AI大模型技术演进：从LLM到VLM再到VLA的产业映射

技术脉络：三类模型的继承与分化

LLM、VLM、VLA可理解为同一技术脉络上逐层扩展模态和输出能力的三类大模型。LLM以文本为输入输出，核心解决语言理解、生成和推理；VLM在语言底座上加入视觉理解，使图像和文字在同一语义空间交互；VLA进一步把动作作为输出模态，使模型能够驱动机器人或车辆在物理世界中行动。三者存在继承关系，但不能简单归结为同一种next-token机制。

从概念脉络看，LLM由Transformer、GPT等奠定，核心是以海量文本和自监督训练形成语言基础模型；VLM由CLIP、Flamingo等推动，通过图文对齐、视觉编码器和模态投影把视觉信息接入语言模型；VLA由Google DeepMind在RT-2中明确命名，核心是把视觉、语言与动作统一到策略模型中。

核心机制：数据难度与表征方式逐级抬升

从数据和表征看，三者难度逐级抬升。LLM训练依赖文本语料，VLM增加图文对和视觉编码，VLA则需要机器人示教、遥操作轨迹、动作反馈和真实环境数据。动作不是普通输入模态，而是会改变物理世界的控制输出；因此，VLA既可把动作离散化为token自回归生成，也可用扩散策略或流匹配生成连续动作轨迹。

VLA的动作建模可拆为三类机制。第一类是离散动作token，将机械臂或机器人动作离散化为序列，并用自回归方式逐步预测，RT-2和OpenVLA属于该路线。第二类是连续动作生成，通过扩散策略或流匹配直接生成连续动作轨迹，更适合高频、精细控制，π0采用流匹配实现约50Hz动作输出。第三类是双系统分工，由高层VLM负责场景理解和任务意图生成，低层动作模型负责实时控制，NVIDIA GR00T N1和智元GO-1体现了相关探索。

应用边界：从数字世界到物理世界的跨越

从应用边界看，LLM主要处理知识、代码、对话和软件任务；VLM把能力扩展到图像理解、图文问答、视觉检索和多模态交互；VLA则进入机器人、自动驾驶和具身执行，需要处理实时性、安全性和物理反馈。NVIDIA的慢思考VLM加快思考动作模型、π0的连续动作生成、RT-2的动作token化，均体现VLA内部路线仍在分化。

数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但其难以实现物理世界的建模闭环；物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，应重点关注。

产业映射：海外与国内厂商的分层布局

产业映射上，海外OpenAI、Google、Meta、Anthropic等主导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等布局LLM/VLM，智元、银河通用等聚焦VLA与机器人本体。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。

国内格局可概括为三类：基座型，DeepSeek、阿里、字节、百度、腾讯、智谱、月之暗面、MiniMax、上海人工智能实验室/商汤，主攻LLM/VLM；具身型，智元、银河通用等，主攻VLA与机器人本体；跨界型，字节、阿里、腾讯等，以基座能力下沉具身或通过投资卡位。