理想、小鹏等车企重金押注VLA大模型 ! VLA 到底是什么？

引言

去年年初，特斯拉率先上线端到端技术，这一动作迅速引发全行业跟进热潮，直接推动城市领航辅助功能在新车型中实现规模化普及。

刷到理想、小鹏的新车宣传里反复提“VLA”？刷到机器人能精准执行“把水杯放桌上”的指令？这个听起来很技术的词，其实藏着未来生活的密码。今天用大白话拆解VLA：它到底是什么、能做什么，又会带我们走向何方？

【VLA不是黑科技，是会思考的执行者】

VLA的全名叫“视觉-语言-动作模型”，光看名字就知道它的核心能力——把“看得到”“听得懂”变成“做得对”，像给机器装了“眼睛+大脑+手脚”。

打个比方，传统自动驾驶像只会执行固定指令的机器人，而VLA更像能灵活应变的司机：看到前方施工（视觉），听懂导航说“绕行”（语言），立刻减速变道（动作），全程不用人操心，还会告诉你“因为前方施工，正在变更车道”。

不少人好奇：VLA 加 “语言” 这一步，到底图啥？

其实答案藏在传统端到端架构的一个短板里 ——它的 “心思” 太难猜了。你能看到它最终做出的决策，比如 “减速避让” 或 “保持车道”，但完全摸不透它是怎么分析路况、怎么一步步推导到这个结论的。这也是业内把它叫做 “黑匣子” 的核心原因。

平心而论，端到端驾驶在多数常规场景下表现很亮眼：比传统逻辑堆叠的智驾反应更果断，操作也更贴近人类司机的习惯。可一旦遇上没见过的 “奇葩情况”，比如突然出现的临时施工区域、形状怪异的障碍物（像掉在路中间的大型纸箱），它就有可能 “判断失误”，做出让人捏把汗的操作。

最麻烦的是后续调试：工程师没法像改代码那样，直接定位问题、修正错误，只能靠 “喂数据”—— 给系统输入大量正确处理这类场景的案例，让它自己慢慢 “学乖”。但问题来了：到底要喂多少数据才能教会它？没人能说准。就像 “薛定谔的猫” 一样，你不知道喂到哪一步它突然就懂了，也不知道是不是还漏了什么特殊情况。

哪怕最后它的准确率能做到 99.99% 甚至更高，也永远没法保证 100% 不出错。换句话说，面对端到端架构的问题，很多时候只能 “治标”—— 靠数据缓解特定场景的漏洞，却很难 “治本”—— 彻底杜绝所有意外情况的发生。而 VLA“语言” 工序的加入，正是为了尝试打开这个 “黑匣子”，让智驾的决策过程更透明、更可控。

【车不仅会开，还会“沟通”】

Wayve的“解说型”驾驶：这家英国公司的LINGO-2模型能边开车边“讲解”，遇到行人减速时会说“因为行人过马路，正在避让”，目前已经和Uber合作测试Robotaxi，计划2027年装到量产车上。

理想的“车载大脑”：新车型上的MindVLA司机大模型不用高精地图，带来多维度提升，比如VLA指挥，语音控制完成路径规划。靠多摄像头就能构建3D路况，还能预测周围车辆的轨迹，同时在混乱环岛里也能选对路线，“这条路线以后开60”、“靠边停”、“过了路口开快点”组合指令也不在话下。

小鹏的“全场景覆盖”：VLA更懂安全，推出的遇事故标识预判风险、预判遮挡盲区“鬼探头”、防御性驾驶功能，从容应对各种路况。同时能让车自己记路、建停车场3D模型，雨天见积水自动减速，夜间还能预判“开门杀”风险。

【写在最后】

从特斯拉用端到端技术打开智驾新局，到理想 MindVLA 实现 “语音控路径、预判车辆轨迹”，再到小鹏 VLA 能防 “开门杀”、自动避积水，我们正实实在在见证一场 “机器懂人” 的变革。

VLA 最关键的价值，就是让车跳出 “只会执行指令的工具” 角色 —— 它既能像人类司机一样灵活应对路况，又能用 “语言” 解释决策，彻底打破了传统端到端 “黑匣子” 的困境。就像 Wayve 的 Robotaxi 边开车边说 “避让行人”，小鹏 VLA 提前预警盲区风险，这些场景都在证明：VLA 不是遥远的概念，而是已经让出行更安全、更贴心的现实。

如果你也对 AI 如何重塑生活？科研如何推动技术落地项目感兴趣。

欢迎大家在评论区留言互动~