“很多VLA模型訓(xùn)練出來之后，泛化能力幾乎為零”。

這是至簡動力CEO賈鵬在英偉達GTC 2026上闡述的一個重要觀點，而賈鵬不是別人，就是前理想智駕研發(fā)負責(zé)人。

而為了解決模型泛化能力不足的短板，至簡動力將世界模型和VLA融合在一起，研發(fā)出了“大一統(tǒng)基座模型”。

英偉達GTC大會作為每年一度的科技盛會，理想今年也照例登臺演說。

眾所周知，理想是VLA的忠實擁護者和踐行者，其基座模型負責(zé)人詹錕在GTC大會上就發(fā)布了理想的下一代智能化架構(gòu)——MindVLA-o1。

詹錕還表示，同一套VLA模型不僅可以控制車輛，還能擴展至機器人，這類基礎(chǔ)模型未來將驅(qū)動新的具身智能范式。

賈鵬和詹錕的觀點對撞火花四濺，一場前員工與老東家的觀點交鋒，在英偉達GTC 2026的舞臺上也以這樣意外的方式拉開。

而在GTC舞臺之上以及周圍，一場爆發(fā)在VLA和世界模型之間，規(guī)模更廣、毫不留情的觀點對抗，也在轟然進行。

世界模型聯(lián)軍的炮火

早在去年四季度的時候，VLA和世界模型就已經(jīng)明顯分化成了兩大陣營。

VLA的陣營里主要有理想和小鵬，世界模型的陣營里則主要有華為和蔚來。

有趣的是，理想和小鵬看起來都是VLA的擁躉，但小鵬卻又搞出了一套第二代VLA，與理想拉開了距離，甚至還要在氣勢上壓過理想一頭。

短短幾個月過去了，局勢又發(fā)生了巨大變化。

一方面，各家方案紛紛落地，顯得彼此之間根本沒有對錯，而是對與更對的近身肉搏。

另一方面，新的成員開始站隊，讓局勢更加緊張和熱鬧了起來。

吉利汽車集團CTO李傳海在GTC大會上就分享了吉利的WAM世界行為模型。

WAM概括地說主要是包括四大技術(shù)內(nèi)核：

多模態(tài)模型識別路況；動作專家生成不同的動作序列；世界模型推演分析；基于人類駕駛數(shù)據(jù)訓(xùn)練而來的價值函數(shù)來評估選擇。

用大家都能看得懂的話說，就是WAM世界行為模型追求像人一樣去理解、推理和執(zhí)行，再經(jīng)過大量的訓(xùn)練，最終使得駕駛精確性近乎直覺。

可，像人一樣去駕駛，VLA難道就不能做到嗎？

李傳海在介紹WAM的同時，指出了VLA的三大問題。

第一，VLA只會背標準答案，卻不能掌握真正規(guī)律，泛化性不夠，這一點也與文章開頭提到的賈鵬的觀點不謀而合。

第二，VLA依賴具體的汽車駕駛操作數(shù)據(jù)，不能像世界模型那樣處理來自互聯(lián)網(wǎng)的海量視頻，如此一來，數(shù)據(jù)的質(zhì)量和一致性則成了VLA的瓶頸。

第三，VLA建構(gòu)的是語言或符號與駕駛動作之間的關(guān)系，不能像世界模型那樣對物理世界規(guī)律有深刻的認知。

按照李傳海的以上觀點，即使VLA能像人一樣去駕駛，那也很可能是一個反應(yīng)還不太靈活的新手司機。

不只是吉利這樣的整車廠，頭部智駕供應(yīng)商Momenta也對VLA持有類似的想法。

Momenta CEO曹旭東在最近的上汽大眾ID.ERA 9X技術(shù)發(fā)布會上就表示，VLA只能是錦上添花，對于智駕的提升不會那么大，而世界模型再加強化學(xué)習(xí)才能給智駕帶來十倍、百倍的提升。

在曹旭東看來，其背后的邏輯就在于VLA的訓(xùn)練方式是先訓(xùn)練大語言模型，而大語言模型的參數(shù)量一般在100B左右，接下來就是視覺和語言的對齊、行動再跟視覺和語言對齊。

一套流程走下來，結(jié)果大量的參數(shù)并沒有完全用在開車本身。

世界模型則不然，它能建構(gòu)起對物理規(guī)律的認知，然后再通過強化學(xué)習(xí)將認知變成肌肉記憶，最終甚至能夠超越人類的駕駛水平。

華為車BU CEO靳玉志去年曾直言VLA取巧，并不是走向真正自動駕駛的路徑，而李傳海與曹旭東的觀點，又恰與靳玉志形成了一種遙相呼應(yīng)之勢。

不過，一大整車廠，兩大頭部智駕供應(yīng)商都不看好VLA，就真的說明VLA注定只是過渡階段的產(chǎn)物，而非指向終局的利刃嗎？

VLA的防御工事

李傳海在GTC上指出VLA三大病癥時，曹旭東為上汽站臺直言VLA只是錦上添花時，理想和小鵬也沒閑著。

前文提到，詹錕在GTC大會上發(fā)布了理想下一代智能化架構(gòu)——MindVLA-o1。

MindVLA-o1實現(xiàn)了一個底層技術(shù)的突破：原生3D ViT，也就是3D視覺模型編碼器，能夠以視覺為核心，再結(jié)合激光雷達點云，引導(dǎo)模型對物理空間結(jié)構(gòu)有進一步的感知和理解。

理想汽車CEO李想把原生3D ViT評價為“真正的三維視覺編碼器”。

李想解釋道，今天所有的端到端系統(tǒng)本質(zhì)上都是“看2D視頻學(xué)開車”，更像是一個人坐在電腦前看了十萬小時行車記錄儀，然后直接上路。

其道理也很淺顯，如同刷視頻學(xué)做飯，一看就會，一練就廢。

所以理想通過3D ViT彌補了“看”與“練”之間的實踐鴻溝，讓模型一開始就工作在真實的三維世界中，學(xué)習(xí)如何看懂“空間結(jié)構(gòu)、位置關(guān)系、語義信息”。

這也間接回答了李傳海指出的VLA對物理規(guī)律沒有深刻認知的問題。

與此同時，理想還引入了一個大家比較陌生的新概念——預(yù)測式隱世界模型，即能夠在一個“隱空間”中模擬未來。

更詳細地說，是先用視頻數(shù)據(jù)構(gòu)建未來表征，MindVLA-o1再進行世界模型推演，最后世界模型、多模態(tài)推理以及駕駛行為進行聯(lián)合訓(xùn)練和對齊，進而能讓模型應(yīng)對當(dāng)下的同時還能預(yù)測未來幾秒的場景演化。

而將空間、時間統(tǒng)合起來預(yù)測未來時間的場景，也同樣是世界模型的關(guān)鍵亮點。

由此也不難看出，無論是世界模型，還是VLA，其實都已經(jīng)具備了L3/4的技術(shù)基礎(chǔ)。

李想說MindVLA-o1“正在逐漸演化成一個通用的物理世界智能體”。

賈鵬和李傳海所指出的VLA泛化能力不強的問題，在李想這里，也貌似不是問題。

事實上，從目前各家對世界模型和VLA的表述來看，兩條路貌似都能奔向通用物理世界智能體。

小鵬其實已經(jīng)在自己的第二代VLA路上狂奔起來了。

以第二代VLA為技術(shù)底座，小鵬在L2、L4、Robotaxi、人形機器人等方面做了廣泛布局。

另外第二代VLA具體的實力我們也有感受，面對擁擠的廣州早高峰，它非常像一位老練的出租車司機。大家可以參考下面這個視頻。

近幾天世界模型陣營指摘VLA，小鵬的輿論陣地也在為捍衛(wèi)VLA戰(zhàn)斗。

何小鵬就做了一場關(guān)于回答第二代VLA問題的直播。

其中，何小鵬提到第二代VLA其實就是小鵬面向L4的第一個版本，并且還將面向全球。

這也說明，所謂VLA泛化能力不足在小鵬這里，跟理想一樣看起來并不是問題。

值得一提的是，英偉達在這次GTC大會上也再次展示了自己的VLA模型——AIpamayo，并宣布將在奔馳CLA等車型上量產(chǎn)。

從芯片到智駕方案，英偉達的強勢入局，又會讓VLA和世界模型的天平往哪偏，是個懸念。

表面上看，VLA和世界模型在GTC臺上臺下爭得面紅耳赤，但仔細一看，這卻更像是一場心照不宣的“技術(shù)秀”。

大家吵的是路線，搶的卻是L3/4大門開啟前的話語權(quán)。

誰掌握了話語權(quán)，誰便更有可能在激烈的競爭中掌握市場格局的主動權(quán)，贏得未來的門票。

而就技術(shù)本身而言，世界模型和VLA在一定程度上其實是你中有我、我中有你的關(guān)系。

并且就在今年，小鵬將試運營基于第二代VLA的Robotaxi，華為會推進高速L3，理想目標將全新L9打造成具身智能機器人......

因此，世界模型和VLA誰能吵贏誰已經(jīng)是最不重要的事了，它們本質(zhì)上已經(jīng)來到了比拼工程落地的沖刺階段。

劍已出鞘，就看誰能見血了。