国盛证券智能驾驶深度报告指出，VLA（视觉-语言-动作）模型正成为智能驾驶从“聋哑司机”向“司机助理”升级的关键技术。谷歌Waymo推出EMMA多模态模型，英国Wayve推出LINGO-2闭环驾驶模型，清华大学与理想合作DriveVLM，理想自研32B参数VL基座模型，小鹏推进720亿参数VLA模型。本报告从VLA技术演进、头部玩家探索、量产落地三个维度，系统分析VLA模型在智能驾驶领域的应用趋势。
VLA模型：让智驾从“聋哑司机”变“司机助理”
传统智能驾驶系统只能执行驾驶任务，无法理解环境、无法解释决策，是典型的“聋哑司机”。VLA（视觉-语言-动作）模型通过引入大语言模型和多模态模型的能力，让智驾系统不仅能“看”和“开”，还能“说”和“解释”。
2023年7月，谷歌DeepMind推出全球首个控制机器人的VLA模型RT-2。2024年10月，谷歌旗下Waymo推出端到端自动驾驶多模态模型EMMA。2024年4月，英国Wayve推出闭环驾驶模型LINGO-2，将视觉、语言和动作联系起来，帮助解释和确定驾驶行为。当用户问“交通灯是什么颜色？”LINGO-2正确回答：“交通灯是绿色的。”VLA模型使自动驾驶体验获得全新的控制和定制维度，人类与智驾系统的交互方式从“单向指令”升级为“双向对话”。
DriveVLM：清华+理想的VLA实践
清华大学与理想汽车合作的DriveVLM在传统自动驾驶系统上增加了大视觉语言模型（VLM）能力。摄像头输入的图像序列由视觉编码器处理生成图像tokens，通过自注意力机制捕捉重要特征，与VLM的大语言模型进行对齐。随后大语言模型通过思维链（CoT）进行推理，包含场景描述、场景分析和分层规划三个模块。
在复杂场景中，DriveVLM展现出强大的场景理解能力。场景一中车辆遇到无车道线的城市道路、对向车辆拥挤、前方三轮车和交警指挥，DriveVLM识别出交警在指挥左边交通、三轮车缓慢行驶，作出“缓慢直线行驶”决策。场景二中阴雨天道路上有行人骑电动车迎面而来，DriveVLM作出“先减速、右转、缓慢直行”决策。场景三中前方有自行车倒在路上、交警和行人站立，DriveVLM作出“先减速、再向右变道、缓慢直行”决策并解释原因。SENNA（华中科技大学+地平线）是目前开环测试端到端智能驾驶全球第一名，结合多模态大模型和模块化端到端模型。
VLA模型在智能驾驶领域的关键应用| 模型/项目 | 研发方 | 核心能力 |
|---|
| EMMA | 谷歌Waymo | 端到端自动驾驶多模态模型 |
| LINGO-2 | Wayve | 视觉-语言-动作闭环驾驶 |
| DriveVLM | 清华+理想 | 场景描述-分析-规划思维链 |
| SENNA | 华中科技+地平线 | 开环测试全球第一 |
| MindVLA | 理想汽车 | 32B VL基座→VLA |
VLA模型已从学术研究走向产业落地。
头部玩家VLA布局：理想/小鹏/元戎/吉利
理想汽车VLA训练分四步。预训练VL基座模型（32B参数，即320亿）。后训练将其变成VLA，模型规模从3.2B扩大到近4B。强化训练（RLHF+纯RL）。搭建司机agent：简单短指令由端侧VLA直接处理，复杂指令由云端VL基座模型解析后交VLA处理。
小鹏汽车正在云上训练72B参数的超大规模VLA模型（世界基座模型），参数量是主流VLA模型的35倍。通过蒸馏方法将云端大模型能力“推云入端”，生产小尺寸车端模型。元戎启行2025年1月宣布与某头部车企合作，基于英伟达Thor芯片推出VLA量产车型，计划年内交付消费者。吉利在AI智能科技发布会上推出千里浩瀚高阶智驾系统：H7级别加入VLM大模型（2025年推送）；H9级别加入VLA大模型和数字先觉网络，为L3智驾准备。
VLA量产挑战与云端算力竞赛
VLA模型上车面临多重挑战。车端挑战：VLA车端模型参数更大，既要有高效实时推理能力，同时要有大模型认识复杂世界并给出建议的能力，对车端芯片硬件要求极高。理想VLA从3.2B到4B，小鹏72B基座模型通过蒸馏后部署车端。云端挑战：多模态模型训练的主要瓶颈不仅是GPU，也需要解决数据访问效率。小鹏自主开发数据基础设施，使数据上传规模提升22倍、训练中数据带宽提升15倍、模型训练速度提升5倍。
各头部玩家在云端算力上展开竞赛。特斯拉致力于成为“计算领域世界领导者”。小鹏在10亿到720亿参数模型上均看到规模法则效应：参数越大、数据越多，模型能力越强。VLA模型从云端训练到车端部署的全链条能力，将成为智能驾驶头部玩家的核心竞争壁垒。
