李想在 5 月的《理想 AI Talk 第二季》里，提前為理想 i8 身上的最大賣點—— VLA 司機大模型，埋下了伏筆。
以至于兩個月后的理想 i8 發(fā)布會，有大約四分之一的時間都用在了描繪 VLA 司機大模型多么強大上。
事實上，不只是理想，長城、奇瑞、極氪、小鵬、零跑等車企均在推進 VLA 模型的研發(fā)和落地。
從整個智駕行業(yè)的角度來看，VLA 模型也早已取代端到端模型成為新一輪智駕競賽的核心。
不過，就在當下智駕行業(yè)內(nèi)的人風風火火大干 VLA 模型的時候，宇樹科技 CEO 王興興，這位來自機器人行業(yè)的大佬，卻毫不留情的給 VLA 司機大模型澆了一盆冷水。
相對 " 傻瓜 " 的 VLA 模型
8 月 9 日，王興興在 2025 世界機器人大會上直言 VLA 模型是一個相對 " 傻瓜式的架構(gòu) "。
同時，王興興還表示，自己對 VLA 模型抱一個 " 比較懷疑的態(tài)度 "。
在判斷王興興的話究竟是 " 針砭之言 " 還是 " 無稽之談 " 之前，我們先來了解下 VLA 司機大模型究竟是什么。
VLA 指的是 Vision-Language-Action，也就是視覺 - 語言 - 動作，它能夠在端到端的基礎(chǔ)上，同時通過視覺信息和語音信息來執(zhí)行駕駛動作。
李想把它的產(chǎn)品形態(tài)比喻為 " 司機 Agent（智能體）"，對比的對象自然是同為司機的人類。
你打車的時候怎么跟司機溝通，就可以怎么跟它溝通。
短平快的指令就由端側(cè)的 VLA 直接處理，如果指令很復雜，需要理解，就送去云端的基座模型先解析翻譯，然后再交給 VLA。
聽到這你是不是會有種奇妙的感覺：這不就是有個機器人嗎？
是的，VLA 模型雖然因智駕而被更多人所熟知，但它最早其實是應用在機器人身上的。
2024 年 10 月，斯坦福大學發(fā)布了全球首個開源 VLA 模型 OpenVLA，成功驗證了 VLA 模型在機器人的實際操作中擁有更強的泛化能力。
此后經(jīng)過在機器人行業(yè)和智駕行業(yè)的落地應用后，VLA 模型的確展現(xiàn)出了十分強大的實用價值。
它更像是端到端和 VLM 用上了融合卡，在面對一些人類都頭疼的潮汐車道、長時序推理等特殊場景時，VLA 思考理解的方式能更像人，處理的方式則比人更好。
如果說此前的 VLM 還局限在 2D 圖像上，那 VLA 則已經(jīng)擁有一個完整的大腦，能通過語言和邏輯推理能力解決問題。
我們《超級開箱》也提前體驗了，感興趣的朋友可以點擊視頻觀看。
聽起來似乎 VLA 就是打開自動駕駛大門的那把鑰匙，但在王興興看來，現(xiàn)階段的 VLA 模型存在一道非常棘手的問題，就是它所采集的真實世界交互的數(shù)據(jù)是不夠的。
為了解決這一問題，王興興說他們嘗試了在 VLA 模型的基礎(chǔ)上再加上一個 "RL"，也就是強化學習，但最終發(fā)現(xiàn)還是 " 不夠用 "。
相對于 VLA+RL，王興興發(fā)現(xiàn)更好的解決方案其實是世界模型。
王興興表示，宇樹在去年就開始利用預訓練的動作視頻，去控制機器人按照視頻內(nèi)容去執(zhí)行對應動作。
但對于世界模型究竟能不能實現(xiàn)技術(shù)收斂，王興興卻又表示 " 不敢打包票 "。
關(guān)鍵原因就在于，王興興認為世界模型太考驗視頻生成質(zhì)量了，導致對 GPU 的消耗有點大。
但王興興也表示，對于機器人來說，視頻生成質(zhì)量并不需要很高。
值得注意的是，在王興興公開懷疑 VLA 之前，理想 i8 發(fā)布會就講過了類似的問題，并且也談到了世界模型。
箭頭漸漸指向世界模型
在理想 i8 發(fā)布會上，理想自動駕駛研發(fā)高級副總裁郎咸朋也談到了數(shù)據(jù)不足對 VLA 模型的負面影響。
郎咸朋分享道，在人類駕駛中，高速和城市快速路占了總里程的 60% 多，而鄉(xiāng)間小路的里程只占了 1% 不到，所以人開車的比例是非常不均衡的，如果以此來進行訓練的話，那么效果是非常差的。
世界模型能夠生成符合真實物理世界規(guī)律的場景，進而彌補實車數(shù)據(jù)的不足。
在汽車行業(yè)，相對于理想，蔚來對世界模型的應用更加深入。
早在去年的 7 月份，蔚來就發(fā)布了世界模型，只是一直到今年 5 月份，才推送了首個版本的世界模型，但就實際效果來看，世界模型的表現(xiàn)起碼到現(xiàn)在還沒有那么驚艷。
不過，根據(jù)蔚來發(fā)布的官方信息，蔚來世界模型對空間理解的能力和長時序的建模能力會更強，進而應對場景表現(xiàn)也會越來越好。
既然如此，那就先等等看吧。
此外，王興興對 VLA 模型提出 " 懷疑 " 后，國家地方共建人形機器人創(chuàng)新中心首席科學家江磊在世界機器人大會也表達了自己的觀點。
江磊表示，感知 - 認知 - 決策 - 執(zhí)行的閉環(huán)尚未閉合，VLA 模型需要重構(gòu)，從而尋求新的解決范式。
國際機器人聯(lián)合會技術(shù)委員會主席亞歷山大 · 維爾（Alexander Verl）則在機器人大會上更直白地講起了 VLA 模型在技術(shù)上的局限，主要包括 7 個方面，分別是：
無記憶能力；感知缺陷；動作缺失；物體混淆；成功率偏低；語言理解缺陷；反饋缺失。
至于這些問題的解決方案，維爾的想法與王興興基本一致，也是利用世界模型去學習。
寫在最后
VLA 模型是當前智駕行業(yè)最熱門的方向，更多的聲音都是在討論它有多么強大和有價值。
因此，王興興的 " 懷疑 " 聲音就不免有些刺耳。
但刺耳歸刺耳，從技術(shù)發(fā)展狀況來看，VLA 大模型注定只是智駕走向終極之前的中轉(zhuǎn)站。
所以，公開闡釋對 VLA 的懷疑，王興興其實只是趕在了智駕行業(yè)前面。
而智駕最終是在世界模型那里，還在其他解決方案那里收斂，或許還需要更多的探索和討論。
END
