这几个月圈子里关于 2026 年智驾技术路线的讨论几乎绕不开两个词——VLA 大模型和世界模型。我看了好几份内部交流稿也跟做量产方案的朋友聊过不少发现一个非常有意思的现象很多人嘴上在说 VLA但聊着聊着就把它跟世界模型混成了一谈也有不少人觉得世界模型就是“更强的新一代端到端”能直接替代现有的感知决策链路。坦白讲这两个方向确实是 2026 年智驾领域最值得盯的两条技术主线但它们解决的根本不是同一个问题。如果你正准备给团队做技术选型或者想理解接下来两年量产智驾会往哪走这篇内容应该能帮你把框架理顺。我会从工作原理、训练数据、车端部署、安全兜底和落地节奏几个角度把 VLA 和世界模型之间的核心差异拆开讲清楚也会结合真实落地中遇到的取舍给出我的判断。1. 2026 年两条技术主线的背景为什么是 VLA 和世界模型1.1 从模块化到端到端再到“大模型上车”的必然演变要理解 VLA 和世界模型为什么会成为 2026 年的技术主线得先看过去几年智驾架构是怎么一步步演变过来的。早期量产智驾基本是模块化 pipeline——感知、预测、规划、控制各管一段。感知出障碍物框和车道线预测模块算其他交通参与者的意图规划模块生成轨迹最后控制模块去执行。这种架构的好处是每个环节都可解释、可调试坏处是模块之间信息损耗严重感知的误差会一路传导到规划端而且遇到复杂交互场景时规则写不胜写。后来端到端成了主流一个大模型从传感器输入直接映射到控制指令中间没有显式的模块分工。城市 NOA 这类场景的体验上限确实被拉高了但在可解释性、安全兜底和极端场景泛化上始终有争议。到了 2025 年下半年两股新力量开始明显抬头一边把大语言模型的多模态能力搬进智驾形成了 VLA 路线另一边把视频预测和时序建模的能力用来学习驾驶世界的演化规律形成了世界模型路线。1.2 为什么这两个词会被频繁绑定出现一个很现实的原因是VLA 和世界模型都建立在 Transformer 架构之上用的都是大规模预训练思路对外表现又都是“输入一堆传感器数据输出一个决策或预测结果”所以很多人天然觉得它们是同一个东西的两种叫法。另一个原因是 2026 年的技术报告里不少团队是把两者放在一起讲的。比如先用世界模型做仿真场景生成再用 VLA 在生成的场景里做决策训练或者把世界模型的预测结果作为 VLA 决策的一个输入特征。这种组合拳很常见但组合出现不等于本身是一回事。1.3 最容易被忽视的定位差异一句话概括我的理解VLA 解决的是“看懂了之后该怎么做”世界模型解决的是“接下来世界会怎么变”。前者落在决策层后者落在预测和理解层。如果你把智驾系统比作一个司机VLA 更像是那个“会说话、能听懂导航指令、能把自己的操作理由讲出来”的司机世界模型则像是一个“总能提前想象出路口接下来会发生什么”的老司机——但它不一定直接告诉你方向盘该打多少度。这个定位差异决定了它们的训练方式、部署形态、边界能力都不一样。2. VLA 大模型能做什么从多模态理解到动作生成的一体化决策2.1 VLA 的“视觉-语言-动作”是如何打通的VLA 的全称是 Vision-Language-Action核心思路是让模型在视觉特征、语言表征和动作空间之间学习同一个语义对齐空间。具体到智驾场景输入侧通常是多路摄像头图像、导航地图信息、历史轨迹序列有些方案还会把交通规则文本和障碍物属性描述一起编码进去。模型内部做的事情分三步先把视觉信息转换成类似语言 token 的语义表征再用语言模型机制做推理最后解码成动作 token 或轨迹点。这里关键的一步是“语言”的角色。VLA 不是简单地在车上挂一个语音助手而是用语言作为中间表征来统一表达场景语义和驾驶意图。比如前方出现行人横穿模型内部可能生成的是类似“行人正在进入本车道横向速度较快需减速避让”的隐式语义链再据此输出一个合理的减速度。2.2 VLA 在 2026 年智驾里真正解决的核心问题第一个是复杂交互场景的类人决策。传统规控和端到端在城市道路博弈上容易表现得“笨”——面对加塞、借道、人车混行不是过于保守就是过于激进。VLA 借助大模型对语义场景的理解能力能更好地把“模糊的交通潜规则”转化为驾驶策略。第二个是导航指令和用户交互的闭环。现在的智驾系统让你改个目的地多半要依靠独立的语音模块再切换回导航状态而 VLA 天然能理解“前面第二个路口右转”“避开施工路段”这类自然语言指令直接融入决策过程。第三个是可解释性。这一点在 2026 年的量产审查和事故分析场景下会越来越重要。VLA 能输出一段自然语言描述说明自己为什么在当前场景选择减速或变道。对车厂安全团队来说这比一个黑盒端到端模型给出一堆轨迹点要友好得多。2.3 实测视角VLA 可解释能力的落地价值我接触过的一个模拟项目里团队用 VLA 跑城市复杂路口场景将模型的语言输出接入数据回放平台。测试员在问题复盘时可以看到模型自己生成的决策依据比如“前车长期压线行驶左侧车道有足够空间选择借道超车”。跟过去对着时序轨迹图猜模型意图相比定位 bug 的效率确实高不少。需要提醒的是VLA 的输出内容存在“自我合理化”的可能——它给出的解释不一定等于它真实决策的因果链。所以在量产落地时我建议把语言输出当作辅助调试信号而不是当作正式的 safety evidence。3. 世界模型的“想象”能力预测、仿真与数据增益3.1 世界模型不是“视频生成器”而是对动态规律的建模很多介绍把世界模型说成“用神经网络生成未来视频”这个说法只讲对了一半。生成视频只是训练手段和外在表现世界模型真正的内核是学习“环境状态如何随时间演化”的隐含规律。在智驾场景里世界模型会把当前时刻的传感器观测压缩到一个隐空间然后在这个隐空间里预测下一时刻、下几个时刻的状态分布再用一个解码器把隐状态还原成可理解的未来帧或未来特征。也就是说它学的不是“某段路长什么样”而是“在什么样的条件下交通参与者的状态会怎么变化”。这种能力更像是一种物理世界的先验知识。3.2 世界模型在智驾里的三种实用形态从落地角度看世界模型在 2026 年的智驾体系中主要有三种存在方式。第一种是预测模块。这是最直接的应用——用世界模型替代传统的手工意图预测预测周围车辆和行人的未来轨迹分布。因为世界模型是从海量真实视频中学习的它对交互场景下“人车互相影响”的建模往往比传统基于规则的预测器更自然。第二种是仿真场景生成。世界模型能根据一个真实场景片段延展出大量连续、逼真的后续可能场景。这正好对上了智驾测试的刚需——真实路测很难覆盖所有长尾场景而世界模型可以低成本地制造出“前车突然切入”“行人鬼探头”等边界情况让决策模型在仿真里反复试错。第三种是作为规划阶段的价值估计器。在决策过程中系统先想象出几条候选轨迹对应的未来场景再用这些未来场景的好坏来评估哪条轨迹更安全、更高效。这种用法其实已经非常接近“系统二”式的前瞻性规划。3.3 世界模型最难的部分从“预测准”到“决策对”的鸿沟当前世界模型在预测未来帧上已经能做到肉眼看上去比较真实但“看起来真实”和“对决策有用”是两码事。真实世界里一个路口的可能演化方式非常多预测模型输出的往往是多个分支的平均直接拿来做决策反而容易体现为“犹豫”或“骑墙”。我见过一个测试案例模型预测对向车辆可能会直行也可能左转于是把两种分支做了混合最终给出的决策是原地停车等待结果在后方有来车的情况下并不合适。这说明世界模型要在决策中发挥作用不能只输出一个模糊的未来必须输出带概率分布的多样化假设再配合决策策略去处理多分支。4. 五大差异维度对比数据、算力、可解释性、安全兜底与评测方式4.1 一张表看清两条路线的本质差异对比维度VLA 大模型世界模型核心目标从观测直接生成驾驶决策动作学习环境动态规律预测未来状态关键中间表征自然语言语义隐空间状态 / 未来帧主要训练数据驾驶示范数据 语义指令标注大规模无标注驾驶视频输出形式轨迹点/控制指令 语言解释未来场景预测/隐状态序列最大优势可解释性、语言交互、复杂博弈决策数据利用率高、仿真能力强、长尾泛化潜力当前瓶颈数据标注成本高、车端算力吃紧预测不确定性控制难、安全兜底验证链路长适合的角色决策者、交互中枢预测器、仿真器、评估器这张表基本能回答“我该先看哪个”的问题——如果你的核心痛点是复杂路口的决策体验和用户交互VLA 的优先级更高如果你的核心痛点是场景覆盖率不足和模型训练数据不够世界模型带来的增益会更直接。4.2 数据诉求的差异一个重标注、一个重规模VLA 要训练好需要海量“视觉输入语义指令动作输出”的对齐数据。这里最难的是语义指令那一环——要让模型理解“避让执行紧急任务的车辆”和“在确保安全的前提下通过路口”这类指令训练数据里就必须包含足够多这种带有语义标签的驾驶片段。这类数据不能完全靠路采还需要大量人工标注和场景改写数据成本一路被推高。世界模型这边则对标注依赖极小。它学的是喂进去的海量真实驾驶视频里的时间演化规律不需要知道视频里每个障碍物的精确框也不需要标注每个驾驶员动作。只要视频覆盖的场景足够丰富模型就能从中提炼“车流怎么流动、行人怎么穿行、拥堵怎么形成”的常识。这也是很多数据积累强、但标注团队规模小的团队更愿意投世界模型的原因。我个人在这方面的建议是做量产智驾的团队不要只押一边。VLA 需要的数据规模和标注质量在初期可能很难满足世界模型对数据要求友好但把它直接用作决策主链路又不现实。常见的折中方案是先用世界模型从存量路采数据里筛选高价值场景再把这些场景对应的驾驶段拿去做 VLA 的高质量数据训练。4.3 车端部署与算力消耗谁离量产更近这是 2026 年工程化绕不开的一个硬约束。VLA 的参数量普遍偏大因为要同时容纳视觉编码器、语言模型和动作解码器。就算只做一个简化版部署到车端对芯片的算力、内存带宽和功耗压力都不小。目前比较务实的部署形态是“车端端侧小模型 云端大模型”在车端跑一个裁剪过的、只负责高频决策的轻量 VLA遇到复杂场景再请求云端大模型做“慢思考”。这个思路工程上可行但会引入通信延迟和云端成本对系统的可靠性设计提出更高要求。世界模型这边训练端算力消耗非常大尤其是视频预测部分需要大规模 GPU 集群长期跑。但部署端的形态可以比较轻——如果只把它当作预测器或场景生成器不少方案可以在中高端车规级芯片上实时跑起来。更常见的现实做法是把完整的仿真用世界模型放在云端车端只在特定场景调用云端预测结果来做交叉验证。4.4 安全兜底与法规审查语言解释和未来预测谁更有说服力我会把安全兜底拆成两个层面运行时的功能安全和事后的事故分析。运行时功能安全层面两条路线可以有不同的兜底思路。VLA 的语言输出可以作为一层“语义安全过滤”——如果模型生成的语言解释里出现了“不确定”“无法判断”这类信号又或者在描述里出现决策逻辑与当前轨迹明显矛盾的情况上游安全模块可以介入降级。世界模型端则更适合做“预测一致性校验”也就是拿世界模型预测的未来状态和 VLA 生成的轨迹做比对如果轨迹撞上了未来预测中的高风险区域就直接触发刹车或避让。这两者对底层规划来说都不冲突甚至可以叠加。事后的事故分析层面VLA 有天然优势——它能留下自然语言的决策依据分析人员可以直接读。世界模型留下的是一堆未来预测帧除非专门做可视化回放否则很难直接向监管解释“当时系统为什么没有预判到某个危险”。因此我判断在 2026 年更强调“可解释性和可审计性”的量产市场上VLA 会更容易通过安全评审。4.5 评测体系也要跟着变光看接管率远远不够过去端到端智驾的评测主要看几分钟接管一次、MPI平均接管里程、急刹次数等简单指标。到了 VLA 与世界模型并行的阶段这些指标远远不够。VLA 系统要多看几个维度决策语义一致性、复杂命令理解正确率、危险场景下的语言告警响应速度世界模型系统则要多看预测分布质量、长尾场景恢复能力、仿真生成的多样性与真实性。我这里建议团队提前搭一套分层评测体系——底层是传统接管与碰撞统计中层是场景通过率上层是模型行为质量比如决策可解释性和预测一致性。5. 2026 年真实落地节奏与团队选型建议5.1 产业观察两条路线的落地进度差异明显从各大车企和 tier1 的方案披露看2026 年 VLA 的落地更多集中在两类场景一是作为高阶智驾的决策增强模块跟现有端到端模型并联负责复杂博弈和用户指令理解二是作为数据闭环里的自动标注工具用语言能力自动生成驾驶场景描述拉低人工标注成本。世界模型的落地则更偏向数据侧和验证侧。好几个团队都在用世界模型生成仿真场景来测试极端情况或者用世界模型做预测器来提升现有智驾系统对动态障碍物的反应能力。真正敢把世界模型直接放在端上做主决策链路的目前极少主要卡在不确定性量化和安全认证上。5.2 混合路线的实际做法VLA 做决策、世界模型做预测和仿真我在前面提过VLA 和世界模型之间不是单选题。实际操作中一套比较稳妥的 2026 智驾系统架构可以是这样的传感器数据进来先经过一个共享的视觉编码器提取出多模态特征。这份特征同时喂给两个分支世界模型分支负责预测接下来几秒内其他交通参与者的轨迹分布和场景演化VLA 分支结合导航指令、自车状态和世界模型的预测输出生成驾驶策略与一段可解释的语义描述。最后经过一个规则安全层校验再输出到执行器。这种架构最大的好处是风险隔离。哪怕 VLA 的决策在某些新场景下意外出错安全层结合世界模型的未来预测仍能提供一层有效校验。对工程团队来说两个模型也不必非等对方完全成熟——可以先各自在擅长的场景里跑再逐步加强联动。5.3 团队资源有限时的技术选型决策清单如果团队规模不大、算力和数据也都有限该怎么在这两个方向里做取舍我根据自己的经验总结了几个很实际的问题你的核心场景是“复杂博弈决策”还是“长尾场景覆盖”如果是前者优先上 VLA如果是后者优先上世界模型。你手里有什么类型的存量数据如果有一堆无标注的路采视频世界模型能用起来如果有大量高质量驾驶员操作记录VLA 更能发挥。你的量产时间表有多紧如果 2026 年内就要 SOPVLA 的端上轻量化方案和云端配合更成熟如果目标是 2027 年之后的平台储备世界模型的前瞻价值更大。你的团队擅长什么熟悉标注流程和 prompt 工程的团队适合做 VLA熟悉视频生成、自监督学习的团队适合做世界模型。按这四个问题过一遍基本能判断你的“基因”更适合先押哪条线。不需要因为行业热点而强行切换方向。5.4 我对 2026 年技术终局的判断最近一阵子我越来越倾向于一个判断VLA 负责把智驾变成“会沟通、能解释”的智能体世界模型负责把智驾变成“懂预测、能想象”的智能体二者最终会在同一个系统里共存。我们现在看到的所有宣称押注某一条路线的厂商其实内部或多或少的都在做另一边的预研。因为纯 VLA 的车会像一个只懂眼前操作、缺乏预判的训练者纯世界模型的车会像一个能预测世界但不知道怎么行动的思想者。真正可量产、可规模化的智驾系统一定是把“看懂-预测-决策-执行-解释”这条完整链条打通的那个形态。我自己的实操体会是与其纠结你属于 VLA 派还是世界模型派不如把注意力放在数据和工具的积累上。可以把语言标注能力和视频预测能力都沉淀成底层基础设施模型架构可以迭代但高质量的数据流和成熟的安全验证体系永远是下一轮路线竞争里最值钱的部分。
这几个月圈子里关于 2026 年智驾技术路线的讨论几乎绕不开两个词——VLA 大模型和世界模型。我看了好几份内部交流稿也跟做量产方案的朋友聊过不少发现一个非常有意思的现象很多人嘴上在说 VLA但聊着聊着就把它跟世界模型混成了一谈也有不少人觉得世界模型就是“更强的新一代端到端”能直接替代现有的感知决策链路。坦白讲这两个方向确实是 2026 年智驾领域最值得盯的两条技术主线但它们解决的根本不是同一个问题。如果你正准备给团队做技术选型或者想理解接下来两年量产智驾会往哪走这篇内容应该能帮你把框架理顺。我会从工作原理、训练数据、车端部署、安全兜底和落地节奏几个角度把 VLA 和世界模型之间的核心差异拆开讲清楚也会结合真实落地中遇到的取舍给出我的判断。1. 2026 年两条技术主线的背景为什么是 VLA 和世界模型1.1 从模块化到端到端再到“大模型上车”的必然演变要理解 VLA 和世界模型为什么会成为 2026 年的技术主线得先看过去几年智驾架构是怎么一步步演变过来的。早期量产智驾基本是模块化 pipeline——感知、预测、规划、控制各管一段。感知出障碍物框和车道线预测模块算其他交通参与者的意图规划模块生成轨迹最后控制模块去执行。这种架构的好处是每个环节都可解释、可调试坏处是模块之间信息损耗严重感知的误差会一路传导到规划端而且遇到复杂交互场景时规则写不胜写。后来端到端成了主流一个大模型从传感器输入直接映射到控制指令中间没有显式的模块分工。城市 NOA 这类场景的体验上限确实被拉高了但在可解释性、安全兜底和极端场景泛化上始终有争议。到了 2025 年下半年两股新力量开始明显抬头一边把大语言模型的多模态能力搬进智驾形成了 VLA 路线另一边把视频预测和时序建模的能力用来学习驾驶世界的演化规律形成了世界模型路线。1.2 为什么这两个词会被频繁绑定出现一个很现实的原因是VLA 和世界模型都建立在 Transformer 架构之上用的都是大规模预训练思路对外表现又都是“输入一堆传感器数据输出一个决策或预测结果”所以很多人天然觉得它们是同一个东西的两种叫法。另一个原因是 2026 年的技术报告里不少团队是把两者放在一起讲的。比如先用世界模型做仿真场景生成再用 VLA 在生成的场景里做决策训练或者把世界模型的预测结果作为 VLA 决策的一个输入特征。这种组合拳很常见但组合出现不等于本身是一回事。1.3 最容易被忽视的定位差异一句话概括我的理解VLA 解决的是“看懂了之后该怎么做”世界模型解决的是“接下来世界会怎么变”。前者落在决策层后者落在预测和理解层。如果你把智驾系统比作一个司机VLA 更像是那个“会说话、能听懂导航指令、能把自己的操作理由讲出来”的司机世界模型则像是一个“总能提前想象出路口接下来会发生什么”的老司机——但它不一定直接告诉你方向盘该打多少度。这个定位差异决定了它们的训练方式、部署形态、边界能力都不一样。2. VLA 大模型能做什么从多模态理解到动作生成的一体化决策2.1 VLA 的“视觉-语言-动作”是如何打通的VLA 的全称是 Vision-Language-Action核心思路是让模型在视觉特征、语言表征和动作空间之间学习同一个语义对齐空间。具体到智驾场景输入侧通常是多路摄像头图像、导航地图信息、历史轨迹序列有些方案还会把交通规则文本和障碍物属性描述一起编码进去。模型内部做的事情分三步先把视觉信息转换成类似语言 token 的语义表征再用语言模型机制做推理最后解码成动作 token 或轨迹点。这里关键的一步是“语言”的角色。VLA 不是简单地在车上挂一个语音助手而是用语言作为中间表征来统一表达场景语义和驾驶意图。比如前方出现行人横穿模型内部可能生成的是类似“行人正在进入本车道横向速度较快需减速避让”的隐式语义链再据此输出一个合理的减速度。2.2 VLA 在 2026 年智驾里真正解决的核心问题第一个是复杂交互场景的类人决策。传统规控和端到端在城市道路博弈上容易表现得“笨”——面对加塞、借道、人车混行不是过于保守就是过于激进。VLA 借助大模型对语义场景的理解能力能更好地把“模糊的交通潜规则”转化为驾驶策略。第二个是导航指令和用户交互的闭环。现在的智驾系统让你改个目的地多半要依靠独立的语音模块再切换回导航状态而 VLA 天然能理解“前面第二个路口右转”“避开施工路段”这类自然语言指令直接融入决策过程。第三个是可解释性。这一点在 2026 年的量产审查和事故分析场景下会越来越重要。VLA 能输出一段自然语言描述说明自己为什么在当前场景选择减速或变道。对车厂安全团队来说这比一个黑盒端到端模型给出一堆轨迹点要友好得多。2.3 实测视角VLA 可解释能力的落地价值我接触过的一个模拟项目里团队用 VLA 跑城市复杂路口场景将模型的语言输出接入数据回放平台。测试员在问题复盘时可以看到模型自己生成的决策依据比如“前车长期压线行驶左侧车道有足够空间选择借道超车”。跟过去对着时序轨迹图猜模型意图相比定位 bug 的效率确实高不少。需要提醒的是VLA 的输出内容存在“自我合理化”的可能——它给出的解释不一定等于它真实决策的因果链。所以在量产落地时我建议把语言输出当作辅助调试信号而不是当作正式的 safety evidence。3. 世界模型的“想象”能力预测、仿真与数据增益3.1 世界模型不是“视频生成器”而是对动态规律的建模很多介绍把世界模型说成“用神经网络生成未来视频”这个说法只讲对了一半。生成视频只是训练手段和外在表现世界模型真正的内核是学习“环境状态如何随时间演化”的隐含规律。在智驾场景里世界模型会把当前时刻的传感器观测压缩到一个隐空间然后在这个隐空间里预测下一时刻、下几个时刻的状态分布再用一个解码器把隐状态还原成可理解的未来帧或未来特征。也就是说它学的不是“某段路长什么样”而是“在什么样的条件下交通参与者的状态会怎么变化”。这种能力更像是一种物理世界的先验知识。3.2 世界模型在智驾里的三种实用形态从落地角度看世界模型在 2026 年的智驾体系中主要有三种存在方式。第一种是预测模块。这是最直接的应用——用世界模型替代传统的手工意图预测预测周围车辆和行人的未来轨迹分布。因为世界模型是从海量真实视频中学习的它对交互场景下“人车互相影响”的建模往往比传统基于规则的预测器更自然。第二种是仿真场景生成。世界模型能根据一个真实场景片段延展出大量连续、逼真的后续可能场景。这正好对上了智驾测试的刚需——真实路测很难覆盖所有长尾场景而世界模型可以低成本地制造出“前车突然切入”“行人鬼探头”等边界情况让决策模型在仿真里反复试错。第三种是作为规划阶段的价值估计器。在决策过程中系统先想象出几条候选轨迹对应的未来场景再用这些未来场景的好坏来评估哪条轨迹更安全、更高效。这种用法其实已经非常接近“系统二”式的前瞻性规划。3.3 世界模型最难的部分从“预测准”到“决策对”的鸿沟当前世界模型在预测未来帧上已经能做到肉眼看上去比较真实但“看起来真实”和“对决策有用”是两码事。真实世界里一个路口的可能演化方式非常多预测模型输出的往往是多个分支的平均直接拿来做决策反而容易体现为“犹豫”或“骑墙”。我见过一个测试案例模型预测对向车辆可能会直行也可能左转于是把两种分支做了混合最终给出的决策是原地停车等待结果在后方有来车的情况下并不合适。这说明世界模型要在决策中发挥作用不能只输出一个模糊的未来必须输出带概率分布的多样化假设再配合决策策略去处理多分支。4. 五大差异维度对比数据、算力、可解释性、安全兜底与评测方式4.1 一张表看清两条路线的本质差异对比维度VLA 大模型世界模型核心目标从观测直接生成驾驶决策动作学习环境动态规律预测未来状态关键中间表征自然语言语义隐空间状态 / 未来帧主要训练数据驾驶示范数据 语义指令标注大规模无标注驾驶视频输出形式轨迹点/控制指令 语言解释未来场景预测/隐状态序列最大优势可解释性、语言交互、复杂博弈决策数据利用率高、仿真能力强、长尾泛化潜力当前瓶颈数据标注成本高、车端算力吃紧预测不确定性控制难、安全兜底验证链路长适合的角色决策者、交互中枢预测器、仿真器、评估器这张表基本能回答“我该先看哪个”的问题——如果你的核心痛点是复杂路口的决策体验和用户交互VLA 的优先级更高如果你的核心痛点是场景覆盖率不足和模型训练数据不够世界模型带来的增益会更直接。4.2 数据诉求的差异一个重标注、一个重规模VLA 要训练好需要海量“视觉输入语义指令动作输出”的对齐数据。这里最难的是语义指令那一环——要让模型理解“避让执行紧急任务的车辆”和“在确保安全的前提下通过路口”这类指令训练数据里就必须包含足够多这种带有语义标签的驾驶片段。这类数据不能完全靠路采还需要大量人工标注和场景改写数据成本一路被推高。世界模型这边则对标注依赖极小。它学的是喂进去的海量真实驾驶视频里的时间演化规律不需要知道视频里每个障碍物的精确框也不需要标注每个驾驶员动作。只要视频覆盖的场景足够丰富模型就能从中提炼“车流怎么流动、行人怎么穿行、拥堵怎么形成”的常识。这也是很多数据积累强、但标注团队规模小的团队更愿意投世界模型的原因。我个人在这方面的建议是做量产智驾的团队不要只押一边。VLA 需要的数据规模和标注质量在初期可能很难满足世界模型对数据要求友好但把它直接用作决策主链路又不现实。常见的折中方案是先用世界模型从存量路采数据里筛选高价值场景再把这些场景对应的驾驶段拿去做 VLA 的高质量数据训练。4.3 车端部署与算力消耗谁离量产更近这是 2026 年工程化绕不开的一个硬约束。VLA 的参数量普遍偏大因为要同时容纳视觉编码器、语言模型和动作解码器。就算只做一个简化版部署到车端对芯片的算力、内存带宽和功耗压力都不小。目前比较务实的部署形态是“车端端侧小模型 云端大模型”在车端跑一个裁剪过的、只负责高频决策的轻量 VLA遇到复杂场景再请求云端大模型做“慢思考”。这个思路工程上可行但会引入通信延迟和云端成本对系统的可靠性设计提出更高要求。世界模型这边训练端算力消耗非常大尤其是视频预测部分需要大规模 GPU 集群长期跑。但部署端的形态可以比较轻——如果只把它当作预测器或场景生成器不少方案可以在中高端车规级芯片上实时跑起来。更常见的现实做法是把完整的仿真用世界模型放在云端车端只在特定场景调用云端预测结果来做交叉验证。4.4 安全兜底与法规审查语言解释和未来预测谁更有说服力我会把安全兜底拆成两个层面运行时的功能安全和事后的事故分析。运行时功能安全层面两条路线可以有不同的兜底思路。VLA 的语言输出可以作为一层“语义安全过滤”——如果模型生成的语言解释里出现了“不确定”“无法判断”这类信号又或者在描述里出现决策逻辑与当前轨迹明显矛盾的情况上游安全模块可以介入降级。世界模型端则更适合做“预测一致性校验”也就是拿世界模型预测的未来状态和 VLA 生成的轨迹做比对如果轨迹撞上了未来预测中的高风险区域就直接触发刹车或避让。这两者对底层规划来说都不冲突甚至可以叠加。事后的事故分析层面VLA 有天然优势——它能留下自然语言的决策依据分析人员可以直接读。世界模型留下的是一堆未来预测帧除非专门做可视化回放否则很难直接向监管解释“当时系统为什么没有预判到某个危险”。因此我判断在 2026 年更强调“可解释性和可审计性”的量产市场上VLA 会更容易通过安全评审。4.5 评测体系也要跟着变光看接管率远远不够过去端到端智驾的评测主要看几分钟接管一次、MPI平均接管里程、急刹次数等简单指标。到了 VLA 与世界模型并行的阶段这些指标远远不够。VLA 系统要多看几个维度决策语义一致性、复杂命令理解正确率、危险场景下的语言告警响应速度世界模型系统则要多看预测分布质量、长尾场景恢复能力、仿真生成的多样性与真实性。我这里建议团队提前搭一套分层评测体系——底层是传统接管与碰撞统计中层是场景通过率上层是模型行为质量比如决策可解释性和预测一致性。5. 2026 年真实落地节奏与团队选型建议5.1 产业观察两条路线的落地进度差异明显从各大车企和 tier1 的方案披露看2026 年 VLA 的落地更多集中在两类场景一是作为高阶智驾的决策增强模块跟现有端到端模型并联负责复杂博弈和用户指令理解二是作为数据闭环里的自动标注工具用语言能力自动生成驾驶场景描述拉低人工标注成本。世界模型的落地则更偏向数据侧和验证侧。好几个团队都在用世界模型生成仿真场景来测试极端情况或者用世界模型做预测器来提升现有智驾系统对动态障碍物的反应能力。真正敢把世界模型直接放在端上做主决策链路的目前极少主要卡在不确定性量化和安全认证上。5.2 混合路线的实际做法VLA 做决策、世界模型做预测和仿真我在前面提过VLA 和世界模型之间不是单选题。实际操作中一套比较稳妥的 2026 智驾系统架构可以是这样的传感器数据进来先经过一个共享的视觉编码器提取出多模态特征。这份特征同时喂给两个分支世界模型分支负责预测接下来几秒内其他交通参与者的轨迹分布和场景演化VLA 分支结合导航指令、自车状态和世界模型的预测输出生成驾驶策略与一段可解释的语义描述。最后经过一个规则安全层校验再输出到执行器。这种架构最大的好处是风险隔离。哪怕 VLA 的决策在某些新场景下意外出错安全层结合世界模型的未来预测仍能提供一层有效校验。对工程团队来说两个模型也不必非等对方完全成熟——可以先各自在擅长的场景里跑再逐步加强联动。5.3 团队资源有限时的技术选型决策清单如果团队规模不大、算力和数据也都有限该怎么在这两个方向里做取舍我根据自己的经验总结了几个很实际的问题你的核心场景是“复杂博弈决策”还是“长尾场景覆盖”如果是前者优先上 VLA如果是后者优先上世界模型。你手里有什么类型的存量数据如果有一堆无标注的路采视频世界模型能用起来如果有大量高质量驾驶员操作记录VLA 更能发挥。你的量产时间表有多紧如果 2026 年内就要 SOPVLA 的端上轻量化方案和云端配合更成熟如果目标是 2027 年之后的平台储备世界模型的前瞻价值更大。你的团队擅长什么熟悉标注流程和 prompt 工程的团队适合做 VLA熟悉视频生成、自监督学习的团队适合做世界模型。按这四个问题过一遍基本能判断你的“基因”更适合先押哪条线。不需要因为行业热点而强行切换方向。5.4 我对 2026 年技术终局的判断最近一阵子我越来越倾向于一个判断VLA 负责把智驾变成“会沟通、能解释”的智能体世界模型负责把智驾变成“懂预测、能想象”的智能体二者最终会在同一个系统里共存。我们现在看到的所有宣称押注某一条路线的厂商其实内部或多或少的都在做另一边的预研。因为纯 VLA 的车会像一个只懂眼前操作、缺乏预判的训练者纯世界模型的车会像一个能预测世界但不知道怎么行动的思想者。真正可量产、可规模化的智驾系统一定是把“看懂-预测-决策-执行-解释”这条完整链条打通的那个形态。我自己的实操体会是与其纠结你属于 VLA 派还是世界模型派不如把注意力放在数据和工具的积累上。可以把语言标注能力和视频预测能力都沉淀成底层基础设施模型架构可以迭代但高质量的数据流和成熟的安全验证体系永远是下一轮路线竞争里最值钱的部分。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
