都是“世界模型”（World Model）惹的祸。比如，作为读者的你，WM、WEWA、VLM、VLA你能分清吗？
确实，在“端到端”大模型火了之后，“世界模型”的出现，让高端智驾的概念变得丰富和复杂起来。然而，问题也就出现了。怎么才算真正的“世界模型”呢？还有跟VLA是个什么关系？
最近有人“打假”。“不知道中国有哪些友商真正做出VLA而不是做成一个变形的VLA，我现在所看到的部分公司，是做一个嫁接的VLA，从我所了解的信息来看，中国把VLA真正做出来的，只有我们一家。”
这是8月27日何小鹏在全新小鹏P7发布会后群访时爆出来的一番话。虽然没说明对象，但是，在小鹏之前宣布VLA量产上车的，只有理想。
不仅如此，还有对VLA和世界模型都不满意，说要做WEWA的。
就在同一天，华为智能汽车解决方案BU CEO靳玉志出来讲，“我们不会走向VLA的路径。我们认为这样的路径看似取巧，其实并不是走向真正自动驾驶的路径。”
原因在于，“华为更看重WA，也就是World Action，中间省掉Language这个环节……直接通过Vision 这样的信息输入控车，而不是把各种各样的信息转成语言，再通过语言大模型来控制车。”
所以，我们得回答一个问题，小鹏为什么炮轰友商的VLA？华为怎么也喷VLA？
先说下VLA（视觉-语言-行为大模型）。实际上，在VLA火之前，端到端＋VLM基本是智驾行业主流技术方案之一。我们可以这样理解，VLA是在端到端＋VLM基础之上的技术进化形态，解决了端到端＋VLM的一些局限性。
同样，在一定程度上，VLA“原生融合”的更高级模式也有赖于端到端＋VLM“外挂”模式的技术积累。
不过，虽然VLA有很好的可解释性，可空间的感知能力很弱，这也是华为省掉Language这个L的原因。华为直接上了WA（World Action）。
有人反对就有人同意，元戎启行就很挺VLA。元戎启行的CEO周光发布自家的VLA模型时，称“VLA模型的下限已超过端到端的上限”。周光也称，“语音控车只是VLA的基础能力，最难的是思维链（Chain of Thought, CoT）和长时序推理。这才是VLA真正的核心能力。”
再说小鹏汽车，为啥炮轰友商，说自己才是真的VLA？原因不好说，但小鹏发布的全新P7车型，在硬件配置上进行了大幅升级，一口气搭了三颗图灵芯片，而且计划9月通过OTA上车VLA。
当然，理想跟小鹏不同，是在车端用快慢双系统，快系统为端到端E2E，慢系统的VLM（Vision-Language Model，视觉语言模型）部署参数为22亿（2B）。
随后，理想还在端到端+VLM的基础上升级，英伟达2025春季GTC大会上理想自动驾驶技术研发负责人贾鹏说，理想从零开始设计和训练基座模型，它将支持理想实现MindVLA（Vision-Language-Action,视觉-语言-行动）智驾算法模型的量产上车。
实际上，理想所谓的基座模型就是世界模型，部署在云端，以“仿真训练+场景验证”为核心，作为端到端+VLM系统的“考试系统”。理想用了车端的VLA这个概念来做营销而已。
但很明显，小鹏对于部署在车端搞VLA是嗤之以鼻的，因为参数量根本不够。李力耘认为，车端的“端到端”模型很小，有些东西很难学进去，但通过云端大模型的能力，能够真正有一些智能“涌现”。
而此前2025款小鹏X9上市发布会上，小鹏汽车自动驾驶副总裁李力耘就表示，小鹏正在研发720亿（72B）参数的超大规模自动驾驶大模型，即“小鹏世界基座模型”。
小鹏世界基座模型是一个以大语言模型（LLM）为骨干网络，使用海量驾驶数据训练的多模态大模型，具备视觉理解、链式推理和动作生成能力。小鹏的方法，是通过云端蒸馏小模型的方式，将基座模型部署到车端。从云端到车端。
李力耘还表示，“真的就是大道至简，因为暂时不去考虑部署的问题，先通过最简单的模型、最纯粹的架构、最海量的数据，达到一个真正超越涌现的、你未曾想到的，可能在现在‘端到端’看来都是惊喜、未来都是日常的这样一个能力的涌现，这是我们最大的不一样。”
我们不能忽略一点，行业进化过程中，好不容易才从两段式端到端进化到一段式端到端，VLA也好，世界模型也好，都是在尝试和试错阶段的新方法，本来没什么对错。现在为这个争，其实还是因为博弈。
对于这些概念，地平线的相关负责人则在HSD体验日上就我的问题表示，“不管是我们现在讲的端到端，加VLM还是VLA，还是World Model，本质上它都是一个端到端。只是说，我觉得在国内，大家过于去强调新的理念和概念。”
说起来，“世界模型”这个做法（概念很早就有了）是谁提出来的呢？特斯拉。马斯克提出了“世界大模型”这个做法。
这个世界模型的作用是什么？是特斯拉为了实现全球范围內所有路况的自动驾驶，在感知跟决策中间，嵌入了一个AI大模型，主要是构建一个虚拟环境，以便进行自动驾驶能力的学习和验证。
做法是，首先将真实世界的数据转化为虚拟环境，就是所谓“重建”。然后，虚拟环境帮助系统在不同条件下进行能力验证和优化，即“生成”数据。这个“外挂”AI大模型与决策规划控制部分紧密相连。
而在国内，首先提出这个概念的是蔚来。2024 NIO IN（蔚来科技创新日）上，蔚来智能驾驶研发副总裁任少卿发布蔚来世界模型（NIO World Model，简称NWM），并宣布蔚来智驾从“感知驱动”转入“认知驱动”。
当然，虽然都叫世界模型，马斯克的WM，和蔚来提出的NWM，华为提出的WEWA，还是有差异的。
具体而言，蔚来的世界模型是想一步到位，直接在车端构建一个平行世界引擎。换句话说，采用云端训练+车端推理的双架构，直接通过生成式模型（如SORA）生成轨迹规划，也就是从原始的传感器数据直接生成控制指令，跳过L这个语言中间层。
这里插一句，根据比较专业的说法，世界模型，就是视频生成加prompt控制。而视频生成有四大类型，基于对抗网络GAN的，基于扩散模型的，基于自回归模型（基本上就是transformer）的和基于掩码的。
其中，扩散模型再分为Stable Video Diffusion（SVD）和Stable Diffusion（SD）两种，据说特斯拉就是用的SVD。而大名鼎鼎的SORA则是复合型，SORA模型的核心组成包括DiT、VAE和ViT（这个太专业了，略过不提）。
蔚来的设想是“无需人工标注”。底层逻辑，是把“感知-决策-控制”整合为统一的生成式模型，然后一切都在车端瞬间完成。
但这一设想和操作有个BUG。这对车端的算力需求极高，且生成式模型的实时优化问题并未完全解决。直到2025年5月底，NWM才正式全量推送。革命尚未成功，同志仍须努力呀！
而华为提出的云端+车端的WEWA模型和蔚来的WM其实原理一样，其中，云端的WE（World Engine，世界引擎）相当于“AI驾校”，车端的WA（World Action Model，世界行为模型）则是采用一段式端到端架构的“AI驾驶大脑”。
从算力来说，华为WA总参数规模相当于80亿参数（8B）模型，实际激活等效20亿参数（2B）模型的算力负担，华为讲，车端算力消耗降低75%。请注意这个数据，可以跟理想对比一下。
其实，说到底，生成式世界模型之所以被用来解决智驾的数据难题，是在于以世界模型生成Corner Case数据，让智驾系统在这个虚拟环境中通过“状态→动作→奖励”的循环来优化感知和决策能力。而且，需要车端和云端的共同作用。所以，既然讲的角度不一样，那还不如是骡子是马拉出来溜溜再说。
相对于VLA，地平线的相关市场负责人是这么讲的，“我可能会更看好World Model一些。同时，还是回到那个点，所有新技术的采纳，最终要看产品的收益在哪？因为这些东西它万变不离其宗，到最后都是一个端到端的模型。如果你带不来收益，那我就不太会去用。”
还有一点是比较现实的，“所有的新方法，它的好处是什么？它前50%的收益是好拿的，后50%的收益是贼难拿的。但是，你像端到端这种，你的整个收益没有拿好的情况下，去拿别的收益的话，也会有很多问题。所以，最终我觉得评判的标准就一个，这个方法在产品上的收益高不高？”
| 
2082
发表于 2025-9-12 10:42:34