在11月5日的AI科技日上，小鵬汽車揭開了第二代VLA方案的一縷面紗。

“去掉了語言轉(zhuǎn)譯層”、“與標(biāo)準(zhǔn)VLA方案不同”的寥寥數(shù)語，引發(fā)了大眾對(duì)小鵬自動(dòng)駕駛算法架構(gòu)的諸多猜測。

好事者最為關(guān)心的是，小鵬新一代VLA是否開始轉(zhuǎn)向了華為WE世界行為模型。

由于事關(guān)用戶心智，為了避免宣發(fā)上的營銷劣勢，大師兄對(duì)此語焉不詳。

那么，事情的真相到底是什么樣呢？

01

在黑話橫行的本土自動(dòng)駕駛市場，誰能打造出一個(gè)清晰易懂且代表前沿方向的技術(shù)標(biāo)簽，誰就能在用戶的心中占據(jù)位置上的遙遙領(lǐng)先。

鑒于華為已經(jīng)將世界行為模型打造成了其智駕技術(shù)的核心標(biāo)簽，如果小鵬跟隨使用相同的技術(shù)名詞，就會(huì)陷入淪為跟班的困境，面臨為他人做嫁衣的風(fēng)險(xiǎn)。

但形式不改實(shí)質(zhì)，綜合來看，小鵬第二代VLA的架構(gòu)在本質(zhì)上就是世界行為模型。

在標(biāo)準(zhǔn)的VLA中，遵循的是V->L->A的串行架構(gòu)，作為中間層的語言L是內(nèi)部推理的橋梁，用于將視覺的場景轉(zhuǎn)化為可理解的文本邏輯，然后再將這些場景理解轉(zhuǎn)譯為軌跡和動(dòng)作。

而在標(biāo)準(zhǔn)的世界行為模型中，模型會(huì)基于三維空間形式而非語言形式的理解，在內(nèi)部重構(gòu)一個(gè)數(shù)字形式的物理世界。

然后通過預(yù)測不同決策下環(huán)境的變化，選擇最優(yōu)路徑，最后根據(jù)路徑軌跡生成相應(yīng)的動(dòng)作，直接控制車輛。

很顯然，小鵬第二代VLA遵循的就是世界模型里「理解」->「推演」->「生成」的路徑。

小鵬第二代VLA之所以轉(zhuǎn)向世界行為模型，主要是為了解決信息損耗、推理效率的問題。

在標(biāo)準(zhǔn)VLA架構(gòu)中，存在視覺-語言、語言-動(dòng)作的兩次轉(zhuǎn)譯，這兩次轉(zhuǎn)換不可避免地造成了信息的丟失。

就像大師兄在科技日上講的那樣，即便用1200多字的文本來描述一張二維圖片，也無法描述得非常全面。

之所以如此，是因?yàn)閷?duì)自動(dòng)駕駛而言，真正重要的是場景理解，是對(duì)外在物理世界的全面洞察，而文字描述只是對(duì)物理世界的有損表達(dá)。

對(duì)于物理世界的理解，真正的關(guān)鍵是「語義」，而非「語言」，富含語義的二維圖像和三維視覺特征，顯然無法被語義承載能力孱弱的一維文本式語言序列全面表達(dá)。

這是維度不同帶來的根本難題。

在三體世界里，四維世界的歌者文明能輕松地通過二向箔對(duì)三維世界的太陽系造成降維打擊。

在太陽系文明里，三維世界的人類也可以從從容容、游刃有余地造成二維世界螞蟻的慌慌張張、連滾帶爬，完美詮釋了什么叫向下兼容和降維打擊。

所以，在自動(dòng)駕駛算法里，真正要克服的根本難題是從二維圖像到三維空間的升維，而不是從二維圖像向一維語言的降維。

至于推理效率，首先，標(biāo)準(zhǔn)VLA模型的架構(gòu)是V-L-A，需要先將二維圖像形式的車輛周圍環(huán)境轉(zhuǎn)換為一維形式的文本語言。

然后在大語言模型里進(jìn)行推理，將對(duì)場景的理解轉(zhuǎn)換成控制動(dòng)作，中間存在V-L、L-A的兩次語言轉(zhuǎn)譯，步驟多、延遲高。

而世界行為模型直接完成V-A之間的映射，自然延遲低、效率高。

其次，標(biāo)準(zhǔn)VLA模型的核心組成部分，是具備了太多冗余能力的大語言模型。

我們之前曾經(jīng)調(diào)侃過，司機(jī)智能體只需要完成安全、高效、舒適、合規(guī)的駕駛?cè)蝿?wù)就足矣，不需要他上知天文、下知地理、學(xué)貫中西，一言不合就開車。

02

強(qiáng)化學(xué)習(xí)之父、今年的圖靈獎(jiǎng)得主理查德·薩頓在表達(dá)對(duì)LLM（大語言模型）的不屑時(shí)表示，對(duì)于智能而言，語言部分只是表面一層薄薄的裝飾。

致力于發(fā)展具備空間理解能力的LWM（大世界模型）的AI教母李飛飛也有“語言只是世界這個(gè)‘事實(shí)總和’的一小部分”的類似觀點(diǎn)。

當(dāng)然，我們必須承認(rèn)，語言是對(duì)思想和信息極其強(qiáng)大的編碼方式。

作為人類智慧的重要部分，語言智能是相互交流和深邃思考的媒介，也是全社會(huì)知識(shí)財(cái)富積累的載體。

正是有鑒于此，二十世紀(jì)（參數(shù)丨圖片）偉大的哲學(xué)家維特根斯坦曾經(jīng)提出過一個(gè)核心命題：語言的邊界就是世界的邊界。

含著金鑰匙出生的維特根斯坦捐出了全部的財(cái)產(chǎn)，我們要給他點(diǎn)贊。

但是，對(duì)于他這個(gè)觀點(diǎn)，我們還是要批判一番。

站在智能的角度，自然界充斥著各種各樣與語言無關(guān)的智能形式。

要知道，語言智能是在文字出現(xiàn)之后才發(fā)展出來的，在文字出現(xiàn)之前的漫長時(shí)期里，人類以及各類動(dòng)物早就已經(jīng)具有了強(qiáng)大的具身智能。

在這兩種智能形式里，駕駛?cè)蝿?wù)顯然和具身智能更加相關(guān)。

我們也可以通過一個(gè)非常簡單的例子來解釋語言智能在駕駛?cè)蝿?wù)中的局限和缺陷。

比方說，讓一個(gè)看不見但能聽得見的盲人坐到駕駛位上，您一直不停地在他耳邊解釋、表達(dá)交通場景，前面幾米處有車、兩邊的車道線在什么位置、右邊有幾位外賣小哥、道路曲率是多少、前方多少米有紅綠燈，就算你描述得非常清楚，想必盲人師傅也是不敢開的吧？

你不需要擁有180的智商，就能意識(shí)到，對(duì)于駕駛?cè)蝿?wù)而言，重要的是理解并在“大腦”內(nèi)重建三維空間，而非理解一維語言。

正是因?yàn)閷⒍S圖像、三維空間轉(zhuǎn)換成一維語言描述是一種損失非常非常大的生成方式，造成了太多信息的丟失，我們才立法禁止盲人開車的。

這個(gè)例子可以很好地反映以語言智能為核心的VLA方案的核心缺陷！

昔日佛陀在世，教化弟子三千，有弟子問佛陀他講的智慧是不是包含了這個(gè)世界上的全部。

佛陀抓起一把土說，我講的只是我手中的土，沒有講出來的就像 大地上的土一樣多。

為什么？就是因?yàn)檎Z言的表達(dá)能力太孱弱了！

基于同樣的理由，小鵬汽車放棄了大力宣傳了將近一年之久的VLA方案，轉(zhuǎn)向了華為、特斯拉領(lǐng)銜的世界行為模型。

既然如此，一個(gè)有趣的問題來了，小鵬已經(jīng)倒戈，理想汽車還會(huì)遠(yuǎn)嗎？宣稱要在今年拿出VLA方案的小米又該怎么辦？