让汽车像老司机一样拥有人类直觉，VLA凭什么敢吹这个牛？

最近各家车企都在热炒VLA，发布会上的营销词一套接着一套。但到底什么是VLA？它凭什么被称为自动驾驶的终极形态？

今天，我想跳出单一品牌的宣传，去真正看懂自动驾驶技术演进的脉络。

自动驾驶发展这么多年，其实一直被卡在一个问题上：精准的物理控制与人类的常识推理到底该怎么融合？

为了解决这个问题，自动驾驶的路线经历了三个阶段的进化。理解了前两个，你自然就懂了VLA的含金量。

第一阶段：传统模块化系统：流水线工厂

大家可以把早期的自动驾驶想象成一个分工明确的工厂，严格分为四个部门：感知、预测、规划、控制。

它的好处是： 逻辑特别清晰。如果车子画龙了，工程师一查，哦，是控制的代码写飞了，改代码就行。

它的致命痛点是： 第一，误差会像滚雪球一样放大。只要感知部门把前方的白色货车错认成白云，后面的规划和控制部门就会直接带着车撞上去。第二，现实世界太复杂了（长尾场景）。工程师靠手工写如果遇到X，就执行Y的死规则，永远也写不完路上的突发奇想。

第二阶段：VA端到端模型：肌肉记忆

既然规则写不完，大家就换了种思路：搞端到端。摄像头拍到画面（Vision），直接让系统输出方向盘和油门信号（Action），把中间那些部门全砍掉。

它的好处是： 信息没损耗了，车子开起来非常拟人、平顺，就像老司机。

它的核心局限是： 它是一个纯粹的黑盒，目前大部分端到端智驾太依赖肌肉记忆，世界常识太少。它遇到红灯会停，是因为它在训练库里看了几千万次别人这么开，但它并不理解为什么要停。假如一种画面它从来没见过，由于缺乏逻辑推理能力，它大概率会不知所措。

第三阶段：VLA模型： 给汽车装上大脑

为了填补常识的空白，VLA诞生了。它的进步性在于：在原本的视觉（V）和动作（A）之间，硬生生塞进了一个大语言模型（L）作为大脑。

我们通常用一个公式来概括这个庞大的系统：

看懂了这个公式，你就看懂了VLA的灵魂：

1. x（多模态输入）：世界在车眼里的样子

在VLA的视角里，输入给车子的不再仅仅是摄像头拍到的二维画面，或者是激光雷达扫出的三维点云。更重要的是，它加入了语言。

这个语言，可以是GPS导航传来的前方路口左转，可以是前方的红绿灯信号，甚至可以是直接灌进去的交通规则文本。VLA把物理世界和人类语言揉在了一起。

2. F（VLM骨干网络）：真正的大脑推理引擎

公式里的 F，就是整个系统的大脑。它的工作是把视觉看到的画面，翻译成人类的语言概念。

在这里，语言不仅仅是用来聊天的，它是一种表达逻辑的工具。因为大语言模型早就阅读了海量的互联网文本，它心里已经有了人类社会的运行常识。当视觉特征被映射到语言空间时，车子就具备了用思维链去推理的能力。

3. H与 a_t（动作生成头与物理动作）：大脑指挥手脚

大脑想明白了，最后需要一个翻译官 H，把复杂的思维转化成汽车底盘能听懂的物理动作 a_t（比如打方向、踩刹车）。

在这个生成动作的最后一步，目前学术界和工业界有四种主流的流派，这决定了你的车开起来到底够不够细腻：

• 离散轨迹： 简单粗暴，在地上画出未来几秒要经过的几个空间坐标点，让车子连线开过去。

• 连续轨迹： 给出一条平滑的函数曲线（比如速度和转向的弧度），车子顺着线滑行。

• 直接控制： 绕过所有规划，大脑直接暴躁地下达底层指令：方向盘向左打45度，刹车踩到底！

• 语言表示： 极其科幻的一种方式，大模型直接在脑子里生成一句自然语言：我现在要减速并向左变道，然后这句话直接触发底盘动作。

总结一下，从模块化到VA，再到今天的VLA，这绝不是单纯的算力堆砌，而是机器从死记硬背走向真正理解这个世界的跨越。当然，VLA目前也面临着极其恐怖的算力消耗，以及大模型偶尔胡言乱语的幻觉风险，但这无疑是我们目前通往真正完全自动驾驶的最优的探索。