我曾经在某个光线昏暗的工厂，偷偷盯着那台满载零件的物流车。销售小哥拍拍我：你觉得这车能靠VLA走得远吗？我一愣，心想，这问题还真不好答。
现在行业的局势挺有意思。开始我还真觉得VLA（视觉-语言-动作）技术是未来的王者。数据显示，理想和小鹏在2024年都把VLA当成信仰。理想推司机大模型，小鹏端出20Hz架构，表面上看，技术挺牛逼的。可转眼到2025，局面就变了。华为的世界模型技术，声称才是真正的终局。
我估算，VLA的算力需求大概在13到20 EFLOPS（体感，估算别人都说的范围），基础要用几百亿的芯片算力，才能保证数据流畅。比方说，理想用的云端集群，消耗的电力也不低。前几天随手翻了点笔记，居然发现每个模型的训练成本要上千万（这段先按下不表）。中小企业根本吃不消，设备、数据、算力都压得他们喘不过气。
对比同价位的自动驾驶方案，VLA喜欢用视觉-动作+语言的套路，想让机器像人一样理解场景。可实际上，很多关键判断还在靠模仿和撞运气。就像我问：这车为什么突然刹车？销售只能说：模型认识到危险，并做了反应。没有详细解释，就像一个会演戏的演员，但是小幕后的逻辑谁也不知道。
但我一直在想，VLA的优势是不是被高估了？真能泛化到所有复杂场景？我刚才翻了下相册，看到的是去年某次测试的场景录像，雨天、施工区、突发行人横穿……那机器反应其实还挺慢。其实这也让我提问：长尾场景的训练数据，怎么才能够够用？长尾数据的沉淀，估算要再花几亿、还得一年多。中小车企没有大数据，也买不起。我在想：要不是靠撞过的场景逐渐学会，这些模糊判断难不成还得靠猜？（这段话我自己都觉得有点无奈）——但，这是不是就是技术的瓶颈？
我还意识到，技术的资金+数据+硬件原本就像建房子。没有一项能少。就算我用最好的语音+视觉插件，芯片没有带宽、算力不够，也打水漂。理想那13EFLOPS的云端平台，成本其实很高。一个模型正常运行，对硬件的需求就是每秒10帧，也就是说，每秒只能处理10个动作（这段先扯开）。想让它跑得更快，还要更大的算力、更宽的芯片带宽。
说到地方，有些领导的小谈话让我觉得技术路线其实还挺复杂。小鹏强调微型VLA，论调是端到端就行。我倒觉得，真正意义上的VLA，参数得大一些，数据也得多，所以微型的还是闭门造车；华为则偏爱世界模型，留意点就是他们强调空间理解比单纯语言模型更重要，毕竟汽车飞快地转向、变道，不光要听，还得看得懂。你们会不会觉得，VLA是不是只是一场资源的赌局？
我知道，有几个同行私底下议论，VLA能撑多久？是不是阶段性工具？——我也有点迷糊。未来几年，行业分水岭其实就在于：谁能用有限资源，把体验切实做出来。比如理想的车，要真表现在城市复杂路况的反应能力；而华为的世界模型，则可能在暴雨、夜晚场景中更胜一筹。
我前阵子跟一位朋友说起，摩托车修理工随口说：阿哥，规则一变，师傅就得不停换技能。这句话其实很贴切：这场VLA与WA（世界行动）路线的博弈，就像两场不同的技术战。理想、小鹏押注深度语言理解，在泛化和长尾场景上下功夫，而华为、Momenta则坚守空间感和物理规则，他们赌一场模型的稳定性。
现在的核心疑问就是：到底VLA能不能成为行业终局？我试想，假如VLA能在2025年Q2实现城市L3真降误，理想借此掌握AI汽车的基座，那他们的市场是不是就稳了？反之，要是华为的世界行动技术率先成熟，把无保护左转乃至夜间零接管搞定，那安全第一的铁律可能又会压倒一切。
我自己觉得：无论路线怎么走，资源才是王道——不只是钱，还要时间、数据、芯片。你们有没有觉得，像芯片厂商那样，给每款车配千卡锁价的策略，其实也是在赌资源的稀缺性。中小车企害怕芯片荒，就像你去超市抢衣服，那个溢价不过是市场的博弈信号。
说到这我突然卡壳了，你有没有想过，未来这场技术赌局会不会变成资源控制的战场？谁掌握了算力和数据，就能决定行业的节奏。其实我一直在琢磨：这条技术路线除了花钱，你还得不断自己跑偏，否则就会被人甩得远远的。
我觉得，行业的未来没有一条绝对的铁律。没有高下之分，只有适合不适合。像我经常想的，既然很多核心场景都还在实验室里打转，到底义不意味着终局已经确立？或者，只是短暂的技术过渡？
这些技术背后，隐藏的还是一场资源和信仰的较量。你在想，不知道这个时代的车会越来越像人，还是人渐渐变成了机器？
（这段话我自己都没想清楚）或许，等我下次开车，注意点那个突然蹿出的小狗，可能就能给我一点线索。
你觉不觉得，真正打动人的，是那个细节？那块挡风玻璃上的雨水滑落，似乎比任何技术方案都真切。
全部评论 （0）