自动驾驶VLA与世界模型之争，到底是在争什么？

[首发于智驾最前沿微信公众号]2026年过半，自动驾驶行业最热闹的话题，莫过于VLA和世界模型这两条技术路线的争论。

从2025年端到端大模型全面上车，到2026年3月英伟达GTC大会上两条路线的分歧被公开摆上台面，再到CVPR 2026上各方开始讨论融合的可能。

这场争论的烈度、持续时间和影响范围，已经超出了单纯的技术分歧，成为整个行业思考自动驾驶的下一个形态到底是什么的一个切口。

01

两种智能，两条逻辑

其实想要理解这场争论到底是在争什么之前，我们得先搞清楚VLA和世界模型到底能做些什么。

VLA的全称是视觉-语言-动作模型，它是在视觉感知和动作执行之间加入了一个关键中间层，即语言。

这个语言不是让车开口说话，而是用大语言模型的推理能力来做驾驶决策。

VLA的工作流程是，先通过视觉感知识别道路状况，再由语言模型分析当前场景的语义含义，最终输出对应的驾驶操作。

小鹏通用智能中心负责人刘先明就有一个精炼的总结，VLA学的是人在这个世界中会怎么做。

目前已经有OpenDriveVLA等模型在此基础上进行探索，通过2D和3D实例感知、车辆状态和语言指令等多模态输入来生成驾驶动作。

官方数据显示，小鹏第二代VLA也将决策延迟压降至80毫秒，搭载该模型的车型首周每天开启VLA的比例达到97.43%，月度活跃率96.97%，智驾里程占比突破50%。

图片源自：网络

世界模型的逻辑则完全不同，它不关心人怎么做，而是关心这个世界本身会怎么变化。

世界模型的核心能力是预测，这里的预测不是预测下一秒的图像长什么样，而是预测物理世界在车辆执行某个动作之后会如何演化。

如系统看到路边有一个弹跳的皮球，世界模型会基于对物理因果关系的理解，预判皮球后方大概率会跑出一个孩子。

目前行业中已经有很多世界模型在自动驾驶上实际落地的案例。

Waymo在CVPR 2026上曝光了自研的世界模型，其基于Google DeepMind的Genie 3架构构建，能够预测包括其他车辆和行人的行为意图在内的道路场景动态演化。

从这两者在自动驾驶中完成的任务来看，根本差异在于处理世界的方式。

VLA用语言模型的推理能力来描述世界，世界模型则直接在状态空间中模拟世界的物理演化，这两个一个是理解后行动，一个是预测后行动。

华为车BU CEO靳玉志曾表示VLA是取巧方案，认为云端大模型蒸馏成车端小模型的做法在驾驶场景中隐患太大。

吉利汽车集团CTO李传海、Momenta CEO曹旭东等人也对VLA提出过质疑。

之所以会质疑VLA，是因为驾驶不是做阅读理解，语言模型一维的文本Token无法准确描述三维物理世界。

即VLA理解的是场景语义，但语义理解和物理因果是两码事。一个模型能看懂前方有行人这个语义，不等于它真正理解行人下一秒可能横穿这个物理规律。

但VLA阵营也有自己的看法，理想汽车基座模型负责人詹锟在GTC 2026上就提出了自己的观点，当视觉、语言和行动统一到一个模型中时，它已不再只是自动驾驶模型，而是在逐渐演化为面向物理世界的通用智能体。

02

站队与转向

2026年年初，VLA和世界模型之间的争论是非常明显的。

华为是世界模型路线最坚定的代表，2025年ADS 4（参数丨图片）发布时，华为就提出了WEWA世界模型架构，到2026年4月ADS 5推出，WEWA已升级到2.0版本，这次升级的核心在云端和车端两个层面。

图片源自：网络

云端世界引擎引入了多智能体交互机制。

过去的训练好比让一个司机在空旷道路上独自练习，现在则是让成百上千个AI驾驶员同时在虚拟环境里行驶，每个都有自己的行为逻辑，训练强度和效率因此提升了10倍。

车端的世界行为模型则新增了安全风险场技术，从动能、势能和行为三个维度实时评估风险分布，生成动态风险热力图，华为称可将碰撞风险降低50%。

截至2026年4月，华为乾崑智驾累计辅助驾驶里程超过58亿公里，云端算力达45 EFLOPS。

到2026年6月，累计里程已更新至128.09亿公里，搭载量突破190万台。

Momenta在2026年4月也发布了R7强化学习世界模型，其采用三层架构。

世界模型预训练层压缩物理规律；仿真层推演长尾场景；强化学习层优化自主决策。

图片源自：网络

吉利也在CES 2026上发布了WAM世界行为模型，构建了统一的整车大脑。

VLA路线也有进展，英国Wayve公司2023年发布了LINGO-1，这是能用自然语言解说驾驶行为的VLA模型，但当时还属于开环研究系统，没有真正用于控车。

2024年4月，Wayve推出了LINGO-2，实现了从感知到语言解释再到动作输出的闭环。

元戎启行也于2025年开始布局VLA，2026年在IAA车展上展示了基于VLA的无图智驾方案。

其CEO周光明确说这套方案是用VLA模型替代高精地图的语义理解功能。

理想和小鹏虽然也对外宣称走VLA路线，但实际方案中已经融入了世界模型的能力，这一点后文会展开聊。

03

从二选一到都要做

到了2026年年中，VLA和世界模型之间的边界开始变得模糊。

2025年底特斯拉FSD V14将xAI的Grok大模型能力整合进导航和决策系统，模型参数量比V13提升了4.5到10倍。

Grok不是让座舱变得能聊天，而是让FSD的决策系统多了一层语言理解能力。

与此同时，特斯拉在底层技术上也运用了世界模型相关专利来生成训练数据，这也让很多智驾公司直观地看到，VLA和世界模型并不是二选一，而是两者可以一起做。

图片源自：网络

CVPR 2026首次设立的具身智能基座模型部署专题研讨会上，特斯拉、Waymo、小鹏三家同台，核心议题已经转向了基座模型的构建。

黑芝麻智能CEO单记章也在2026智能电动汽车发展高层论坛上提出观点，VLA加上世界模型，是高阶智能驾驶未来最有可能的技术路线。

小鹏刘先明在CVPR 2026上就明确表示，VLA和世界模型并非竞争关系。

在小鹏的基座模型架构中，第二代VLA从人类驾驶行为中学习如何行动，世界模型则通过对未来状态的预测学习行动之后世界会如何变化，两者共同构成物理世界基座模型。

小鹏的VLA+世界模型方案在实际应用中已展现出效果。

2026年7月，搭载第二代VLA模型的小鹏MONA L03在德国慕尼黑完成了本地化验收测试，在未经任何欧洲路测数据训练的条件下，自主完成了环岛通行、有轨电车避让和窄路会车。

官方披露，这套方案可减少约70%的海外实地数据采集成本，将单车市场适配周期从18个月压缩至6到8个月。

理想也在做同样的事，理想在GTC 2026上发布了MindVLA-o1，MindVLA-o1在语言模型承担语义理解的基础上，引入了预测式隐世界模型。

该模型训练分三个阶段，先用海量视频数据预训练隐世界词元，再在模型中持续进行世界模型的推演，最后将世界模型、多模态推理能力和驾驶行为进行联合训练。

图片源自：网络

理想汽车也有四篇世界模型方向论文入选CVPR 2026，分别从深度估计、三维重建、交通规则认知评估和安全风险预判四个层面展开。

之所以VLA和世界模型会走向融合，是因为VLA擅长理解当下的语义，但不擅长预测未来；世界模型擅长预测物理演化，但缺乏高级语义理解。

两者结合，一个可以负责现在该怎么做，一个可以负责这么做之后会发生什么。

04

一点看法

回到一开始聊的那个问题，VLA和世界模型到底在争什么？

表面上看，大家争的是自动驾驶中应该用语言模型做推理，还是用物理模型做预测，其实这两条路线背后，反映出的是两种完全不同的理念。

VLA认为，理解就是智能，只要模型能看懂场景、理解语义、调用常识，就能做出正确的驾驶决策，这个思路是将驾驶问题看作一个认知问题。

世界模型则认为，预测就是智能，只要模型能准确预判未来几秒世界的演化，就能选出最优的驾驶策略，这个思路其实是把驾驶问题看作一个物理问题。

这两种假设都有道理，但也都有漏洞。

VLA面临的问题跟大语言模型一样，即会说人话不等于真的理解。

一个模型能准确说出前方有行人，我应该减速，但这个输出可能只是训练数据里见过的模式，模型本身并不真的知道减速意味着什么。

世界模型其实也存在问题，物理预测能力再强，也解决不了价值判断的问题。

路边有个球滚出来，世界模型可以精准预判后面会跟出一个孩子，但如果那只是个被风吹动的空球呢？要不要刹车？

这个判断需要的是理解，而理解恰好不是世界模型的长项。

图片源自：网络

这中间其实还有一个关键问题，语言模型的Token和物理世界的状态，本质上是两种东西。

文本Token是离散的、有明确语义边界的，物理世界是连续的、高维的。将连续的世界压缩成一维的语言Token再去做推理，必然会丢失信息。

反过来，世界模型虽然保持了物理状态的连续性，但它缺少一个语义层。

自动驾驶不是在一个真空环境里做物理推演，它需要在真实的社会规则下运行。

礼让行人、救护车优先这些规则不是物理规律，是社会约定，世界模型如果只有物理预测没有语义理解，在这些场景下就会显得很笨。

所以这两条路线争的其实是谁抓住了驾驶智能的本质，VLA认为是理解，世界模型认为是预测。

但真实驾驶中，理解和预测是缠绕在一起的，根本分不开，这也是为什么到了2026年下半年，两者融合的方案被提了出来。

回头看这场争论，输赢根本不重要，它反而让自动驾驶行业认清了两个问题，即理解要解决，预测也要解决，而且得放在同一个模型里解决。

融合并不是妥协，而是两条路都走到头之后，唯一还能走的路。