2025年末，中國智能駕駛產(chǎn)業(yè)迎來重要里程碑——首批L3級(jí)自動(dòng)駕駛車型正式獲得市場準(zhǔn)入。與此同時(shí)，具身智能機(jī)器人領(lǐng)域在過去一年中也取得了突破性進(jìn)展，從初期連抓取蘋果都困難重重，到如今疊衣服成為行業(yè)入門任務(wù)，甚至掌握了穿鞋帶這類曾被視為高難度的精細(xì)操作技能。

在這場技術(shù)變革中，一項(xiàng)名為VLA（視覺語言動(dòng)作大模型）的技術(shù)正成為連接自動(dòng)駕駛與具身智能的關(guān)鍵紐帶。與傳統(tǒng)端到端模型直接將視覺信號(hào)映射為動(dòng)作的"條件反射"式?jīng)Q策不同，VLA通過引入語言理解與推理能力，使機(jī)器具備了"觀察-理解-執(zhí)行"的完整認(rèn)知鏈條。這種技術(shù)范式轉(zhuǎn)變，正在重新定義物理世界中的人工智能發(fā)展路徑。

VLA技術(shù)的興起也引發(fā)了行業(yè)爭議。在2025年世界機(jī)器人大會(huì)上，宇樹科技創(chuàng)始人王興興公開質(zhì)疑該技術(shù)路線，認(rèn)為其可靠性尚未達(dá)到工業(yè)應(yīng)用標(biāo)準(zhǔn)。這場爭論背后，折射出軟件與硬件、泛化性與可靠性、學(xué)術(shù)探索與商業(yè)落地之間的深層矛盾。為深入探討這一前沿技術(shù)，記者專訪了小米汽車智能駕駛VLA技術(shù)負(fù)責(zé)人陳龍和上海交通大學(xué)計(jì)算機(jī)學(xué)院助理教授穆堯。

據(jù)陳龍介紹，VLA技術(shù)的核心在于利用大語言模型的泛化能力，結(jié)合互聯(lián)網(wǎng)預(yù)訓(xùn)練獲得的通識(shí)知識(shí)，通過語言模態(tài)的推理機(jī)制解決現(xiàn)實(shí)世界中的復(fù)雜決策問題。在自動(dòng)駕駛場景中，當(dāng)車輛遇到未見過的新奇場景時(shí)，系統(tǒng)需要調(diào)動(dòng)知識(shí)儲(chǔ)備進(jìn)行推理判斷，而非簡單依賴歷史數(shù)據(jù)。穆堯則強(qiáng)調(diào)，具身智能機(jī)器人通過VLA技術(shù)獲得了三大突破：語言交互能力、開放場景泛化性，以及動(dòng)作執(zhí)行能力。雖然精細(xì)操作能力已有顯著提升，但距離工業(yè)級(jí)可靠性標(biāo)準(zhǔn)仍有差距。

傳統(tǒng)機(jī)器人系統(tǒng)通常針對(duì)特定場景開發(fā)，采用規(guī)劃加力控或強(qiáng)化學(xué)習(xí)的方法實(shí)現(xiàn)單一任務(wù)。當(dāng)具身智能要求機(jī)器人適應(yīng)多任務(wù)、開放場景時(shí)，VLA技術(shù)提供了重要解決方案。以家庭場景為例，機(jī)器人需要理解"幫我泡杯咖啡"這類非標(biāo)準(zhǔn)化指令，將其拆解為取杯、注水、攪拌等子任務(wù)序列。這種能力在工業(yè)場景同樣重要，柔性生產(chǎn)線需要機(jī)器人適應(yīng)不同零件的隨機(jī)到達(dá)。

端到端自動(dòng)駕駛通過單一模型直接處理傳感器輸入到駕駛信號(hào)的轉(zhuǎn)換，雖然解決了傳統(tǒng)模塊化系統(tǒng)的規(guī)則設(shè)計(jì)難題，但存在決策黑箱化和長尾場景泛化不足的問題。VLA技術(shù)通過引入語言解釋機(jī)制，不僅提高了決策透明度，還能利用互聯(lián)網(wǎng)預(yù)訓(xùn)練知識(shí)增強(qiáng)推理能力。例如在施工場景中，系統(tǒng)可以理解不同標(biāo)識(shí)牌的含義，即使遇到非標(biāo)準(zhǔn)化指示也能做出合理決策。

長尾問題和泛化能力是智能系統(tǒng)面臨的共同挑戰(zhàn)。穆堯指出，機(jī)器人領(lǐng)域的長尾場景包括操作失誤恢復(fù)、動(dòng)態(tài)障礙物避讓等復(fù)雜情況。陳龍則以自動(dòng)駕駛為例，說明不同地區(qū)的交通標(biāo)識(shí)差異可能造成系統(tǒng)困惑。VLA技術(shù)通過結(jié)合視覺感知與語言推理，能夠更好地處理這些非結(jié)構(gòu)化信號(hào)。在路徑規(guī)劃方面，系統(tǒng)可以利用語言模態(tài)實(shí)現(xiàn)長時(shí)記憶，避免重復(fù)進(jìn)入死胡同。

針對(duì)"VLA是否僅在視覺與動(dòng)作間增加語言層"的疑問，陳龍明確表示這是范式轉(zhuǎn)變。傳統(tǒng)視覺動(dòng)作模型缺乏思考能力，而VLA通過認(rèn)知驅(qū)動(dòng)機(jī)制，利用大模型的知識(shí)儲(chǔ)備解決復(fù)雜問題。穆堯補(bǔ)充說，機(jī)器人VLA系統(tǒng)需要處理更復(fù)雜的任務(wù)拆解，將抽象指令轉(zhuǎn)化為具體動(dòng)作原語。當(dāng)前主流模型參數(shù)量在3B至8B之間，尚未達(dá)到真正"大腦"級(jí)別，但已展現(xiàn)出重要潛力。

在系統(tǒng)架構(gòu)方面，行業(yè)普遍采用端云協(xié)同方案。13B以上參數(shù)的大型模型通常部署在云端，負(fù)責(zé)復(fù)雜推理任務(wù)；端側(cè)或邊端設(shè)備運(yùn)行較小模型，處理實(shí)時(shí)控制需求。這種分層架構(gòu)既保證了決策質(zhì)量，又滿足了系統(tǒng)響應(yīng)要求。小米近期開源的跨模態(tài)基礎(chǔ)模型，通過融合自動(dòng)駕駛和機(jī)器人數(shù)據(jù)，驗(yàn)證了空間感知能力的可遷移性。

數(shù)據(jù)獲取是制約技術(shù)發(fā)展的關(guān)鍵因素。自動(dòng)駕駛領(lǐng)域具有天然優(yōu)勢(shì)，每輛上路汽車都能持續(xù)回傳訓(xùn)練數(shù)據(jù)，形成數(shù)據(jù)飛輪效應(yīng)。相比之下，具身智能機(jī)器人缺乏成熟產(chǎn)品，數(shù)據(jù)采集規(guī)模有限。學(xué)術(shù)界正在探索仿真合成數(shù)據(jù)、便攜式采集設(shè)備等解決方案。穆堯提出的"人-數(shù)字人-機(jī)器人"三位一體管線，通過人類行為數(shù)據(jù)轉(zhuǎn)化，顯著提升了數(shù)據(jù)利用效率。

安全性是智能系統(tǒng)商業(yè)化必須跨越的門檻。穆堯認(rèn)為，強(qiáng)化學(xué)習(xí)是提升安全性的重要工具，既能實(shí)現(xiàn)意識(shí)層面的安全對(duì)齊，也能優(yōu)化動(dòng)作執(zhí)行精度。陳龍則強(qiáng)調(diào)自動(dòng)駕駛的特殊性，指出系統(tǒng)需要多重安全冗余。在實(shí)際運(yùn)行中，VLA模型會(huì)與傳統(tǒng)感知規(guī)控網(wǎng)絡(luò)并行工作，通過安全檢查機(jī)制確保決策可靠性。

實(shí)時(shí)性要求對(duì)系統(tǒng)設(shè)計(jì)構(gòu)成重大挑戰(zhàn)。自動(dòng)駕駛需要至少10Hz的決策頻率，這對(duì)VLA模型的推理效率提出嚴(yán)苛要求。行業(yè)正在探索雙系統(tǒng)架構(gòu)，將深度思考與快速響應(yīng)分離。穆堯指出，機(jī)器人領(lǐng)域更關(guān)注動(dòng)作執(zhí)行延遲，通過異步推理和并行計(jì)算等技術(shù)手段，3B參數(shù)模型已能實(shí)現(xiàn)15Hz的響應(yīng)頻率。工程優(yōu)化和模型輕量化是提升系統(tǒng)流暢度的關(guān)鍵方向。

針對(duì)系統(tǒng)遺忘問題，研究者提出了多種解決方案。訓(xùn)練階段通過擴(kuò)大預(yù)訓(xùn)練數(shù)據(jù)規(guī)模，可以緩解災(zāi)難性遺忘現(xiàn)象。推理階段則采用上下文窗口壓縮技術(shù)，只保留關(guān)鍵歷史信息。穆堯介紹，機(jī)器人系統(tǒng)通過記憶令牌嵌入或顯式總結(jié)機(jī)制，實(shí)現(xiàn)了有效的工作記憶管理。這些技術(shù)使系統(tǒng)能夠?qū)Ｗ⒂诋?dāng)前任務(wù)，無需處理無關(guān)歷史信息。