就在VLA被推上“神壇”之際，博世智能駕控中國區(qū)總裁吳永橋給VLA潑了一盆涼水。剛剛結(jié)束的2025世界人工智能大會（WAIC）上，吳永橋提出了一個(gè)反共識的觀點(diǎn)：VLA短期內(nèi)難以落地，仍需攻克多維難題。

其實(shí)2024年就有企業(yè)提及VLA的概念，2025年以來，VLA開始被行業(yè)大肆鼓吹。語音、手勢、甚至表情控制智駕系統(tǒng)，VLA被描繪得無所不能。這個(gè)原本在具身智能機(jī)器人領(lǐng)域廣泛討論的技術(shù)被移植到了自動駕駛。但在吳永橋看來，行業(yè)對VLA的癡迷太過急于求成。他提到VLA當(dāng)下存在很多問題（引號內(nèi)為吳永橋原話）：

“首先，多模態(tài)大模型的特征對齊很難實(shí)現(xiàn)（視覺、語言、動作）”；

這里的多模態(tài)特征對齊指的是將不同模態(tài)（如圖像、文本、音頻等）的特征映射到統(tǒng)一的語義空間，從而實(shí)現(xiàn)跨模態(tài)信息的有效融合與理解。這種技術(shù)在多模態(tài)學(xué)習(xí)中扮演著“橋梁”的角色，使得不同模態(tài)的數(shù)據(jù)能夠協(xié)同工作，提升模型的智能表現(xiàn)。

“其次，多模態(tài)的數(shù)據(jù)獲取和訓(xùn)練也十分困難?！?/p>

按照不少車企的宣傳話術(shù)，VLA可以實(shí)現(xiàn)語音識別，手勢識別，甚至眼神識別等，但是這些數(shù)據(jù)從哪來，沒有足夠多的實(shí)際數(shù)據(jù)作為支撐如何保證絲滑體驗(yàn)。

“最重要的一點(diǎn)，VLA模型要部署在智駕芯片上，才能實(shí)現(xiàn)行車安全以及駕駛高度擬人化，模型規(guī)模必須要做到7B-10B左右。但目前市面上幾乎所有的三方智駕芯片都不是專為大模型的計(jì)算而設(shè)計(jì)的，帶寬相對較小，僅3B的模型布置在Thor芯片，頻率很難做到10赫茲?！?/p>

這里其實(shí)提到了3個(gè)問題，首先是參數(shù)量的問題，目前行業(yè)主流的車端VLA模型參數(shù)差不多在2B左右，企業(yè)披露的最高是4B。跟吳永橋說的10B（100億）差距甚遠(yuǎn)。

聚焦VLA的企業(yè)首先要解決的就是量的問題。目前看來沒有任何一家企業(yè)能夠達(dá)到這個(gè)數(shù)據(jù)量，而且短期內(nèi)很難速成，只能靠賣車一點(diǎn)點(diǎn)積累。

另外一個(gè)就是芯片問題。芯片硬件的設(shè)計(jì)要提前預(yù)判幾年后的軟件趨勢。VLA是最近1年才流行起來的說法，而目前主流的芯片都是至少3年前就開始立項(xiàng)開發(fā)，并不是專門針對大模型參數(shù)設(shè)計(jì)，這就存在吳永橋提到的帶寬問題。就是芯片在一定時(shí)間內(nèi)能夠傳輸?shù)臄?shù)據(jù)量。是數(shù)據(jù)傳輸率的一個(gè)重要指標(biāo)，表示在傳輸管道中可以傳遞數(shù)據(jù)的能力。大家可以換一個(gè)蓄水池的角度理解或許更形象，就是在一個(gè)足夠大的蓄水池里，但是出水口徑只有2cm，效率其實(shí)是非常低的。

有技術(shù)預(yù)判的企業(yè)肯定意識到了這個(gè)問題，為了支持大參數(shù)量，車企們的策略是自研芯片，小鵬和蔚來已經(jīng)上車，但效果怎么樣還是未知數(shù)。但其實(shí)還是繞不開那個(gè)問題，這幾家企業(yè)芯片立項(xiàng)的時(shí)間都比較早，能考慮到多大的硬件極限也不清楚。

再有就是刷新頻率。就是系統(tǒng)對外部輸入信息的實(shí)時(shí)更新，按照吳永橋的說法，現(xiàn)在的模型刷新頻率都很難達(dá)到VLA需要的10赫茲。也有企業(yè)說達(dá)到了這個(gè)數(shù)據(jù)。

最后，吳永橋給了一個(gè)結(jié)論，可能要在3-5年之后，有了真正能跑大模型的芯片，才能支持VLA落地。博世并不否認(rèn)VLA的價(jià)值，但是當(dāng)下，吳永橋認(rèn)為一段式端到端更有意義。只有將一段式端到端打磨到極致的性能，才能帶來高度擬人化、絲滑的智駕產(chǎn)品。（當(dāng)然他說的應(yīng)該是當(dāng)下最好的產(chǎn)品）

無獨(dú)有偶，博世并不是唯一一個(gè)提醒大家保持冷靜的人。技術(shù)控曹旭東對VLA的態(tài)度更克制。上海車展期間，Momenta創(chuàng)始人曹旭東在接受騰訊汽車采訪時(shí)也提到了相同的觀點(diǎn)。（引號部分為曹旭東原話）

“VLM（Visual-Language Model，視覺語言模型）、VLA（Vision-Language-Action Model，視覺語言行動模型）是很好的方向，但在我看來是錦上添花的方向，在技術(shù)實(shí)現(xiàn)上其實(shí)沒那么難。它可能對自動駕駛系統(tǒng)上限，或者系統(tǒng)安全性來說，會有少則三五倍、多則五到十倍的提升，但這個(gè)提升對實(shí)現(xiàn)規(guī)?；疞4是遠(yuǎn)遠(yuǎn)不夠的，規(guī)?；疞4至少是100倍到1000倍的提升才有可能實(shí)現(xiàn)?！?/p>

這里曹旭東表達(dá)了3個(gè)意思：1、VLA是一個(gè)不錯(cuò)的方向；2、技術(shù)難度并不高；3、對系統(tǒng)安全的性能提升有限，最多5-10倍，這個(gè)提升對L4規(guī)?；h(yuǎn)遠(yuǎn)不夠。

這個(gè)可以順著他的意思把其中的邏輯給拆解一下，第一點(diǎn)他說VLA是一個(gè)很好的方向，但并沒有強(qiáng)調(diào)VLA的唯一性，這和不少企業(yè)將VLA宣傳成自動駕駛的必須且唯一解有本質(zhì)區(qū)別。

后面2點(diǎn)，曹旭東解釋自動駕駛本身就是一個(gè)vision action（視覺-行動）的東西，把語言加進(jìn)去，相當(dāng)于加了一個(gè)信息輸入而已，技術(shù)難度并不高，而且加入一個(gè)信息元素系統(tǒng)安全也很難提升100到1000倍。

“我們認(rèn)為提升要用強(qiáng)化學(xué)習(xí)，把端到端大模型放到通過海量真實(shí)數(shù)據(jù)構(gòu)建起來的仿真環(huán)境去做探索，成功就給獎勵，失敗就給懲罰，這個(gè)模型就能夠?qū)W習(xí)到什么是安全駕駛、高效駕駛的概念。這種能力是能夠把模型的上限和安全的上限、下限提升100到1000倍，甚至1000到10000倍都是可以的?！?/p>

和吳永橋一樣，曹旭東也認(rèn)為，要保證優(yōu)質(zhì)的自動駕駛體驗(yàn)，將端到端與強(qiáng)化學(xué)習(xí)結(jié)合是更靠譜的方案。

相較于這些概念性的東西。曹旭東更強(qiáng)調(diào)自動駕駛本源的三要素：模型、數(shù)據(jù)、算法。他認(rèn)為，模型設(shè)計(jì)的上限決定了系統(tǒng)學(xué)習(xí)能力的上限。如果模型設(shè)計(jì)的不好，給他再多的數(shù)據(jù)也學(xué)不會。就像老鼠的腦結(jié)構(gòu)不可能超越人類。

順著這個(gè)思路再往下走，VLA只是一種“視覺-語言-行為”模型，證明它可以在一個(gè)模型里處理這些信息，但處理的好不好是另一回事。如果按照老鼠，猴子，猩猩，人類腦結(jié)構(gòu)來劃分，不同物種有不同的VLA結(jié)構(gòu)。其實(shí)又回到了模型設(shè)計(jì)的問題，然后通過大數(shù)據(jù)喂養(yǎng)和強(qiáng)化學(xué)習(xí)訓(xùn)練在生成一個(gè)好的模型。而且還有一個(gè)核心的問題，目前最好的模型是什么人類無法提前預(yù)知，只能先搭建，然后用數(shù)據(jù)去試。

如果我們把視角再往前推會發(fā)現(xiàn)一個(gè)非常有意思的事情，大概1年前整個(gè)行業(yè)將端到端推上神壇，一體化架構(gòu)、自主學(xué)習(xí)……各種花里胡哨的名詞，仿佛有了端到端就無所不能。結(jié)果僅僅一年時(shí)間，端到端還沒成熟，新的VLA技術(shù)又粉墨登場，被大肆宣揚(yáng)。

慶幸的是，在所有人都被流量裹挾時(shí)被總有人發(fā)出不一樣的聲音。就像當(dāng)年端到端大火的時(shí)候，所有人提起端到端都兩眼放光，前圖森未來創(chuàng)始人侯曉迪給端到端破了一盆冷水，他認(rèn)為端到端只是人工智能里很平常的一項(xiàng)技術(shù)，提醒行業(yè)不要過分神化，有了端到端也未必能解決所有問題。站在今天的視角來看，端到端已經(jīng)從成了大家口中的牛夫人，VLA才是當(dāng)下的小甜甜，但是這股風(fēng)到底會持續(xù)多久誰也不知道。明年會不會又有什么新的技術(shù)名詞出現(xiàn)呢？