深度报告-20260807-东吴证券-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_13页_822kb

报告摘要

汽车行业深度报告总结：智能驾驶 VLA 模型的架构范式与厂商路线

核心内容概述

本报告聚焦智能驾驶领域中 VLA（Vision-Language-Action）模型的技术演进与厂商路线分化，探讨其在自动驾驶系统中的应用潜力与挑战。VLA 模型通过整合视觉感知、语言理解和动作决策，旨在提升自动驾驶系统的语义理解、决策解释性和场景泛化能力，是端到端范式向多模态、大模型方向演进的体现。

主要观点

VLA4AD 范式升级：从模块化流水线到端到端，再到 VLA4AD，自动驾驶技术正在向“视觉-语言-动作”统一策略模型演进，以弥合 VLM4AD 的动作生成缺口。
VLA4AD 架构：包括视觉编码器、语言处理器和动作解码器三大核心模块，其中动作解码器有三种主要技术路线：自回归分词器、扩散头和分层控制器。
阶段演进：VLA4AD 内部演进分为四个阶段，语言模型从“被动解释器”逐步演进为“推理中枢”，强化了语言在决策中的作用。
厂商路线分化：头部厂商在是否保留显式语言推理层上已出现明显分歧，Waymo、理想、元戎启行、千里科技与小鹏分别采取不同策略。
小鹏第二代 VLA：弱化语言中间层，强化视觉思维链，实现从视觉到动作的端到端输出，推理效率提升 32 倍，预测误差降低 33%，具备多模态输出能力。
挑战与展望：VLA4AD 在鲁棒性、实时性能、数据标注、多模态对齐、多智能体协同和评测体系等方面仍面临诸多挑战，未来需依赖数据闭环、模型优化与硬件升级实现量产落地。

关键信息

VLA4AD 技术架构

模块	功能说明	方法/技术
视觉编码器	将异构传感数据转化为语言对齐的隐层特征	DINOv2、ConvNeXt-V2、CLIP 等
语言处理器	引入大语言模型进行语义推理与决策支持	LoRA、RAG、MoE、稀疏注意力等
动作解码器	将多模态表征转化为控制信号或轨迹	自回归分词器、扩散头、分层控制器

VLA4AD 四阶段演进

阶段	语言 LLM 角色	时间	代表模型	主要问题
预 VLA 阶段	被动解释器	约 2023 年	DriveGPT-4	描述延迟、语义隔阂
模块化 VLA	规划协作者	2024—2025	OpenDriveVLA	多阶段流水线误差放大、响应慢
统一端到端 VLA	动作生成器	2025 年	EMMA	长时程推理弱、解释粒度不足
推理增强 VLA	推理中枢，引入 CoT 与记忆	最新阶段	ORION	长时域推理、记忆与交互整合

厂商 VLA 路线对比

厂商	模型名称	输入方式	语言处理方式	动作解码方式	公开指标/特点
Waymo	EMMA	环视相机，纯视觉	Gemini 统一语言空间，CoT	轨迹文本 token	nuScenes 规划 SOTA，CoT 提升 6.7%
理想	MindVLA	摄像头+LiDAR，3D 高斯表征	MindGPT，MoE+稀疏注意力	Diffusion 扩散轨迹	车端实时运行，支持快慢双模式
元戎启行	40B VLA	视觉输入为主	Analyst 因果推理，三角色	实时驾驶动作	数据闭环周期压缩至约 12 小时，单月份额近 40%
千里科技	CoWorld-VLA	图像+导航+车辆状态	Qwen3-VL，四类专家 Token	扩散式 HMEF 规划器	NAVSIM v1 PDMS 89.8，FVD 32.7
小鹏	第二代 VLA	原生多模态 Tokenizer	弱化语言层，强化视觉思维链	端到端直接输出动作	推理效率提升 32 倍，预测误差降低 33%

技术与产业趋势

VLA 趋势：VLA4AD 正在成为自动驾驶发展的新方向，融合视觉、语言与动作，推动智能驾驶向更高级别演进。
厂商分化：部分厂商（如小鹏）倾向于弱化语言层，强化视觉—动作直出；另一些厂商（如理想）则保留语言推理层，强调多模态统一。
量产挑战：算力、数据闭环、实时性与可靠性是 VLA 模型量产落地的关键障碍。
未来方向：物理 AI 成为下一阶段重点，智能驾驶作为最先跑通闭环的场景，具备更高的商业落地价值。

风险提示

技术迭代不及预期
大模型厂商 ARR 增速放缓
云服务商资本开支不及预期
智能驾驶及机器人商业化落地不及预期

总结

VLA4AD 是自动驾驶技术演进的重要一步，代表了视觉、语言与动作统一决策的新范式。当前厂商路线呈现分化趋势，部分强调语言作为决策核心，部分则偏向视觉—动作直出。小鹏第二代 VLA 作为典型案例，展示了弱化语言层、强化视觉思维链的路径，具有较高的推理效率与预测精度。尽管 VLA4AD 在技术上具备潜力，但其规模化落地仍面临数据、算力、实时性、多模态对齐与评测体系等多重挑战。未来，随着基础模型的优化、数据闭环的完善与硬件算力的提升，VLA4AD 可能成为智能驾驶发展的主流架构之一。

展开完整摘要