汽车行业深度报告：AI系列深度22期，智能驾驶VLA模型的架构范式与厂商路线.pdf

智能驾驶技术正经历从模块化流水线向视觉语言动作模型（VLA）融合的深刻变革。VLA4AD范式通过将视觉感知、语言理解与动作决策整合进同一策略模型，并利用显式动作头弥合传统VLM的动作生成缺口，实现了语义理解与驾驶策略的紧密耦合。其核心架构包含视觉编码器、语言处理器与动作解码器，并经历了从被动解释器、规划协作者、统一动作生成器到推理中枢的四阶段演进，旨在解决鲁棒性、实时性及多模态对齐等挑战。

厂商路线分化与技术特征

头部厂商在VLA技术路线上呈现显著差异化。Waymo EMMA基于Gemina构建纯端到端架构，将多任务输出统一至语言空间，利用思维链提升规划性能；理想MindVLA采用3D高斯中间表征与MoE架构，实现三维理解、语义推理与扩散动作解码的统一，支持车端实时运行；元戎启行推出40B VLA基座，设置Driver、Analyst、Critic三角色，通过因果推理与轨迹评估驱动数据闭环；千里科技CoWorld-VLA则创新构建多专家世界模型Token，在隐空间编码交通交互、道路几何等要素，通过多专家融合规划器生成轨迹。

小鹏第二代VLA的架构创新

小鹏第二代VLA选择弱化显式语言中间层，趋近视觉—动作路线。通过原生多模态Tokenizer与32倍超密视觉思维链，实现视觉信号到动作的端到端直出，显著降低预测误差并提升推理效率。该模型已在Ultra车型量产落地，并获大众汽车定点，展现了去语言化架构在实时性与量产可行性上的优势。未来竞争将聚焦于实时性能、数据闭环效率及评测标准化，物理AI作为智能驾驶的终极形态，其确定性价值日益凸显。