8月26日， 自动驾驶公司元戎启行发布全新一代辅助驾驶平台——DeepRoute IO 2.0。元戎启行CEO周光介绍，该平台最大的优势就是搭载了元戎自研的VLA（Vision-Language-Action）模型，融合视觉感知、语义理解与动作决策三大核心能力。
目前在自动驾驶领域最主流的技术路线主要是端到端和VLA。选择VLA就意味着放弃端到端方案，周光直接向端到端开炮。
“VLA模型的下限已经超过端到端方案的上限。”
周光介绍其选择VLA有两个原因。
目前主流的智驾方案是在BEV视角下的端到端模型来实现，BEV存在先天局限，就像玩坦克大战，墙后的物体无法被看到，系统就会认为“不存在”。最核心的问题在于BEV不具备对高级语义和空间关系的理解能力。
现实驾驶环境中存在大量文字信息，例如交通标志、临时路牌等。有些是印刷在道路上的静态文字，可借助地图数据；但还有很多是临时设置，必须通过实时感知和理解才能正确处理。
周光认为，虽然传统模型无法解决，但这却是VLA模型的强项，它基于GPT-Transformer的神经网络架构，具备更强的语义和逻辑推理能力。他表示，目前的端到端系统更像一个黑盒子，用户不知道车辆为何刹车、为何变道。很多时候用户是在“猜”系统的行为。
周光表示，从技术层面来说，VLA模型可以称为“基于GPT的端到端模型”。这与传统的CNN端到端模型有本质区别——CNN架构自2012年发展至今，而GPT是基于Transformer的大模型架构，两者在参数量、数据处理等方面差异显著。
并且，VLA模型还具备思维链（COT）能力，支持长时序推理。短期记忆依靠视频帧，长期记忆则借助关键帧与语言描述——正如人类通过文字记录历史，语言是对现实的高效压缩。正因为能够进行长时序分析，VLA可以处理更复杂路况，完成更深层次的推理。
VLA的另一个优势是不挑数据。它可以通过互联网规模的数据蒸馏与训练，模型积累了丰富的常识，而这是CNN或BEV端到端系统所不具备的。
周光总结了VLA模型的四大基础功能：
1. 空间语义理解：如同为系统装上“透视眼”，能还原复杂环境，尤其针对盲区场景；2. 异形障碍物识别：识别各类车辆和物体，不再仅提示“障碍物”；3. 文字类引导牌识别：有效理解临时标志、道路文字，减少误判与违章；4. 记忆语音控车：不仅支持“快一点/慢一点”等基础指令，还能记忆用户偏好，实现个性化体验。
周光认为，VLA最难的是思维链（Chain of Thought, CoT）和长时序推理，这是VLA真正的核心能力。
目前在公开场合宣布聚焦VLA的智驾公司一共3家，除了元戎，另外两家是分别是小鹏和理想。周光认为VLA模型是一个跨时代的进展，它标志着自动驾驶正式进入大模型时代。何小鹏和李想都表达过相同的观点，只有通过大模型才能实现L4级自动驾驶。
有意思的是，在自动驾驶普及前夕，技术本该收敛的时刻却迎来是史诗级分野。·一部分人激进拥抱VLA时刻也有人对VLA说不，包括华为，地平线、Momenta、博世等头部玩家。其中，华为和Momenta已经明确表示不看好VLA，博世当下更倾向于端到端，地平线虽然并没有公开表态，但官方一直在强调端到端的技术价值，而且其即将量产的HSD也采用的是一段式端到端方案。
博世智能驾控中国区总裁吴永桥表示，VLA的多模态特征很难对其，数据要求大且高，而且对车端芯片算力要求高，有很多问题没有解决。
Momenta创始人曹旭东的观点更为犀利。他在上海车展期间表示：“VLA是锦上添花的方向，技术难度并不高”，对系统安全的提升最多5-10倍，而“规模化L4需要100-1000倍的提升”。警惕VLA“泡沫”，VLA只是锦上添花，并不是“万能钥匙”
曹旭东认为，VLA只是一种模型方案，加入了语言信息而已，没必要过分神话。有兴趣的朋友可以会看我们之前的内容。
而在华为看来，VLA在核心优势跟自动驾驶的使用存在天然悖论。自动驾驶车辆输入主要是视频、激光点云或者是雷达的点云，输出Action，VLA相当于在中间加了一个大语言模型，转换成动作Action来直接控车。大语言模型在业界是成熟的，各种开源的也很多，它的优点是文字推理能力比较强，对交通标识等场景的理解能力强。但它有个很大的弱点，空间的感知与推理能力不行。而自动驾驶的车是要做具体动作的，是在空间里面运动的，而对空间的准确感知与推理是自动驾驶的重要前提。
而且很多VLA模型都是基于业内比较成熟的开源方案二次开发，存在延迟等各种问题。
华为则是在端到端基础上提出了全新的技术架构——WEWA架构，既云端世界引擎和车端世界行为模型。我们对此做了详细介绍。华为乾崑打响第一枪！辅助驾驶迎来“类人”到“超人”的跨越
VLA拥护者认为，VLA是走向自动驾驶的最优解；而在另一些公司眼里，VLA是一些“投机取消”的方案。谁对谁错，只能等时间给出答案。
VLA巅峰对决,端到端技术激战正酣，谁将引领自动驾驶未来？
VLA（Vision-Led Architecture，视觉主导架构）和端到端（End-to-End，E2E）是自动驾驶领域两种重要的技术路线，它们各有优劣，目前尚无定论哪种是通往自动驾驶的最优解。两者在感知、预测、决策和控制等环节的实现方式上存在显著差异，下面我们将分别探讨这两种架构的特点，并分析它们的优劣势。
"一、VLA（视觉主导架构）"
VLA 是一种以视觉信息为核心，结合其他传感器信息进行决策和控制的架构。其主要特点是：
"感知：" 主要依赖摄像头进行环境感知，同时融合激光雷达（LiDAR）、毫米波雷达（Radar）等其他传感器信息，以提高感知的准确性和鲁棒性。
"预测：" 基于感知结果，对周围物体的运动轨迹进行预测。
"决策：" 结合预测结果和预定义的规则或模型，进行行为决策。
"控制：" 根据决策结果，生成具体的控制指令，控制车辆的行驶。
"VLA 的优点："
"数据丰富：" 摄像头可以提供丰富的语义信息，例如车道线、交通标志、行人等，有助于进行精细化的感知和决策。
"成本较低：" 相比 LiDAR 等传感器，摄像头的成本较低，更容易大规模部署。
"技术成熟：" 计算
相关阅读延伸：VLA大战端到端，谁才是通往自动驾驶的最优解？
1