「VLA能夠解決全自動駕駛，至於VLA是否是效率最高的方式還要打個問號。但現階段VLA是能力最強的架構。」
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。
以至於兩個月後的理想i8發布會，有大約四分之一的時間都用在了描繪VLA司機大模型多麼強大上。
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模型的研發和落地。
從整個智駕行業的角度來看，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，就在當下智駕行業內的人風風火火大幹VLA模型的時候，宇樹科技CEO王興興，這位來自機器人行業的大佬，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」。
同時，王興興還表示，自己對VLA模型抱一個「比較懷疑的態度」。
此言一出，輿論立刻炸開了鍋。極佳視界CEO黃冠甚至在朋友圈中吐槽王興興的觀點「太業餘」，並建議王興興以後「不要談AI了」。
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麼。
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上，同時通過視覺信息和語音信息來執行駕駛動作。
李想把它的產品形態比喻為「司機Agent（智能體）」，對比的對象自然是同為司機的人類。
你打車的時候怎麼跟司機溝通，就可以怎麼跟它溝通。
短平快的指令就由端側的VLA直接處理，如果指令很複雜，需要理解，就送去雲端的基座模型先解析翻譯，然後再交給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。
此後經過在機器人行業和智駕行業的落地應用後，VLA模型的確展現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。
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，現階段的VLA模型存在一道非常棘手的問題，就是它所採集的真實世界交互的數據是不夠的。
為了解決這一問題，王興興說他們嘗試了在VLA模型的基礎上再加上一個「RL」，也就是強化學習，但最終發現還是「不夠用」。
相對於VLA+RL，王興興發現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容去執行對應動作。
在王興興看來，由視頻驅動的世界模型這一技術方向，可能比VLA模型的收斂概率還大。
但對於世界模型究竟能不能實現技術收斂，王興興卻又表示「不敢打包票」。
關鍵原因就在於，王興興認為世界模型太考驗視頻生成質量了，導致對GPU的消耗有點大。
但王興興也表示，對於機器人來說，視頻生成質量並不需要很高。
值得注意的是，在王興興公開懷疑VLA之前，理想i8發布會就講過了類似的問題，並且也談到了世界模型。
箭頭漸漸指向世界模型
在理想i8發布會上，理想自動駕駛研發高級副總裁郎咸朋也談到了數據不足對VLA模型的負面影響。
郎咸朋分享道，在人類駕駛中，高速和城市快速路佔了總里程的60%多，而鄉間小路的里程只佔了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，那麼效果是非常差的。
針對這一問題，郎咸朋表示理想的解決方案是開發世界模型。
世界模型能夠生成符合真實物理世界規律的場景，進而彌補實車數據的不足。
在汽車行業，相對於理想，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，世界模型的表現起碼到現在還沒有那麼驚艷。
不過，根據蔚來發布的官方信息，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」後，國家地方共建人形機器人創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-執行的閉環尚未閉合，VLA模型需要重構，從而尋求新的解決範式。
國際機器人聯合會技術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。
與此同時，維爾還指出，VLA模型訓練成本高昂，在不含訓練數據製備成本的前提下，也會達到數千萬美元。
至於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。
寫在最後
VLA模型是當前智駕行業最熱門的方向，更多的聲音都是在討論它有多麼強大和有價值。
因此，王興興的「懷疑」聲音就不免有些刺耳。
但刺耳歸刺耳，從技術發展狀況來看，VLA大模型註定只是智駕走向終極之前的中轉站。
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前面。
而智駕最終是在世界模型那裡，還在其他解決方案那裡收斂，或許還需要更多的探索和討論。
