汽车行业深度报告：AI系列深度22期：智能驾驶VLA模型的架构范式与厂商路线

投资要点 　　智能驾驶VLA的核心，是将视觉感知、语言理解与动作决策整合进同一策略模型，并通过显式动作头弥合VLM4AD留下的动作生成缺口。从技术演进看，自动驾驶经历模块化流水线、端到端、VLM4AD再到VLA4AD：VLM能解释场景但难以直接生成可靠控制，VLA则进一步把动作作为模型输出，使语义理解与驾驶策略更紧密耦合。 　　VLA4AD的核心架构通常包括视觉编码器、语言处理器和动作解码器三部分。视觉编码器将摄像头、激光雷达等异构传感输入转化为隐层特征，并通过BEV、点云、体素等方式增强三维空间理解；语言处理器引入预训练大模型、LoRA或RAG等方法注入驾驶知识；动作解码器再将融合后的多模态表征转化为轨迹、控制量或动作token。 　　VLA4AD自身可归纳为被动解释器、规划协作者、统一动作生成器、推理中枢四个阶段；主要挑战包括鲁棒性、实时性能、数据与标注、多模态对齐、多智能体协同和评测标准化。这意味着VLA并非单一固定架构，而是自动驾驶端到端路线向大模型、多模态和动作生成继续演进的总称。 　　厂商路线已出现差异化。Waymo EMMA以Gemini驱动纯端到端，并将导航、状态、轨迹等统一到语言空间；理想从E2E+VLM双系统升级至MindVLA统一架构，以3D高斯、MoE和扩散动作解码组织三维理解、语义推理和轨迹生成；元戎启行以40B VLA基座设置Driver、Analyst、Critic三角色；千里CoWorld-VLA则通过多专家世界模型Token构建规划相关隐空间表征。 　　小鹏第二代VLA进一步弱化显式语言中间层，以原生多模态Tokenizer和视觉思维链直达动作，本质上趋近视觉—动作路线。由此可见，头部厂商在是否保留显式语言推理层上已经分化：一类强调语言作为慢思考和可解释中枢，另一类强调隐式视觉表征和动作直出。后续竞争将集中在实时性、数据闭环、评测口径和量产可靠性。 　　我们认为，数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但其难以实现物理世界的建模闭环；我们认为物理AI将成为物理世界的AI解决方案，从而在AI的当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，我们认为应重点关注。 　　风险提示：技术迭代不及预期的风险，大模型厂商ARR增速放缓的风险，云服务商资本开支不及预期的风险，智能驾驶及机器人商业化落地不及预期的风险。