汽車與汽車零部件行業智駕平權系列六：AI智能涌現新階段，智駕VLA與世界模型之爭.pdf

汽車與汽車零部件行業智駕平權系列六：AI智能涌現新階段，智駕VLA與世界模型之爭。

引言：AI 賦能，智駕進入大模型時代

通用人工智能大模型迎來跨越式發展，模型規模、訓練范式與推理能力持續突破，為各類 AI 應用構建了堅實的底層技術底座。智能駕駛本質是“物理 AI”的應用，大模型底座技術迭代加 速智駕駕駛持續升級。通用大模型能力涌現，賦能智駕模型基座，智駕模型架構持續進階，逐 步進入 VLA 和世界模型的物理 AI 時代，邁向智能涌現新階段。

通用大模型能力“涌現”，鑄就 AI 應用底層支撐

AI 大模型時代，以 Transformer 架構為技術基底，依托算力的指數級提升與海量多模態數據 的積累，大模型實現了從單一語言理解到多模態融合、從專用任務適配到通用能力涌現的關鍵 突破，鑄就 AI 應用底層支撐。重要節點來自于 AI 模型開發開始強調提升推理(Reasoning)，以 o1-preview 為代表，模型推理能力飛躍，引入 Agent 模式，實現功能體驗的質變。同時， DeepSeek-R1 模型基于純強化學習的創新技術路徑展現出獨特優勢，提升模型訓練效率和降 低訓練成本，使模型規模擴展的 "規模定律（Scaling laws）" 持續顯現，滿足國內算力不充裕 背景下對于超大參數智駕模型訓練的需求。

智駕大模型進階，邁向智能涌現新階段

自動駕駛經歷從規則模型走向端到端大模型，并逐步向 VLA 和世界模型演進。傳統端到端模 型核心是通過神經網絡直接建立視覺輸入到駕駛軌跡輸出的映射關系，“黑盒”方式缺乏對于 物理世界運行規律的深入理解，過程中無需顯式的語義理解或邏輯推理。隨著多模態大模型和 強化學習訓練模式的引入，智駕“端到端”模型向 VLA 范式演進，提升深度推理與決策的能 力，逐步具備長思維鏈（CoT）能力，進一步提升泛化能力和增強模型動作的可解釋性。在模 型訓練方面，借鑒 DeepSeek 訓練方式優點，強化學習逐步引入智駕領域，借助多階段強化學 習訓練機制，提升模型訓練效率和降低訓練成本。同時通過與世界模型生成的仿真環境進行互 動，可以使模型對真實世界的物理規則擁有更深的理解，智駕進入物理 AI 時代。 國內頭部玩家智駕模型加速迭代，向 VLA 和世界模型持續推進，模型架構、訓練方式、算力、 數據以及參數量升級，頭部智駕玩家最新方案預期陸續推送，智駕能力有望迎來飛躍。目前頭 部智駕玩家中，以小鵬、理想等為代表的主機廠主要采用 VLA 模型路線，以華為、蔚來等為代 表的主機廠主要采用世界模型路線。