汽車行業深度報告：AI系列深度22期，智能駕駛VLA模型的架構范式與廠商路線.pdf

智能駕駛技術正經歷從模塊化流水線向視覺語言動作模型（VLA）融合的深刻變革。VLA4AD范式通過將視覺感知、語言理解與動作決策整合進同一策略模型，并利用顯式動作頭彌合傳統VLM的動作生成缺口，實現了語義理解與駕駛策略的緊密耦合。其核心架構包含視覺編碼器、語言處理器與動作解碼器，并經歷了從被動解釋器、規劃協作者、統一動作生成器到推理中樞的四階段演進，旨在解決魯棒性、實時性及多模態對齊等挑戰。

廠商路線分化與技術特征

頭部廠商在VLA技術路線上呈現顯著差異化。Waymo EMMA基于Gemina構建純端到端架構，將多任務輸出統一至語言空間，利用思維鏈提升規劃性能；理想MindVLA采用3D高斯中間表征與MoE架構，實現三維理解、語義推理與擴散動作解碼的統一，支持車端實時運行；元戎啟行推出40B VLA基座，設置Driver、Analyst、Critic三角色，通過因果推理與軌跡評估驅動數據閉環；千里科技CoWorld-VLA則創新構建多專家世界模型Token，在隱空間編碼交通交互、道路幾何等要素，通過多專家融合規劃器生成軌跡。

小鵬第二代VLA的架構創新

小鵬第二代VLA選擇弱化顯式語言中間層，趨近視覺—動作路線。通過原生多模態Tokenizer與32倍超密視覺思維鏈，實現視覺信號到動作的端到端直出，顯著降低預測誤差并提升推理效率。該模型已在Ultra車型量產落地，并獲大眾汽車定點，展現了去語言化架構在實時性與量產可行性上的優勢。未來競爭將聚焦于實時性能、數據閉環效率及評測標準化，物理AI作為智能駕駛的終極形態，其確定性價值日益凸顯。