VLA：把“看”和“說”連到“做”上

[首發(fā)于智駕最前沿微信公眾號]自動駕駛中常提的VLA，全稱是Vision-Language-Action，直譯就是“視覺-語言-動作”。VLA的目標是把相機或傳感器看到的畫面、能理解和處理自然語言的大模型能力，和最終控制車輛的動作輸出連到一起。這樣一套模型既能把路面情況轉(zhuǎn)成語義信息（比如識別行人、車道、交通標志），又能在內(nèi)部用類語言的方式做推理（比如判斷行人的意圖是否會橫穿），最后直接輸出控制量或軌跡建議，從而完成從感知到?jīng)Q策到動作的閉環(huán)。

VLA常把視覺特征先經(jīng)過編碼器變成一組向量，然后把這些向量與語言模型連接，語言模型負責做高層推理或上下文理解，最后再用一個動作生成模塊把推理結(jié)果映射到可執(zhí)行的控制指令。因為有“語言”這條中間線索，VLA在解釋模型為什么這樣決策、把決策用人能看懂的方式表達方面有天然優(yōu)勢，這對事故回溯、人工審查和人機交互都很有幫助。

世界模型：在“腦?！崩?a href="http://cshb120.cn/analog/" target="_blank">模擬未來

世界模型的核心是讓系統(tǒng)學會預測環(huán)境會如何變化。給定當前的觀測和一系列動作，世界模型嘗試預測接下來一段時間內(nèi)的感知輸出或場景演化，例周圍車輛會怎么走、行人會如何移動，或者道路上的占用情況會如何變化等。它更像是一個可以在內(nèi)部反復“試驗”的模擬器。

世界模型可以是像素級的，也可以是抽象的潛在空間表示。像素級的會直接生成未來幾幀圖像，抽象的潛在表示則在更緊湊的編碼下預測物體的狀態(tài)和動力學。自動駕駛中常把世界模型用來做兩件事，一是在線短時預測，輔助規(guī)劃器評估當前動作的后果；二是離線大規(guī)模仿真，用來生成難例、做策略評估和安全驗證。世界模型的強項在于對因果關(guān)系和動力學的建模，它能回答“如果我這么做，環(huán)境會怎樣”，這對安全評估非常關(guān)鍵。

兩者的核心差別與各自擅長的事

把VLA和世界模型放在一起對比，其實有非常大的差別。VLA更強調(diào)把復雜語義和推理能力直接引入決策鏈，善于解釋性和把人類語義知識（比如規(guī)則、常識）融入行為判斷；世界模型更強調(diào)動力學與未來狀態(tài)的預測，擅長評估動作后果和生成訓練用的極端場景。

因為語言式推理要靠語料和場景標簽來訓練，因此VLA需要大量多模態(tài)、標注或與人類語義對齊的數(shù)據(jù)；世界模型更依賴連續(xù)的時序數(shù)據(jù)與準確的動力學反饋，或是高保真仿真器來補足現(xiàn)實數(shù)據(jù)不足。

對于自動駕駛行業(yè)來說，VLA能讓系統(tǒng)“說出理由”，有利于合規(guī)和用戶信任；世界模型能把長期風險提前顯現(xiàn)，有利于安全驗證和策略穩(wěn)健性。兩者在算力和實時性上的要求也不同，端到端的VLA若要部署在車端，需要在多模態(tài)推理與延時之間做平衡；高保真世界模型若用于在線預測，也要保證預測速度和穩(wěn)定性，否則實時控制就受影響。

如何將這兩者用好？

自動駕駛行業(yè)常見做法是把世界模型放在云端或仿真平臺，用來大規(guī)模生成極端和稀有場景，做訓練數(shù)據(jù)擴充和策略評估；把VLA或其它決策模型放到車端，負責實時感知-推理-動作映射，并把可解釋的中間表示（例如“為什么剎車”）記錄下來，用于審計。還有一種做法是在車端保留一個輕量的世界模型，用于短時軌跡預測和冗余校驗，作為主決策器的安全網(wǎng)。

在選擇技術(shù)路線時，務(wù)必要考慮幾個現(xiàn)實問題，即目標場景是什么（城市復雜路況還是高速長途）、能否承擔大量真實路測、對可解釋性和監(jiān)管合規(guī)的要求有多高。面向消費者的駕駛輔助系統(tǒng)可能更重視用戶體驗和自然交互，VLA能提高語義層面的表現(xiàn)；面向商用車隊或?qū)Π踩弦?guī)嚴格的場景，則更需要強大的世界模型做仿真與驗證。無論哪條路，一定要建立嚴格的sim-to-real校準流程、冗余策略以及持續(xù)的在線/離線評估體系，避免把過擬合的語言推理或低保真仿真直接當成“能上路”的決策依據(jù)。

對于自動駕駛企業(yè)來說，可以用世界模型生成的極端場景來補齊訓練集，但要用真實數(shù)據(jù)來校準；在車端實現(xiàn)可解釋性輸出和異常檢測機制，以便監(jiān)管和事后分析；在設(shè)計系統(tǒng)邊界時明確何時由人工接管、何時由系統(tǒng)限制能力，避免模型在不確定情況下做出過激動作。混合使用兩者并通過嚴格驗證可以讓自動駕駛系統(tǒng)既能“想清楚后果”，又能“把理由講清楚”，是比較穩(wěn)妥的路線。

最后的話

VLA和世界模型不是誰替代誰，而是兩種互補的工具。VLA把語言式的推理能力帶進決策里，提升對復雜語義場景的處理和可解釋性；世界模型讓系統(tǒng)能在“腦子里”模擬未來，提升對風險和后果的評估能力。對于自動駕駛行業(yè)來說，更實際的做法是把兩者的優(yōu)點結(jié)合起來，用世界模型來補數(shù)據(jù)、做驗證，用VLA提升語義理解與交互，同時確保有清晰的安全邊界和多層冗余。這樣既能提高功能性，也能把安全性和可審計性放在首位。