文 | 极智 GeeTech

2026 年，自动驾驶行业的内卷逻辑，正在发生第三次重构。

短短数年间，行业快速走结束硬件堆砌竞赛、端到端算法博弈两个阶段，以小鹏、梦想为代表的新势力车企和恬逸、长城等传统车企扎堆入局 VLA（视觉 - 谈话 - 动作）模子，成为现时自动驾驶技巧迭代的蹙迫派别之一。

凭借"视觉感知 + 谈话推理 + 动作输出"的三位一体架构，VLA 管束了传统自动驾驶最大的痛点：看得懂路况，却不懂路况逻辑。但 VLA 的缺陷也十分清澈，依靠谈话模子进行推理，就需要视觉到谈话、谈话到动作的两次翻译，而翻译就会导致过错，反应也更慢。

行业竞争的狠毒性在于"刚追上主流，就迎来新迭代"。当一部分厂商还在打磨 VLA 量产落地、优化推理速率与场景泛化能力时，华为、小米等玩家却以为：VLA 并不是自动驾驶的终极形态，仅仅从辅助驾驶走向全自动驾驶的过渡技巧。信得过的下半场竞争，早已对准 VLA 之后的下一代技巧范式。

VLA 怎样重塑自动驾驶底层逻辑？

想要看懂 VLA 的局限与将来方针，最先要厘清自动驾驶十年三代技巧范式的迭代逻辑，每一次迭代，都是对前一代技巧短板的透澈颠覆。

第一代是章程启动时间，亦然最原始的自动驾驶形态。早期自动驾驶充足依托工程师手写百万行级 C++ 代码，通过预设固定例则搪塞各种路况。系统的中枢逻辑是"匹配章程、机械实行"，优点是踏实可控、可评释性强，瑕玷是相配僵化。濒临未预设的突发场景、异形路况、混行交通，系统会径直决策失效，无法适配复杂简直路况，这亦然早期辅助驾驶只可局限于高速巡航的中枢原因。

第二代是端到端 AI 时间，以特斯拉 FSD V12 为标志性最先。行业透澈解除模块化拆分与东说念主工章程堆砌，搭建"像素输入、动作输出"的全神经收集架构，通过海量简直路况数据考试，让 AI 自主学习行驶决策。这一代技巧管束了传统章程算法僵化、迭代慢的问题，大幅擢升了自动驾驶平顺度与场景适配性。但其也存在致命短板，唯有感知能力，莫得贯通能力。AI 能识别遮挡物、车说念线，却无法贯通场景背后的逻辑，不懂交无为识，极易出现"识别到但误判、避险生硬、决策不对理"的问题。

第三代等于当下的 VLA 时间，亦然近两年自动驾驶行业的主流形态。VLA 在端到端详觉架构的基础上，加入当然谈话推理能力，构建起"视觉感知寰宇、谈话贯通逻辑、动作输出决策"的完整闭环。不同于纯视觉端到端模子的"直观式决策"，VLA 不错像东说念主类司机不异，先识别路况、再贯通场景、临了制定行驶政策，完好适配城市复杂路口、东说念主车混行、临时施工等高频复杂场景，让高阶无图智驾信得过具备量产实用性。

VLA 执行上是一种端到端的智能系统，通过息争的神经收集将多模态感知与高层逻辑推理、底层动作实行相敬如宾。其中枢价值是将原来互相清静的感知模块（看）、逻辑模块（想）与实行模块（作念）在合并个语义空间内完成了对王人。与传统的自动驾驶系统比拟，VLA 不仅大致识别环境中的像素点或几何结构，更能贯通这些信号背后的语义逻辑。

VLA 模子由视觉编码器、大谈话模子（LLM）主干收集以及动作解码器三个中枢组件组成。视觉编码器将录像头网络的多视角图像转机为高维的特征向量，这些向量包含了环境的空间布局与物体特征；LLM 主干收集则算作决策中心，诳骗预考试流程中积存的海量寰宇知识对视觉特征进行逻辑加工；动作解码器则将这些玄虚的推理驱散转机为如转向角度、加延缓数值等具体的物理动作。

这种一体化的映射花式使得系统大致以一种更接近东说念主类证据的花式来处理驾驶任务。在东说念主类驾驶流程中，大脑并不会先在坚毅里标出每一个行东说念主的精准坐标再进行筹划，而是基于对场景的举座贯通（如"这个行东说念主可能要过马路"）径直产生湮灭动作。VLA 模子通过分享的 Transformer 架构，对谈话、视觉和动作模态进行协同编码，构建了息争的语义空间，好意思满了从感知贯通到动作决策的无缝连系。

经过三年迭代，VLA 依然透澈改写行业形式，抹平了中小厂商的算法差距。如今主流车企的 VLA，在惯例城市说念路、高速路况的弘扬依然趋于同质化，往往通行平顺度、场景粉饰率差距极小。同质化内卷的背后，意味着 VLA 的技巧红利依然见顶，行业亟需新的技巧冲破点。

看似完好封神，VLA 四大瓶颈已现

面前公论精深将 VLA 视为自动驾驶的最优解，但在一线技巧团队与行业群众眼中，VLA 从出身之初就自带结构性劣势，这些短板无法通过模子微调、数据增量、算力升级透澈管束，亦然其注定只可成为过渡技巧的中枢原因。

最先是时序逻辑缺失，空间场景推理能力薄弱。现时精深 VLA 模子擅长单帧、瞬时路况分析，对车流变化、行东说念主迁徙轨迹、多车交互的相连时序逻辑预判不及。濒临鬼探头、近距离穿插、车流突发变说念等高速动态场景，以及车辆在具体空间里的通达，VLA 起劲聪敏锐知能力，频频出现决策滞后、预判失实，无法好意思满东说念主类司机的"提前预判、主动避险"

其次是算力本钱高，及时性难以适配车载场景。VLA 会通视觉、谈话、动作三大模块，模子参数目繁多，推理筹划量远超传统端到端算法。车载电控系统条目决策反应速率达到 100Hz，而通用 VLA 谈话推理速率精深不及 10Hz，巨大的算力差导致模子必须大幅精简才能上车。即便部分厂商通过优化推理链路，将时延压缩至 80 毫秒以内，依旧无法透澈治贤人能化进程与速率不行兼得的矛盾，高算力本钱也大幅举高了高阶自动驾驶的量产门槛。

第三是起劲物理寰宇学问，长尾场景泛化能力失效。VLA 的学习逻辑依托海量数据拟合，而非信得过贯通物理端正。它不错通过考试学会湮灭惯例遮挡物，却无法自主推理"路面积水易打滑需要延缓""树枝悬空可能掉落需要绕行""雨雪天路面摩擦力下落需延伸制动距离"等物理学问。关于这类稀缺长尾场景，数据无法充足粉饰，VLA 极易出现决策失实，而自动驾驶的安全底线，碰劲由这些长尾顶点场景决定。

临了是跨模态对王人偏差，决策踏实性不及。视觉、谈话、动作三大模块存在自然的链路损耗，视觉感知偏差、谈话推理过错、动作输出偏差会层层重叠。在逆光、浓雾、暗光等视觉受限场景，VLA 会出现语义贯通与执行路况脱节的问题，出现"识别正确、贯通极端、动作偏差"的诡异决策，轻则行驶抑扬、道路偏移，重则激励安全事故，这亦然纯视觉 VLA 决策的先天物理短板。

综上来看，VLA 诚然管束了自动驾驶的智能化问题，却没管束安全性、及时性、通用性问题，这亦然行业必须冲破 VLA、探索下一代技巧的中枢动因。

下一代自动驾驶中枢技巧方针

站在 2026 年的技巧节点，头部厂商朝着跳出 VLA 的模态会通想维，转向物理寰宇智能建模的方针发展。VLA 的中枢是看懂、读懂、动作，而下一代自动驾驶技巧，中枢是懂端正、会推演、能预判，面前行业已明确四大主流迭代方针。

其一，多模态物理寰宇模子，成为下一代技巧中枢底座。寰宇模子是透澈管束 VLA 物理学问缺失的最优解，亦然特斯拉、华为要点攻坚的中枢方针。不同于 VLA 依托数据拟合场景，寰宇模子会自主学习现实寰宇的物理章程、交通端正、通达逻辑，构建完整的杜撰路况寰宇。濒临从未见过的长尾场景，无需海量数据考试，就能依托物理学问自主推演最优决策，信得过好意思满"举一反三"。简便来说，VLA 是见过才会，寰宇模子是懂旨趣是以会，从根蒂上管束长尾场景失效的行业贫困，是全自动驾驶落地的中枢基础。

其二，时序具身智能架构，开云世界杯官网 - 世界杯(中国)补王人动态决策短板。针对 VLA 时序推理薄弱的劣势，下一代技巧将透澈强化相连场景建模能力，放置单帧静态推理模式，搭建时序纪念与动态推演体系。系统不错及时纪录过往路况信息、预判将来 3-5 秒车流与东说念主流动态变化，好意思满"往时 - 面前 - 将来"的全时序链路决策，贴合东说念主类司机的驾驶想维，透澈管束高速动态避险、复杂车流交互、路口多主体博弈的决策贫困，大幅擢升高速、城市拥挤场景的行驶安全性与平顺度。

其三，神经标记会通，均衡智能度与可评释性。现时 VLA 属于纯黑盒 AI 模子，决策逻辑不行评释，存在安全监管隐患，也难以满足自动驾驶合规落地条目。下一代神经标记会通技巧，将 AI 深度学习的直观上风与标记逻辑的章程上风集中，AI 肃穆及时场景感知与快速决策，标记逻辑肃穆交通章程、物理学问、安全底线的约束校验。既保留了大模子的极致智能，又管束了黑盒决策的不行控问题，让每一次制动、变说念、绕行都有逻辑可循，适配高阶自动驾驶的安全合规条目。

其四，轻量化通用自动驾驶基座，好意思满普惠量产。VLA 算力本钱过高的问题，极大驱散了高阶自动驾驶的普及。下一代技巧将依托模子蒸馏、算子优化、边际筹划重构，打造轻量化通用自动驾驶基座，在保留顶级决策能力的前提下，将算力需求大幅压缩，开脱对超高算力硬件的依赖。同期适配多传感器会通架构，以视觉为主、雷达为辅，兼顾低本钱与高安全冗余，透澈管束高阶自动驾驶只可搭载高端车型的痛点，推动全自动驾驶全面下千里至中端量产车型。

新一轮技巧差距正在拉开

技巧迭代的窗口期永远已而，面前国表里头部厂商依然开启下一代技巧竞速，提前布局 VLA 之后的技巧赛说念，新一轮行业排位赛已然开启。

特斯拉算作行业技巧风向标，正在鞭策端到端时序神经收集会通神经寰宇模拟器，中枢推理仍以端到端为主、云表闭环仿真为辅。‌‌与 VLA 不同，‌特斯拉未引入大谈话模子用作语义推理‌，而是对峙"纯视觉端到端 + 物理仿真考试"道路。

FSD 收受"‌多模态（录像头 +IMU+ 导航 + 音频）输入 → 时序 Transformer/ 占用收集 → 径直输出限度信号"‌的‌一段式端到端架构‌，并非传统"感知 - 有盘算 - 限度"级联，该结构具备时序建模能力，可视为"端到端时序收集"。神经寰宇模拟器（Neural World Simulator）则‌用于‌云表生成将来气象‌（给定现时气象 + 动作 → 臆想下一帧场景），复旧‌闭环考试、长尾场景合成与强化学习。

华为于 4 月推出 WEWA 2.0 架构，包含云表的寰宇引擎（WE）与车端的寰宇步履模子（WA）两大中枢部分。在云表引入了多智能体博弈机制与在线强化学习，该机制使模子能与环境及时交互，好意思满"边生成、边学习、边考据"的责任花式。在车端，架构以安全风险场表面和 Driving Agent 模块为中枢，通过量化动能场、势能场与步履场来评估及时风险，并生成风险热力求辅助决策。Driving Agent 模块援手系统自行优化政策以完成出行任务 ，大致擢升在复杂场景下的搪塞能力与防患性驾驶能力。

小鹏、梦想则聚焦量产落地优化，走出各异化迭代道路。小鹏汽车在第二代 VLA 上作念出了较为激进的遴选——去谈话层。小鹏第二代 VLA 收受"视觉→隐式 Token →动作"的架构，透澈解除显式谈话转译，让视觉信号径直生成相连的驾驶动作，极致压缩推理时延，同期布局虚实集中数据闭环，通过杜撰场景考试补足长尾场景短板。梦想推出 Mind VLA-01 全新架构，针对性管束 VLA 三维空间对王人偏差问题，强化异形路况、复杂地库场景的适配能力，同期鞭策模子轻量化，主打极致量产性价比。

小米汽车于 3 月发布 XLA 证据大模子，在模态援手、效果与可控性方面有所侧重，其称号中的" X "意指原生援手多模态数据输入，可会通激光雷达、视觉、导航、声息及机器东说念主数据等。XLA 收受潜空间推理技巧，旨在兼顾系统低时延与推理能力，并保持推理流程的可评释性与可追念性。其基于 Xiaomi MiMo-Embodied 具身基座大模子研发，会通了 VLA 和寰宇模子架构，好意思满了从数据启动到证据启动的升级，并因其原生援手更丰富的多模态数据输入而定名为 XLA 而非 VLA。

自动驾驶企业阵营方面，小马智行 PonyWorld 2.0、文远知行通用仿真模子 WeRide GENESIS、蘑菇车联物理寰宇多模态大模子 MogoMind 均属于寰宇模子范围。寰宇模子执行上是一套"贯通物理寰宇、在杜撰环境里与寰宇博弈"的能力框架，其中枢能力主要有两个方面：一是对物理寰宇的数字化建模和玄虚；二是基于这么的建模，产生对物理寰宇合理的瞎想和臆想，举例通过给定的图片臆想未下寰宇将会怎样变化。

基于寰宇模子，自动驾驶企业在进行云表仿真考试时，不错无驱散从各个维度生成所需场景，大致证据教唆生成视频算作考试数据，模子迭代速率呈现断代式最先。在无东说念主驾驶上训诲落地之后，寰宇模子有契机进一步探索其他物理 AI 应用，比如复杂机器东说念主限度、自动化物流系统等。

举座来看，行业形式依然明晰：二线厂商还在全力落地 VLA、追逐主流；一线头部厂商依然完成 VLA 技巧吃透，提前布局下一代寰宇模子与具身智能。将来两年，车企的自动驾驶能力差距将不再由 VLA 能力决定，而是由下一代物千里着拖拉能技巧的落地速率决定。

VLA 之后，自动驾驶迎来全民普惠时间

从章程算法到端到端，从 VLA 大模子到物理寰宇智能，自动驾驶的迭代逻辑长期明晰：裁汰东说念主工依赖、擢升通用能力、缩常人机差距。VLA 算作要津过渡技巧，承载了自动驾驶从"机械辅助"到"类东说念主智能"的越过，但其结构性短板注定无法复旧 L4 级充足自动驾驶落地。

将来 2-3 年，跟着 VLA、寰宇模子的进一步发展，自动驾驶将迎来三大颠覆性变化：

第一，安全兜底能力质变，管束长尾顶点场景失效问题，信得过好意思满全天候、全场景可靠行驶，摈斥自动驾驶核快慰全隐患。

第二，透澈开脱数据依赖，无需海量场景粉饰，依托物理学问自主适配各种未知路况，管束不同城市、不同路况的适配贫困。

第三，本钱大幅下探，轻量化模子架构裁汰硬件门槛，高阶全自动驾驶将从高端豪车标配，下千里至十几万家用车型，好意思满全民普惠。

与此同期，行业竞争将透澈告别"参数内卷、功能堆砌"，追溯中枢的物理建模能力、时序推理能力、安全可控能力。单纯跟风堆叠大模子、复刻 VLA 功能的厂商，将冉冉被市集淘汰，唯有信得过掌捏底层核默算法与物千里着拖拉能技巧的企业，才有可能拿到通往下一站的船票。

任何技巧赛说念，都莫得不朽的技巧红利，唯有不息的底层更动。VLA 的普及开云足球世界杯中国官网入口，让行业开脱了初级的硬件、章程内卷，信得过迈入 AI 智驾时间。而 VLA 之后，自动驾驶将不再仅仅"会开车的机器"，而是懂路况、懂物理、懂章程、能预判的车载智能体。这一轮迭代，早已卓著算法本人，而是自动驾驶从"为东说念主所用"到"与东说念主共生"的终极越过。