jìn)可劃分為四個(gè)主要階段：

• 第一階段：感知 “端到端”/“BEV+ transformer”（2021 年由特斯拉提出）：自動(dòng)駕駛架構(gòu)被拆解為感知與預(yù)測(cè)決策規(guī)劃兩大模塊。感知模塊借助多傳感器融合的 BEV 技術(shù)實(shí)現(xiàn)模塊級(jí) “端到端”，引入 transformer 與 crossattention 方案，顯著提升檢測(cè)精度與穩(wěn)定性，而規(guī)劃決策模塊仍以傳統(tǒng)的 Rule-based 方法為主導(dǎo)。

• 第二階段：決策規(guī)劃模型化 /“占用網(wǎng)絡(luò)”（2022 年由特斯拉提出）：架構(gòu)模塊組成保持不變，感知端延續(xù)上一代的解決方案。預(yù)測(cè)決策規(guī)劃模塊迎來重大革新，將預(yù)測(cè)、決策、規(guī)劃功能整合到同一神經(jīng)網(wǎng)絡(luò)。盡管感知與決策規(guī)劃均采用深度學(xué)習(xí)，但模塊間的接口仍依據(jù)人類理解定義，各模塊依舊獨(dú)立訓(xùn)練。

• 第三階段：功能模塊化全網(wǎng)絡(luò)一統(tǒng)式回路：（感知、決策、規(guī)劃深度運(yùn)用學(xué)習(xí)）整體結(jié)構(gòu)與上一階段相似，但網(wǎng)絡(luò)結(jié)構(gòu)細(xì)節(jié)和訓(xùn)練方案卻有很大不同。感知模塊不再輸出人類可理解的結(jié)果，轉(zhuǎn)而輸出特征向量，預(yù)測(cè)決策規(guī)劃模塊依據(jù)該向量生成運(yùn)動(dòng)規(guī)劃。由于兩模塊輸出形式發(fā)生變化，訓(xùn)練時(shí)必須通過梯度傳導(dǎo)，實(shí)現(xiàn)跨模塊聯(lián)合訓(xùn)練。

• 第四階段：OneModel / 一體式端到端：可基于強(qiáng)化學(xué)習(xí)、Mononit（當(dāng)前應(yīng)用方向）實(shí)現(xiàn)。此階段打破了感知、決策規(guī)劃等功能的界限，從原始信號(hào)輸入到最終規(guī)劃軌跡輸出，全程由單一深度學(xué)習(xí)模型完成。OneModel 可基于新型技術(shù)、理想方案或模仿學(xué)習(xí)實(shí)現(xiàn)，也可從專家發(fā)力方向入手。

2.2 端到端智能駕駛第一階段（技術(shù)定義篇）

第一階段：感知 “端到端”/“BEV+ transformer”

• 定義：BEV（Bird’s Eye View，鳥瞰圖視角）是在自動(dòng)駕駛多攝像頭與多模態(tài)融合的背景下形成的一種關(guān)鍵視角表達(dá)方式。其核心思路是將傳統(tǒng)基于 2D 圖像與測(cè)距的信息整合到采集的 3D 場(chǎng)景框架中。在此過程中，如何高效融合來自不同傳感器（如攝像頭、毫米波雷達(dá)、激光雷達(dá)等）的特征信息，實(shí)現(xiàn)最優(yōu)化的表達(dá)與空間映射，是技術(shù)實(shí)現(xiàn)的重點(diǎn)與難點(diǎn)。

• Transformer 是另一項(xiàng)推動(dòng)智能駕駛感知能力快速發(fā)展的核心技術(shù)。它是一種基于注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，由谷歌于 2017 年提出。與傳統(tǒng)的 RNN、CNN 不同，Transformer 不依賴串行數(shù)據(jù)處理，而是通過注意力機(jī)制挖掘序列中不同元素的關(guān)聯(lián)關(guān)系，具備出色的特征提取與長依賴建模能力。這一特性使得 Transformer 能夠在智能駕駛的不同架構(gòu)與不同結(jié)構(gòu)的輸入信號(hào)中，在多傳感器融合和環(huán)境建模方面展現(xiàn)出顯著優(yōu)勢(shì)。

• 在感知端技術(shù)模塊中，感知端的端到端是最早應(yīng)用端到端方法的，也是實(shí)現(xiàn)自動(dòng)駕駛能力提升的關(guān)鍵部分。在早期的智能駕駛系統(tǒng)中，端到端技術(shù)主要集中在感知層，用于高效、實(shí)時(shí)地提取并融合環(huán)境信息。隨著算法和算力的持續(xù)發(fā)展，決策規(guī)劃等后端模塊也開始逐步引入端到端方法，推動(dòng)整體架構(gòu)從分層式向一體化方向發(fā)展。

2.2 端到端智能駕駛第一階段（技術(shù)影響篇）

第一階段：感知 “端到端”/“BEV+ transformer” 帶來的影響

• 實(shí)現(xiàn)全面視野覆蓋，顯著增強(qiáng)環(huán)境感知能力。BEV 感知通過融合車輛各方向的多類型傳感器數(shù)據(jù)（包括毫米波雷達(dá)、攝像頭、激光雷達(dá)等），形成 360° 全方位、無死角的感知視野。這種全局視角突破了單一傳感器的局限性，使車輛在復(fù)雜路況下能獲取更完整的環(huán)境信息，不僅對(duì)周邊目標(biāo)的識(shí)別更清晰，還能提前感知潛在風(fēng)險(xiǎn)，提高駕駛系統(tǒng)的環(huán)境適應(yīng)精度與響應(yīng)速度。

• 簡(jiǎn)化決策路徑，提升系統(tǒng)運(yùn)行效率。通過將 3D 場(chǎng)景表征統(tǒng)一映射到 2D 平面，BEV 技術(shù)有效降低了數(shù)據(jù)處理的復(fù)雜度，顯著減少了傳統(tǒng)感知到?jīng)Q策規(guī)劃的中間轉(zhuǎn)換環(huán)節(jié)。這種信息表達(dá)方式讓路徑規(guī)劃、障礙物識(shí)別與避讓、車輛行為預(yù)測(cè)等決策過程更直接、高效。結(jié)合 Transformer 的注意力機(jī)制，系統(tǒng)可對(duì)關(guān)鍵區(qū)域進(jìn)行聚焦處理，實(shí)現(xiàn)更靈活、更精準(zhǔn)的動(dòng)態(tài)決策能力，為端到端架構(gòu)在實(shí)際駕駛場(chǎng)景中的落地奠定了基礎(chǔ)。

• 提升定位精度，強(qiáng)化復(fù)雜交通場(chǎng)景適應(yīng)能力。BEV 感知能幫助自動(dòng)駕駛系統(tǒng)更準(zhǔn)確地估計(jì)自身與周圍車輛、行人及障礙物的相對(duì)位置，尤其在城市道路、十字路口、交通高峰等復(fù)雜場(chǎng)景中優(yōu)勢(shì)明顯。這種高精度空間感知能力提升了系統(tǒng)在動(dòng)態(tài)環(huán)境下的穩(wěn)定性與魯棒性，也為高階智能駕駛功能（如城區(qū) NOA）提供了必要的技術(shù)支撐。

• 技術(shù)進(jìn)步與標(biāo)準(zhǔn)化加速產(chǎn)業(yè)成熟進(jìn)程。同時(shí)，隨著深度學(xué)習(xí)算法持續(xù)迭代、芯片算力大幅提升，BEV 感知算法在精度、效率和泛化能力上進(jìn)一步提升，可處理更復(fù)雜的交通環(huán)境和更大規(guī)模的數(shù)據(jù)流。未來，數(shù)據(jù)融合技術(shù)將成為研究重點(diǎn)，如何在多模態(tài)傳感器的異構(gòu)數(shù)據(jù)間實(shí)現(xiàn)高效融合，是提高系統(tǒng)魯棒性和精確性的關(guān)鍵。

2.3 端到端智能駕駛第二階段（技術(shù)定義篇）

第二階段：決策規(guī)劃模型化 /“占用網(wǎng)絡(luò)”

• 占用網(wǎng)絡(luò)重塑環(huán)境感知，夯實(shí)智能駕駛基礎(chǔ)能力。占用網(wǎng)絡(luò)（Occupancy Network）是自動(dòng)駕駛 “環(huán)境感知” 環(huán)節(jié)的重要底層技術(shù)，其核心思路是通過對(duì)三維空間進(jìn)行體素級(jí)劃分與占用預(yù)測(cè)，構(gòu)建更高精度的全場(chǎng)景環(huán)境表征。與傳統(tǒng)感知方法相比，占用網(wǎng)絡(luò)能有效彌補(bǔ)在 “遮擋處理”“形狀描述建模”“全局環(huán)境認(rèn)知” 等方面的不足，為后續(xù)的路徑規(guī)劃和行為決策提供更完整、更穩(wěn)定的環(huán)境輸入。隨著算力持續(xù)提升與網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化（如動(dòng)態(tài)體素、稀疏卷積等），占用網(wǎng)絡(luò)正逐漸成為高階智能駕駛系統(tǒng)中的關(guān)鍵模塊，尤其適用于結(jié)構(gòu)復(fù)雜、目標(biāo)密集的城市道路場(chǎng)景。

• 體素級(jí)空間建模提升環(huán)境感知能力。從本質(zhì)上看，Occupancy Network 算法是一種 3D 空間分割任務(wù)。它通過將待感知的三維空間劃分為固定大小的體素網(wǎng)格，利用目標(biāo)預(yù)測(cè)每個(gè)體素被目標(biāo)類別占用的概率，實(shí)現(xiàn)對(duì)全場(chǎng)景的空間建模。這種方法不僅可以精確刻畫已知的車輛、行人等目標(biāo)，還能識(shí)別數(shù)據(jù)中未被標(biāo)注的 “泛目標(biāo)”（如土墩、石塊等），從而實(shí)現(xiàn)開放場(chǎng)景的目標(biāo)檢測(cè)，提升系統(tǒng)的環(huán)境理解力。同時(shí)，與直接輸出 3D 目標(biāo)的算法相比，占用網(wǎng)絡(luò)能對(duì)空間中的每個(gè)體素單元進(jìn)行建模，因此對(duì)于不規(guī)則形狀或邊緣模糊的目標(biāo)，可通過更豐富的幾何細(xì)節(jié)和結(jié)構(gòu)信息增強(qiáng)整體環(huán)境表達(dá)能力。

• 占用網(wǎng)絡(luò)強(qiáng)化三維建模，優(yōu)于傳統(tǒng) BEV 方法。與 BEV 方法相比，占用網(wǎng)絡(luò)的顯著優(yōu)勢(shì)體現(xiàn)在目標(biāo)表示方式上。BEV 采用二維平面投影，易丟失高度信息與空間結(jié)構(gòu)特征；而占用網(wǎng)絡(luò)基于三維體素化網(wǎng)格，將物體分解為大量小立方體單元，能更準(zhǔn)確地刻畫形狀特征，環(huán)境還原更接近真實(shí)。占用預(yù)測(cè)本身可與 BEV 結(jié)合 —— 通過將體素化特征映射到鳥瞰圖，在實(shí)現(xiàn)完整空間信息的同時(shí)增強(qiáng)可用性。體素感知使環(huán)境更直觀可查，場(chǎng)景還原也更接近真實(shí)。

2.3 端到端智能駕駛第二階段（技術(shù)影響篇）

第二階段：決策規(guī)劃模型化 /“占用網(wǎng)絡(luò)” 帶來的影響

• 占用網(wǎng)絡(luò)強(qiáng)化識(shí)別能力，夯實(shí)自動(dòng)駕駛安全根基。研究占用網(wǎng)絡(luò)對(duì)強(qiáng)化自動(dòng)駕駛系統(tǒng)的環(huán)境感知能力具有深遠(yuǎn)的戰(zhàn)略意義。一方面，通過對(duì)場(chǎng)景三維占用率的深入分析，系統(tǒng)能更精確地識(shí)別前景目標(biāo)的位置、形狀與姿態(tài)，有效降低因目標(biāo)識(shí)別偏差帶來的潛在安全風(fēng)險(xiǎn)。例如，在城市道路或拱橋等交通環(huán)境中，占用網(wǎng)絡(luò)可顯著提升對(duì)復(fù)雜三維特征（如異形車輛、不規(guī)則路障、非標(biāo)準(zhǔn)結(jié)構(gòu)涵洞等）的識(shí)別精度，為車輛提供更具置信度的區(qū)分與理解能力，減少背景誤識(shí)帶來的冗余干擾。當(dāng)前，特斯拉、Waymo、百度 Apollo 等頭部研發(fā)團(tuán)隊(duì)正探索更高效的 BEV-Occupancy Network 感知與融合方案，以在真實(shí)道路環(huán)境中實(shí)現(xiàn)更高的識(shí)別精度與動(dòng)態(tài)場(chǎng)景適應(yīng)能力，這一方向被視為推動(dòng)高級(jí)別智能駕駛發(fā)展的重要突破口之一。

• 另一方面，三維占用率的預(yù)測(cè)不僅有助于提升目標(biāo)檢測(cè)的準(zhǔn)確性，還能增強(qiáng)系統(tǒng)對(duì)背景環(huán)境的區(qū)分與理解能力，減少背景誤識(shí)別帶來的冗余干擾。當(dāng)前，特斯拉、Waymo、百度 Apollo 等頭部研發(fā)團(tuán)隊(duì)正探索更高效的 BEV-Occupancy Network 感知與融合方案，以在真實(shí)道路環(huán)境中實(shí)現(xiàn)更高的識(shí)別精度與動(dòng)態(tài)場(chǎng)景適應(yīng)能力，這一方向被視為高級(jí)別智能駕駛發(fā)展的重要標(biāo)桿之一。

• 此外，占用網(wǎng)絡(luò)對(duì)場(chǎng)景檢測(cè)的賦能也十分顯著。借助對(duì)全三維場(chǎng)景的精確刻畫，車輛可實(shí)現(xiàn)更細(xì)致、更靈活的路徑規(guī)劃策略，尤其在多車交匯、動(dòng)態(tài)障礙物復(fù)雜變道等困難場(chǎng)景下，展現(xiàn)出更強(qiáng)的環(huán)境適應(yīng)能力。為全面提升性能，面對(duì)多樣化且不確定性較高的交通環(huán)境，占用網(wǎng)絡(luò)的引入顯著增強(qiáng)了自動(dòng)駕駛系統(tǒng)的魯棒性與穩(wěn)定性，使其在積水、雨雪、施工區(qū)域等復(fù)雜工況下仍能保持可靠的感知與決策性能。這類能力對(duì)于真正實(shí)現(xiàn) L4/L5 級(jí)自動(dòng)駕駛至關(guān)重要，也被視為高階智駕量產(chǎn)落地的關(guān)鍵技術(shù)基礎(chǔ)。

2.4 端到端智能駕駛第三及第四階段

第三及第四階段：OneModel / 模塊化端到端

• 模塊化端到端（OneModel）通過深度學(xué)習(xí)將傳統(tǒng) “感知 — 規(guī)劃 — 控制” 流程統(tǒng)一映射到單一模型中，減少因任務(wù)分解產(chǎn)生的累積誤差，實(shí)現(xiàn)整體優(yōu)化。目前，特斯拉、Wayve、百度 Apollo、小鵬等企業(yè)均在加速布局相關(guān)技術(shù)路徑，這一方向正成為高階智能駕駛的重要演進(jìn)路線。

• 技術(shù)原理上，一般端到端模型通常包含四大核心模塊：（1）感知編碼器：基于 CNN 或 VIT 提取攝像頭、激光雷達(dá)、毫米波雷達(dá)等傳感器的多尺度特征；（2）環(huán)境理解模塊：通過時(shí)序建模（RNN、時(shí)間卷積、Temporal Attention）融合多模態(tài)信息，識(shí)別動(dòng)態(tài)目標(biāo)、道路結(jié)構(gòu)與交通信號(hào)；（3）決策預(yù)測(cè)層：輸出減速趨勢(shì)、變道意圖、轉(zhuǎn)向方向等駕駛決策；（4）控制生成器：將決策結(jié)果轉(zhuǎn)化為執(zhí)行信號(hào)，實(shí)現(xiàn)車輛實(shí)時(shí)響應(yīng)。

• 架構(gòu)類型主要分為兩類：可解釋端到端（模塊化控制）：在端到端框架下保留中間感知或預(yù)測(cè)模塊輸出，兼顧可調(diào)試性與安全性，Wayve、小鵬等多采用此類架構(gòu)；黑盒端到端（One Model）：直接輸出軌跡或控制信號(hào)，以特斯拉 FSD 為代表，技術(shù)上極度簡(jiǎn)化但可解釋性和調(diào)用可預(yù)見性較弱。

2.4 端到端智能駕駛第三及第四階段

第三及第四階段：OneModel / 模塊化端到端技術(shù)的影響，主要體現(xiàn)在三方面：

• 數(shù)據(jù)驅(qū)動(dòng)是端到端自動(dòng)駕駛的核心支撐：端到端自動(dòng)駕駛系統(tǒng)可分為強(qiáng)化學(xué)習(xí)與模仿學(xué)習(xí)兩類。強(qiáng)化學(xué)習(xí)依賴數(shù)百萬級(jí)樣本訓(xùn)練，讓算法自主學(xué)習(xí)駕駛策略，對(duì)數(shù)據(jù)規(guī)模和算力要求極高；模仿學(xué)習(xí)則通過大規(guī)模標(biāo)注數(shù)據(jù)與離線仿真，使算法快速復(fù)刻人類駕駛經(jīng)驗(yàn)，更適配量產(chǎn)場(chǎng)景的快速迭代。

• 大規(guī)模數(shù)據(jù)與云端依賴構(gòu)筑技術(shù)壁壘：端到端技術(shù)以數(shù)據(jù)為核心，需通過海量標(biāo)注或無標(biāo)注數(shù)據(jù)構(gòu)建完整環(huán)境表征。尤其在高階智能駕駛場(chǎng)景中，云端訓(xùn)練因能處理超大規(guī)模數(shù)據(jù)成為關(guān)鍵環(huán)節(jié)。數(shù)據(jù)體量、算力資源與云端訓(xùn)練架構(gòu)共同構(gòu)成企業(yè)技術(shù)護(hù)城河，盡管端到端技術(shù)上限高、優(yōu)化潛力大，但中心式系統(tǒng)也使其面臨算力與數(shù)據(jù)的持續(xù)投入壓力。

• 數(shù)據(jù)成為智能駕駛行業(yè)的核心競(jìng)爭(zhēng)資產(chǎn)：智能網(wǎng)聯(lián)汽車時(shí)代，數(shù)據(jù)是融合感知、決策、用戶體驗(yàn)的關(guān)鍵紐帶。車企通過傳感器矩陣與云端構(gòu)建數(shù)據(jù)閉環(huán)，數(shù)據(jù)的規(guī)模與質(zhì)量直接決定智能駕駛能力的上限。智能駕駛的技術(shù)進(jìn)步，本質(zhì)是 “數(shù)據(jù) — 算法 — 算力” 的循環(huán)迭代，優(yōu)質(zhì)數(shù)據(jù)閉環(huán)已成為車企競(jìng)爭(zhēng)的核心壁壘。

2.5 端到端智能駕駛已分化出兩種核心路徑

當(dāng)前智能駕駛技術(shù)格局已明確分化為VLA與世界模型兩條核心演進(jìn)路徑：

• 2024 年夏季以來，端到端（End-to-End）智能駕駛技術(shù)從 2023 年的 “單一路線主導(dǎo)”，發(fā)展為雙路徑并行的新格局。第一條路徑以 “視覺 — 語言 — 行為”（Vision-Language-Action，VLA）技術(shù)為核心，強(qiáng)調(diào)多模態(tài)信息的深度融合；第二條路徑聚焦物理級(jí)環(huán)境建模能力，即世界模型（World Model） 路線，其核心并非 “單一感知鏈路”，而是通過多組件并行實(shí)現(xiàn)對(duì)環(huán)境的全局理解與動(dòng)態(tài)決策。

• VLA 路徑：短期落地速度快，技術(shù)架構(gòu)呈現(xiàn) “感知 — 決策 — 控制” 的強(qiáng)邏輯鏈條，可拆解為四步：先通過圖像傳感器完成環(huán)境感知并生成符合人類視覺邏輯的特征；再將特征轉(zhuǎn)化為語言類 Token（如 “前方 50 米有靜止車輛，需變道至相鄰車道”）；接著由大模型基于語言 Token 進(jìn)行推理；最終將推理結(jié)果轉(zhuǎn)化為車輛執(zhí)行信號(hào)，全程依賴數(shù)據(jù)驅(qū)動(dòng)與大模型的泛化能力。

• 世界模型路徑：與 VLA 的 “語言中介” 邏輯不同，它通過對(duì)物理環(huán)境的直接建模輸出決策。例如將攝像頭、激光雷達(dá)等多源感知數(shù)據(jù)輸入大模型，在云端完成物理規(guī)律建模（如車輛、行人運(yùn)動(dòng)軌跡預(yù)測(cè)），再結(jié)合車端實(shí)時(shí)感知數(shù)據(jù)，形成 “云端世界引擎 + 車端世界行為模型” 的架構(gòu)，更側(cè)重對(duì)物理場(chǎng)景的深層理解與動(dòng)態(tài)預(yù)測(cè)。

三、VLA技術(shù)路線

3.1 VLA 技術(shù)路線演進(jìn)歷程

驅(qū)動(dòng)自動(dòng)駕駛范式變革的核心力量

• VLA 模型的快速發(fā)展正成為智能駕駛與通用機(jī)器人領(lǐng)域范式革新的核心動(dòng)力。Vision-Language-Action（VLA）模型融合視覺（Vision）、語言（Language）與動(dòng)作（Action）三大模態(tài)，構(gòu)建統(tǒng)一的多模態(tài)表征與訓(xùn)練框架，可將 “感知 — 理解 — 決策 — 控制” 的三階邏輯直接整合，實(shí)現(xiàn)感知、決策、控制的一體化。相較于傳統(tǒng) “模塊化 / 兩段式端到端” 技術(shù)路線，VLA 的核心優(yōu)勢(shì)在于多模態(tài)信息的深度融合，減少了中間信息丟失與人工規(guī)則依賴，成為感知、語義、決策與控制的統(tǒng)一載體；同時(shí)具備長時(shí)序記憶與跨場(chǎng)景泛化能力，是通用機(jī)器人與自動(dòng)駕駛技術(shù)融合的關(guān)鍵基礎(chǔ)。

• 從發(fā)展階段看，2023 年 7 月，關(guān)鍵論文《Mind the GAP》將 VLA 框架引入自動(dòng)駕駛領(lǐng)域，通過融合大語言模型與多模態(tài)數(shù)據(jù)訓(xùn)練，實(shí)現(xiàn)了任務(wù)理解與執(zhí)行能力的顯著躍升，驗(yàn)證了語言與動(dòng)作深度融合的技術(shù)有效性，為智能駕駛技術(shù)路線的演進(jìn)指明了方向。近期，學(xué)術(shù)界將 VLA 發(fā)展劃分為 Pre-VLA、Modular VLA、End-to-End VLA 與 Augmented VLA 四個(gè)階段，清晰梳理了其技術(shù)特征與演進(jìn)脈絡(luò)，為產(chǎn)業(yè)落地提供了明確指引。

3.1 VLA 技術(shù)路線演進(jìn)歷程

在 VLA 技術(shù)的量產(chǎn)落地進(jìn)程中，小鵬與理想成為行業(yè)標(biāo)桿

• 技術(shù)路徑差異：2024 年 6 月，小鵬汽車在 G7 車型發(fā)布會(huì)上宣布 VLA 技術(shù)量產(chǎn)上車，7 月 29 日發(fā)布完整技術(shù)方案，其創(chuàng)始人將傳統(tǒng)端到端與 VLA 的區(qū)別類比為 “小腦” 與 “大腦”—— 傳統(tǒng)方案依賴 “運(yùn)動(dòng)小腦” 實(shí)現(xiàn)單一動(dòng)作決策，VLA 則通過 “語言與世界模型” 實(shí)現(xiàn) “大腦級(jí)” 的全局理解與決策。同期，理想汽車采取 “云端強(qiáng)化學(xué)習(xí) + 端側(cè)模型蒸餾” 路徑：先在云端完成大模型強(qiáng)化學(xué)習(xí)，再將輕量化模型部署至車端，體現(xiàn)出企業(yè)在模型規(guī)模、數(shù)據(jù)閉環(huán)與推理效率上的技術(shù)取舍差異。

• 工程化訓(xùn)練進(jìn)展：小鵬汽車于 2025 年 5 月完成工廠化訓(xùn)練體系搭建，VLA 技術(shù)加速驅(qū)動(dòng)智能駕駛能力迭代。在數(shù)據(jù)與模型優(yōu)化上，小鵬實(shí)現(xiàn)了 “物理化 VLA 小模型” 與 “邏輯上分解的大模型” 協(xié)同訓(xùn)練；理想汽車則同步推進(jìn)三大訓(xùn)練場(chǎng)景：車云同訓(xùn)聚焦復(fù)雜場(chǎng)景，車端單卡訓(xùn)練實(shí)現(xiàn)多場(chǎng)景覆蓋，小模型系統(tǒng)適配更多車型。隨著 VLA 部署的標(biāo)準(zhǔn)化與工程化，端到端自動(dòng)駕駛在實(shí)際場(chǎng)景中的環(huán)境理解力、動(dòng)作生成能力與泛化性將顯著提升，行業(yè)智能化曲線加速邁進(jìn)。

3.1 VLA 技術(shù)路線：頭部玩家與代表方案

• 小米 ORION：屬于典型的三段式 VLA 架構(gòu)，由 QT-Former、大語言模型（LLM）及生成式規(guī)劃器組成。流程為：先通過視覺編碼器對(duì)圖像進(jìn)行編碼；再由 QT-Former 實(shí)現(xiàn)前后文關(guān)聯(lián)，連接視覺空間與 LLM 的多模態(tài)語義空間；最后由 LLM 整合場(chǎng)景特征、歷史視覺信息、用戶指令等多源信息，預(yù)測(cè)并輸出合理的駕駛規(guī)劃與控制信號(hào)。

• 理想 MindVLA：是理想汽車自研的自動(dòng)駕駛大模型，融合視覺、語言與行為智能，采用 3D 高維表征模塊與云端統(tǒng)一世界模型架構(gòu)，具備對(duì)復(fù)雜交通標(biāo)志的強(qiáng)識(shí)別能力。技術(shù)上基于 “視覺 - 語言 - 行為” 融合模型（VLM），包含三維空間編碼器、自聽 MSE 建模模塊及擴(kuò)散模型軌跡優(yōu)化模塊，可通過多模態(tài)自然語言交互實(shí)現(xiàn)高效人機(jī)溝通。

• Waymo EMA：屬于模型驅(qū)動(dòng)型方案，由編碼器與大語言模型構(gòu)成。感知部分通過 EMA Gemini 大語言模型處理圖像、圖像描述等多源信息，再將多模態(tài)內(nèi)容整合為統(tǒng)一語言框架，同時(shí)完成駕駛決策、場(chǎng)景理解等多任務(wù)，兼顧駕駛安全性與場(chǎng)景泛化能力。

• 小鵬 XNGP VLA：聚焦 “去強(qiáng)依賴化 + 端側(cè)適配”，強(qiáng)調(diào)通過閉環(huán)體系實(shí)現(xiàn)大模型工程化落地。感知端采用多模態(tài)傳感器融合技術(shù)，構(gòu)建環(huán)境三維語義；決策端通過多模態(tài)大模型實(shí)現(xiàn)環(huán)境理解；控制端將端側(cè) VLA 模型與車輛控制系統(tǒng)深度耦合，形成 “感知 — 認(rèn)知 — 行動(dòng)” 一體化閉環(huán)，兼顧端側(cè)推理速度與實(shí)時(shí)性。

3.2 VLA 技術(shù)路線核心特征與當(dāng)下痛點(diǎn)：

VLA 技術(shù)落地依賴3D 中間表征、長時(shí)序記憶、多模態(tài)融合三大關(guān)鍵抓手：

• 3D 中間表征：實(shí)現(xiàn) “感知 — 決策 — 控制” 的一體化。VLA 在車端與云端的高效運(yùn)行依賴精準(zhǔn)的 3D 中間表征，它是連接感知層與決策層的抽象載體，不僅能呈現(xiàn)場(chǎng)景的語義、結(jié)構(gòu)、空間關(guān)系，還能融合感知與控制的動(dòng)態(tài)交互信息。通過 “環(huán)境感知與決策” 的統(tǒng)一載體，支持復(fù)雜場(chǎng)景的時(shí)空推理與閉環(huán)控制，增強(qiáng)模型泛化性與魯棒性，也為路徑規(guī)劃、避障等多任務(wù)協(xié)同提供基礎(chǔ)。

• 長時(shí)序記憶：應(yīng)對(duì)動(dòng)態(tài)場(chǎng)景的核心機(jī)制。自動(dòng)駕駛決策需依賴長時(shí)序信息，大語言模型的天然長時(shí)記憶能力可彌補(bǔ)傳統(tǒng)算法的不足，使系統(tǒng)在多交互場(chǎng)景中理解交通流變化、預(yù)測(cè)突發(fā)狀況，提升決策準(zhǔn)確性與可解釋性。

• 多模態(tài)融合：是 VLA 環(huán)境理解的核心。它整合視覺、語義、運(yùn)動(dòng)等多源信息，通過 “感知層多模態(tài)融合→決策層車端運(yùn)動(dòng)狀態(tài)融合→控制層交通語義融合” 的多階段信息傳遞，實(shí)現(xiàn)對(duì)復(fù)雜場(chǎng)景的全面理解，提升模型對(duì)環(huán)境的動(dòng)態(tài)適應(yīng)與魯棒性，為環(huán)島、多車交互等多任務(wù)協(xié)同提供統(tǒng)一信息載體。

3.2 VLA 技術(shù)路線工程化難點(diǎn)與當(dāng)下痛點(diǎn)

VLA 在工程化落地中面臨三大核心痛點(diǎn)：

• 極端工況下的模型穩(wěn)健性：在暴雨、強(qiáng)光、隧道明暗突變等場(chǎng)景中，感知模塊性能會(huì)明顯下降，語言指令也可能因識(shí)別誤差產(chǎn)生語義歧義。需解決環(huán)境動(dòng)態(tài)變化下的模型自適應(yīng)問題，例如在復(fù)雜工況中平衡感知精度與響應(yīng)速度，避免因感知延遲或語義歧義導(dǎo)致決策失誤，這是 VLA 從 “可用” 到 “可靠” 的關(guān)鍵挑戰(zhàn)。

• 長尾場(chǎng)景的泛化能力：對(duì)夜間施工、動(dòng)物橫穿等小眾 “長尾場(chǎng)景” 的泛化是技術(shù)難點(diǎn)。大模型雖具備強(qiáng)語義表達(dá)能力，但在少樣本或零樣本場(chǎng)景下對(duì)特殊場(chǎng)景的理解仍有不足。需通過無標(biāo)注數(shù)據(jù)學(xué)習(xí)、語義分解等方法增強(qiáng)模型對(duì)長尾場(chǎng)景的適配性，這是實(shí)現(xiàn) “人 - 車 - 路” 動(dòng)態(tài)融合的核心痛點(diǎn)。

• 多源數(shù)據(jù)時(shí)序?qū)R與時(shí)空一致性：VLA 高效運(yùn)行依賴攝像頭、雷達(dá)、語音指令等多傳感器的時(shí)序與空間同步，但實(shí)際工程中傳感器采集頻率、時(shí)序存在天然差異，導(dǎo)致數(shù)據(jù)不同步。需引入動(dòng)態(tài)緩存、模態(tài)對(duì)齊中間表征等策略，這對(duì)系統(tǒng)架構(gòu)設(shè)計(jì)、算力調(diào)度與實(shí)時(shí)性提出了更高要求。

3.3 VLA 技術(shù)路線發(fā)展趨勢(shì)研判：

VLA 技術(shù)在與傳統(tǒng) E2E（端到端）、VLM（視覺語言模型）的對(duì)比中，呈現(xiàn)出獨(dú)特的技術(shù)優(yōu)勢(shì)與演進(jìn)方向

• 與 E2E/VLM 的本質(zhì)差異：傳統(tǒng) E2E、VLM 存在感知精度受限、信息傳輸損耗、模塊協(xié)同不足等問題，而 VLA 通過多模態(tài)信息的深度融合，實(shí)現(xiàn) “感知 — 決策 — 控制” 的一體化，在復(fù)雜場(chǎng)景中能更好地處理動(dòng)態(tài)交互，既提升信息傳遞效率，又增強(qiáng)決策的可解釋性與魯棒性，是從 “感知決策” 到 “感知 - 理解 - 推理 - 行動(dòng)” 的范式升級(jí)。

• 與 “E2E+VLM” 融合方案的對(duì)比：在 “E2E+VLM（松耦合）” 方案中，E2E 負(fù)責(zé)感知層數(shù)據(jù)處理，VLM 作為系統(tǒng)級(jí)推理器，二者在架構(gòu)上相對(duì)獨(dú)立；而 VLA 是 “感知 - 語義 - 動(dòng)作” 的深度一體化，當(dāng)接收到駕駛指令時(shí)，感知、決策、動(dòng)作信號(hào)同步進(jìn)入模型，在內(nèi)部完成多模態(tài)信息融合，實(shí)現(xiàn)精準(zhǔn)、實(shí)時(shí)的決策執(zhí)行，是更高效的端到端技術(shù)路徑。

• 技術(shù)演進(jìn)方向：VLA 并非 “E2E+VLM” 的簡(jiǎn)單疊加，而是向 “感知 - 理解 - 推理” 一體化的技術(shù)進(jìn)階。它將高維感知與物理規(guī)律融入模型預(yù)測(cè)，從 “信號(hào)傳遞” 轉(zhuǎn)向 “認(rèn)知驅(qū)動(dòng)”，成為頭部車企長期技術(shù)布局的核心方向。從產(chǎn)業(yè)視角看，VLA 的出現(xiàn)標(biāo)志著自動(dòng)駕駛從 “功能實(shí)現(xiàn)” 向 “類人決策” 的架構(gòu)轉(zhuǎn)型，是技術(shù)突破的關(guān)鍵路徑。

3.3 VLA 技術(shù)路線發(fā)展趨勢(shì)研判：圍繞 “空間 - 時(shí)間 - 成本” 的系統(tǒng)化演進(jìn)

VLA 技術(shù)演進(jìn)將圍繞空間精度、時(shí)間維度、成本優(yōu)化三條核心路徑展開系統(tǒng)化升級(jí)：

• 空間維度：從二維感知向三維語義世界進(jìn)階。通過引入 3D 中間表征與 3D Gaussian Splatting 等技術(shù)，實(shí)現(xiàn)從傳統(tǒng)二維感知到高精度三維語義的跨越，為場(chǎng)景理解、動(dòng)態(tài)預(yù)測(cè)提供更豐富的空間信息，推動(dòng) “感知 - 理解 - 推理” 一體化空間語義鏈路的形成。未來主機(jī)廠與 Tier1 將在該領(lǐng)域加速技術(shù)整合，構(gòu)建自主的空間語義技術(shù)壁壘。

• 時(shí)間維度：從短時(shí)記憶向長時(shí)歷史溯源升級(jí)。傳統(tǒng)端到端模型受限于短時(shí)記憶，而 VLA 通過大模型的長時(shí)序記憶能力，實(shí)現(xiàn)對(duì)歷史場(chǎng)景的 “檢索 - 關(guān)聯(lián) - 預(yù)測(cè)”（例如車輛進(jìn)入復(fù)雜路口時(shí)，模型可調(diào)用歷史場(chǎng)景經(jīng)驗(yàn)輔助決策），從 “當(dāng)前感知” 延伸到 “未來預(yù)演”，大幅提升系統(tǒng)對(duì)動(dòng)態(tài)場(chǎng)景的適應(yīng)與預(yù)判能力。

• 成本維度：從算力依賴向輕量化與高效化轉(zhuǎn)型。當(dāng)前端側(cè)大模型部署受限于算力與功耗，需通過 Moe（Mixture of Experts）、端云協(xié)同推理等技術(shù)，在保證性能的前提下降低端側(cè)部署成本，同時(shí)為 OTA 快速迭代預(yù)留算力空間。Moe 與端云協(xié)同將成為高階智駕普及的關(guān)鍵技術(shù)支撐。

四、世界模型技術(shù)路線

4.1 世界模型技術(shù)路線演進(jìn)歷程：從 “看見當(dāng)下” 到 “內(nèi)化世界”

• 世界模型的本質(zhì)是通過對(duì)真實(shí)世界的高維認(rèn)知建模，賦予智能體環(huán)境理解、預(yù)測(cè)與規(guī)劃的能力。World Model 是一類能模擬、推演真實(shí)環(huán)境狀態(tài)的 AI 框架，它不只是對(duì)輸入信息的被動(dòng)融合，而是通過還原物理規(guī)律構(gòu)建 “虛擬世界”，實(shí)現(xiàn)對(duì)現(xiàn)實(shí)世界的 “內(nèi)在理解” 與主動(dòng)推理。與 “E2E/VLA” 不同，世界模型的核心在于對(duì)環(huán)境的 “內(nèi)在建?！薄?允許系統(tǒng)在不依賴外部信號(hào)的前提下，在 “內(nèi)部虛擬世界” 中完成對(duì)未來的演繹與規(guī)劃，類似人類駕駛時(shí)的 “預(yù)判” 能力，使智能體在復(fù)雜場(chǎng)景中具備更強(qiáng)的魯棒性與泛化性。

• 當(dāng)前，特斯拉、蔚來、鴻蒙智行等車企正加速布局世界模型技術(shù)路線，通過多傳感器融合、物理規(guī)律建模（如車輛 / 行人運(yùn)動(dòng)軌跡預(yù)測(cè)）、場(chǎng)景動(dòng)態(tài)推演等方向推進(jìn)。其與 VLA 的核心差異在于：VLA 依賴 “語言中介” 實(shí)現(xiàn)跨模態(tài)融合，而世界模型更聚焦 “真實(shí)環(huán)境的內(nèi)在結(jié)構(gòu)建模”，通過構(gòu)建與真實(shí)世界高度擬合的 “心算模型”，使車輛在復(fù)雜工況下的決策更接近人類駕駛員的認(rèn)知邏輯。

4.1 世界模型技術(shù)路線演進(jìn)歷程 - 演進(jìn)脈絡(luò)：重建→生成→可交互仿真

• 階段一：Dyna 算法奠定理論基礎(chǔ)（1990 年代）世界模型的思想起源于強(qiáng)化學(xué)習(xí)領(lǐng)域。1990 年 Richard S. Sutton 提出的 Dyna 算法，通過 “學(xué)習(xí) — 規(guī)劃 — 反應(yīng)” 一體化框架，讓智能體不僅依賴真實(shí)環(huán)境交互，還能借助內(nèi)部模型生成虛擬經(jīng)驗(yàn)，強(qiáng)化 “學(xué)習(xí)與模型雙向反饋” 的邏輯，為后續(xù)世界模型在復(fù)雜場(chǎng)景（如自動(dòng)駕駛）的應(yīng)用埋下理論伏筆，核心是 “虛擬環(huán)境推演” 的初步探索。

• 階段二：理論向落地技術(shù)深度進(jìn)階（2018 年）2018 年 David Ha 與 Jürgen Schmidhuber 發(fā)布《World Models》論文，標(biāo)志世界模型從理論走向落地。該階段將其引入深度強(qiáng)化學(xué)習(xí)領(lǐng)域，構(gòu)建 “感知 — 建模 — 規(guī)劃” 閉環(huán)，使智能體在自動(dòng)駕駛等動(dòng)態(tài)場(chǎng)景中可通過 “內(nèi)部模擬” 做規(guī)劃決策。相比 Dyna，此階段世界模型的表征能力、預(yù)測(cè)精度顯著提升，初步展現(xiàn)落地可行性。

• 階段三：以 Dreamer 系列為代表的技術(shù)加速落地（2019 年至今）2019 年 Dreamer、Muzero 算法，2022 年 LoRn 提出的 JEPA 模型，以及 2023-2024 年的 DreamerV3、Daydream、Vita 的 Ultralight 等視頻生成與語言融合型世界模型持續(xù)迭代。核心是讓自動(dòng)駕駛系統(tǒng)實(shí)現(xiàn) “感知 — 決策 — 控制” 閉環(huán)，“虛擬世界推演” 成為主流，使智能體突破 “感知 — 決策” 的端到端局限，具備更強(qiáng)大的場(chǎng)景泛化與決策能力。

4.1 世界模型技術(shù)路線演進(jìn)歷程 - 頭部玩家與代表方案

• Waymo（Waymo Foundation Model）采用 “云端大模型 + 車端小模型” 的 “教師 — 學(xué)生” 架構(gòu)實(shí)現(xiàn)高效部署：云端模型負(fù)責(zé)大規(guī)模場(chǎng)景模擬與推理，車端模型在實(shí)際行駛中實(shí)時(shí)完成感知、預(yù)測(cè)與決策，并按需進(jìn)化能力與響應(yīng)速度。該方案具備強(qiáng)環(huán)境泛化能力，可應(yīng)對(duì)雨天、極端光照、道路施工等 “長尾場(chǎng)景”；同時(shí)依托自研 Depots 運(yùn)營體系，深度融合世界模型與車輛運(yùn)營，實(shí)現(xiàn)自動(dòng)進(jìn)出停車場(chǎng)、充電與快速調(diào)度，大幅降低 L4 級(jí)自動(dòng)駕駛落地成本，驗(yàn)證了技術(shù)商用價(jià)值。

• 華為（MagicDriveVIT）MagicDriveVIT是華為聯(lián)合高校推出的新一代 DIT 架構(gòu)，核心是通過時(shí)空條件式大氣語言模型，將環(huán)境語義與動(dòng)態(tài)要素統(tǒng)一建模，實(shí)現(xiàn)場(chǎng)景高維理解與聯(lián)合推理。相比傳統(tǒng)端到端方案，其在多車協(xié)同、變道及惡劣天氣下的泛化能力更突出，可在 100 毫秒內(nèi)推演 216 種軌跡并生成 120 秒預(yù)測(cè)視野，兼具高效性與可解釋性，是無地圖自動(dòng)駕駛的關(guān)鍵技術(shù)路徑之一。

• 蔚來（NOMM）由蔚來自動(dòng)駕駛團(tuán)隊(duì)研發(fā)，具備全量語義理解與多無軌運(yùn)動(dòng)預(yù)測(cè)能力，可在閉環(huán)系統(tǒng)內(nèi)支撐 16 類戰(zhàn)術(shù)避障并生成 120 秒預(yù)測(cè)視野。算力層面依托 4×Orin-X 芯片、高通 SA8195P、英偉達(dá) Nadrade 2.0 架構(gòu)實(shí)現(xiàn)群體智能協(xié)同，為智能駕駛提供強(qiáng)大算力支撐。新 NOMM 系統(tǒng)支持自動(dòng)泊車、高速變道避障、車位級(jí)導(dǎo)航等 30 + 場(chǎng)景，系統(tǒng)能力持續(xù)迭代，是蔚來高階智駕的核心技術(shù)壁壘。

? 如欲獲取完整版PDF文件，可以關(guān)注鈦祺汽車官網(wǎng)—>智庫，也可以添加鈦祺小助理微信，回復(fù)“報(bào)告名稱：智能駕駛深度報(bào)告：世界模型與VLA技術(shù)路線并行發(fā)展 ”。

點(diǎn)擊下方，查看近期熱門行業(yè)研究報(bào)告