汽车行业深度报告：AI系列深度09期，从LLM到VLM再到VLA意味着什么？.pdf

AI大模型正从数字世界向物理世界延伸，LLM、VLM、VLA三类模型构成逐层扩展的技术脉络。东吴证券这份深度报告系统梳理了从语言基础模型到视觉-语言-动作模型的演进逻辑，揭示物理AI将成为增量更大的发展方向。

研究目的与核心框架

报告旨在厘清LLM、VLM、VLA的技术继承关系与本质差异，为汽车产业及具身智能投资提供分析框架。研究将三类模型置于同一技术脉络中考察：LLM以文本为输入输出，VLM在语言底座上接入视觉模态，VLA进一步将动作作为输出模态进入物理世界。

核心机制与数据约束

三者核心机制呈递进关系：LLM依托Transformer自注意力机制进行自回归预训练；VLM增加视觉编码器与模态对齐模块，通过CLIP式图文对齐或Q-Former等结构将视觉特征映射至语言模型输入空间；VLA则需解决动作表征问题，形成离散动作token、连续动作生成、双系统分工三条技术路线。训练数据难度逐级抬升：LLM依赖文本语料，VLM增加图文对，VLA需要机器人示教轨迹和真实环境数据，后者采集成本远高于前两者，构成VLA的核心约束。

产业格局与竞争重心

海外厂商分层明显：OpenAI、Google、Meta、Anthropic主导LLM/VLM，Google、Physical Intelligence、NVIDIA、Figure等布局VLA和机器人。国内DeepSeek、阿里、字节、百度、腾讯、智谱、月之暗面、MiniMax等主攻LLM/VLM，智元、银河通用等聚焦VLA与机器人本体。报告判断后续竞争核心将从模型能力延伸到数据、硬件、动作控制与场景闭环，智能驾驶作为最先跑通闭环的代表场景应重点关注。

关键演进节点

技术演进时间线显示：2017年Transformer架构奠定LLM基础，2021年CLIP开启VLM时代，2023年RT-2首个命名VLA实现VLM向VLA的跨越，2024年π0与OpenVLA推动VLA扩散，2025年GR00T N1与Gemini Robotics进入人形机器人基础模型阶段。