20260803-东吴证券-_汽车_黄细里_AI系列深度09期_从LLM到VLM再到VLA意味着什么_4页_884kb

【汽车*黄细里】AI系列深度09期：从LLM到VLM再到VLA意味着什么？

核心内容

本报告探讨了AI大模型从LLM（语言大模型）到VLM（视觉语言模型）再到VLA（视觉语言动作模型）的发展路径，分析了它们在技术架构、数据需求、应用场景及产业布局上的演进与差异。

主要观点

• 技术演进：LLM、VLM、VLA 是同一技术脉络下的不同阶段，分别专注于语言、视觉与动作的处理。
• LLM：以文本为输入输出，主要解决语言理解、生成和推理任务，依赖海量文本和自监督训练。
• VLM：在语言模型基础上加入视觉理解，实现图像与文字的语义对齐，适用于图像理解、图文问答、视觉检索等任务。
• VLA：进一步将动作作为输出模态，实现对物理世界的交互与控制，适用于机器人、自动驾驶等具身智能场景。
• 应用场景：LLM 主要应用于知识、代码、对话等软件任务；VLM 扩展至图像理解与多模态交互；VLA 则进入物理世界，需处理实时性、安全性和物理反馈。
• 技术路线：VLA 内部存在多种实现路径，如动作离散化生成、扩散策略、流匹配等。
• 产业布局：海外以 OpenAI、Google、Meta 等为主导 LLM/VLM，Google、Physical Intelligence、NVIDIA、Figure 等布局 VLA 和机器人；国内则以 DeepSeek、阿里、字节、百度、腾讯、智谱、月之暗面、MiniMax 等聚焦 LLM/VLM，智元、银河通用等则专注于 VLA 与机器人本体。
• 投资方向：当前 AI 技术发展路径已逐渐清晰，但物理闭环建模仍具挑战，VLA 作为物理世界 AI 解决方案，将是未来更具增量价值的方向，智能驾驶作为最先跑通闭环的代表场景，值得关注。

关键信息

• 技术演进：LLM → VLM → VLA，逐步扩展至多模态与物理交互。
• 数据与表征：LLM 依赖文本数据，VLM 引入图文对与视觉编码，VLA 需要机器人示教、轨迹、反馈和真实环境数据。
• 动作生成方式：VLA 可通过自回归生成、扩散策略或流匹配生成连续动作轨迹。
• 应用边界：LLM 适用于软件任务，VLM 扩展至图像与多模态交互，VLA 则进入物理世界，如自动驾驶与机器人控制。
• 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

最新金股组合

数据说明：所列市值、PE 均截至2026年6月30日，港股市值以港币计，美光科技数据以美元计，其余以人民币计；HKDCNY 汇率按 2026年6月30日的 0.87 计算；盈利预测来自东吴证券研究所。

法律声明

本公众号为东吴证券研究所依法设立、独立运营的官方订阅号，内容均来自于已发布研究报告，不构成投资建议。未经授权，禁止复制、转载。如需了解详细研究报告，请参见东吴证券研究所发布的完整报告。

联系方式

如需获取更多资讯或研究报告，请关注“东吴研究所”公众号，或通过以下联系方式与我们联系：

• ID: scsresearch
• 二维码: