世界模型與VLA模型在自動駕駛架構中的關系如何界定？

世界模型與VLA并非對立路線，而是可在部分架構中耦合的兩個環節。VLA主要負責動作輸出，即基于視覺輸入和語言指令生成執行動作；世界模型主要負責環境預測，即預測后續狀態如何演化。純VLA如Physical Intelligence的π、智元GO-1、銀河通用GraspVLA，通常是當前畫面到動作的直接映射，中間不顯式預測未來。

融合路線則在VLA上疊加先預測未來、再決定動作的能力。小鵬在CVPR 2026上表示，VLA和世界模型不是兩種割裂技術，而是在特定架構中可以融合的兩類能力；其物理世界基座模型同時承擔向人類學習如何行動的VLA目標與向世界學習其如何變化的世界模型目標。在VLA的雙系統路線中，System 2通常承擔較慢但更穩健的規劃功能，若需要預測未來并據此決策，則往往需要引入世界模型。

物理AI中世界模型與動作的結合方式可分為三種：松耦合作為數據工廠或仿真器，訓練級融合作為閉環訓練環境，架構級融合統一輸出畫面與動作。選擇何種結合方式取決于場景對實時性、可解釋性和安全驗證的要求強度。