芯耀
与非AI
292
随着自动驾驶技术从 L2 级向 L3‑L4 级快速迭代演进，智驾系统正由传统规则驱动模式，深度转向数据驱动 + 认知驱动的新一代架构，智驾大模型作为底层核心支撑，已成为当前行业竞争的核心赛道。伴随物理 AI 时代加速到来，自动驾驶成为其首个规模化落地场景，将推动汽车加速进化为超级智能体，突破传统交通工具属性，打造串联移动出行、移动办公、家庭生活及第三方生态的全场景智能枢纽。
从产业现状来看，当前物理 AI 仍处于技术裂变初期，全球自动驾驶市场具备极大待释放空间。从数据来看，全球乘用车保有量约 15 亿辆、商用车及卡车 2.8 亿辆、营运出租车 1800 万辆，全球年度总行驶里程达 13 万亿公里，而自动驾驶行驶里程仅 7 亿公里，自动驾驶里程占比仅约 0.006%，未来增量潜力显著。
结合技术落地节奏进一步判断，智能驾驶大模型正迎来关键技术迭代窗口：分段式端到端方案已于 2024‑2025 年实现规模化量产，一段式端到端与 VLA 技术于 2025‑2026 年集中落地；叠加智驾体验持续升级、L3‑L4 高阶自动驾驶技术加速成熟，物理AI加速到来，佐思汽研预测智驾大模型将出现三大演进趋势。
趋势一：2026 年智驾大模型演进的核心焦点，将集中于多技术路线的博弈竞逐与深度融合
融合模式一：一段式端到端+世界模型+强化学习，代表厂商：文远知行、Bosch、Momenta
方案特点：一段式端到端为智驾核心神经网络，直连传感输入与驾驶输出，信息零损耗、性能上限极高；世界模型负责路况未来推演，可低成本生成海量长尾场景用于仿真训练；强化学习依托奖励机制，在推演空间中迭代优化，输出最优驾驶策略，应对各类突发工况。三者结合，就形成了一个“数据生成（世界模型）→ 策略训练（强化学习）→ 决策执行（端到端模型）”的强大闭环。这使得智驾系统能从海量驾驶数据中自我学习，不断进化。
融合模式二：E2E+基础模型（VLM/VLA）+强化学习+世界模型，代表厂商：地平线、千里科技
方案特点：视觉语言大模型做“大脑”负责认知推理，端到端小模型做“小脑”负责快速执行;
地平线采用一段式E2E+VLM+强化学习+世界模型，地平线以强化学习为核心的“快思考 + 慢思考”双轨智驾架构，它以强化学习为中枢，一边通过世界模型和仿真训练，赋能端到端直觉模型，让其在毫秒级响应的同时，补全罕见短时序长尾场景的处理能力；另一边通过推理强化，赋能 VLM 认知模型，强化其长时序复杂场景的语义理解与逻辑推理能力，最终实现 VLM 能力向车端端侧模型的迁移，并通过量化、蒸馏完成轻量化部署，构建起 “毫秒级快反应 + 长时序慢推理” 的平衡闭环。
千里科技：采用了VLA+E2E+世界模型架构，其中VLA模型负责推理类似于慢系统高阶决策，E2E端到端算法负责映射行动类似于快系统。其中32B 参数大模型做大规模多模态预训练（VLM)→蒸馏为 7B 轻量模型，兼顾性能与部署性(VLM)→对齐感知与驾驶动作，引入驾驶领域知识(VLA）→监督微调，学习高层驾驶策略与行为规范→强化学习对齐人类驾驶风格与安全约束，实现感知 - 决策 - 控制闭环优化。
融合模式三：VLA+世界模型，代表厂商：卓驭科技、小鹏
方案特点：VLA负责感知当前环境、学习历史驾驶模式，决定下一步动作。世界模型负责推演未来5到10秒内，道路上每一个目标会如何互动。VLA擅长理解当下，但不擅长预测未来；世界模型擅长预测，但不对预测结果做反思推理。两者结合，才是完整的大脑。
趋势二：VLA与世界模型融合范式，有望成为“物理AI”落地的主流方式之一
智驾大模型未来演进的核心是从“模仿人类驾驶”向“理解物理世界”的底层范式根本性重构。VLA和世界模型并非“非此即彼”的选择。未来的智驾大模型将是两者的融合之作。目前两条路线的分歧点在于VLA认为“理解”是驾驶的前提，世界模型则认为“预测”才是关键。
世界模型的拥趸者认为，物理世界的变化是连续、高维的。语言是离散、低维的符号系统——从物理到语言的转化，必然伴随信息损失。世界模型直接操作物理表示，带宽更高。VLA的拥趸者则认为，VLA最大的好处是它可以微调，可以用世界模型或者说基于模型的强化学习微调，它可以吸收世界模型的优点，而世界模型无法利用VLM/VLA的优点。语言带来的强泛化能力，语言是人类常识的压缩包。VLA通过语言拥有了“常识推理”能力，思维链CoT，模型具备自我解释能力。
基于两大路线的各自优势与分歧，行业已开始探索二者的融合路径。目前VLA与世界模型的主流融合方式有潜空间统一融合、架构层面的深度融合、模块化协作型融合（云端仿真器型）3类。
融合模式一：潜空间统一融合，代表Xiaomi OneVL、华为DriveVLA-W0
核心在于将世界模型的预测能力嵌入到VLA的训练目标中，而不是在推理阶段增加额外模块。具体而言，它在VLA模型的训练过程中加入了一个未来图像预测任务，让模型不仅要学会预测动作，还要学会预测未来时刻的环境状态（即未来图像）。这种设计使得模型被迫学习驾驶环境的底层动态规律，而非仅仅拟合稀疏的动作监督信号。
潜空间统一融合案例分析1：Xiaomi OneVL自动驾驶模型
小米2026年5月13日正式发布并全面开源自动驾驶模型Xiaomi OneVL，它将VLA、世界模型和潜空间推理三大技术路线统一到同一框架中。该模型的核心突破在于以潜空间推理实现多技术范式的深度统一，区别于传统方案将推理过程拆解为可被人类阅读的自然语言、逐字生成推演逻辑，Xiaomi OneVL 直接在高维向量化的潜空间内完成端到端逻辑运算。这一潜空间同时集成 VLA 的场景感知理解能力与世界模型的环境时序预测能力，全部推理运算均在向量层级开展，而非文本层面，相较传统 VLA 方案可实现推理效率的显著跃升。
Xiaomi OneVL 架构
图片来源：小米
在实现机制上，首先模型内部引入两类隐变量，视觉latent token与语言latent token，前者负责编码场景里的物理关系和时序变化，承载世界模型的预测能力，语言latent token负责表达驾驶意图和语义逻辑，承载VLA的理解能力。
其次，OneVL引入了两个辅助解码器，仅在训练阶段使用。语言辅助解码器负责从language latent token中还原人类可读的CoT文本，解释模型为什么做出某个驾驶决策。视觉辅助解码器则负责从visual latent token中预测未来帧视觉token（0.5秒和1.0秒之后的画面），让模型预判场景变化。推理时，两个解码器全部移除，模型直接输出规划结果，实现了一步式推理，彻底消灭了自回归带来的延迟累积。
潜空间统一融合案例分析2：华为DriveVLA-W0通过世界建模任务预测未来图像
传统VLA模型面临一个根本性问题，监督稀疏（Supervision Deficit），VLA模型的输入是高维多模态数据（包括前视图像序列、语言指令、历史动作等），但监督信号只有低维的动作token。模型的大部分表征能力被浪费，导致其无法充分学习驾驶环境的复杂动态，VLA 模型的巨大潜力也无法被有效释放。
从下图可知，随着训练用的数据量，从70 万帧 → 700 万帧 → 7000 万帧（数据越来越多）的增长，碰撞率呈下降态势，即训练数据越多，安全性提升；但对于没有加入世界模型的传统型VLA技术范式来说，当数据从700万帧肩头7000万帧时，碰撞率下降呈现减缓的态势，说明数据对VLA安全性能提升有限。
数据规模对 VLA、TransFuser、DriveVLA‑W0 碰撞率的影响
为解决VLA监督稀疏、数据缩放定律失效、缺少物理时序预测能力的行业痛点，华为在论文中提出DriveVLA‑W0训练范式，在训练阶段引入世界模型预测未来图像作为密集的自监督信号，来在保持环境动态的理解能力的基础上，增加未来时序预测。对比于传统VLA，DriveVLA‑W0，在加了世界建模（预判未来路况），数据越多，优势被急剧放大，数据缩放定律被强化。
具体而言，它在VLA模型的训练过程中加入了一个未来图像预测任务，让模型不仅要学会预测动作，还要学会预测未来时刻的环境状态（即未来图像）。这种设计使得模型被迫学习驾驶环境的底层动态规律，而非仅仅拟合稀疏的动作监督信号。
DriveVLA‑W0 架构拆解
图片来源：佐思汽研《2026年智能驾驶端到端大模型研究报告》
融合模式二：架构层面的深度融合，代表VLA-World
不同于预训练融合（外部补强），世界模型作为外部工具，先生成、再传递，架构层面的深度融合是将世界模型能力内化为 VLA 原生能力，规划和生成在同一个架构里共同生长。
VLA‑World 由上海交通大学与华为中央研究院于 2026 年 4 月联合提出，是将世界模型能力深度内嵌的一体化 VLA 架构。传统方案中，世界模型与 VLA 相互独立，前者负责生成仿真视频，后者承担感知推理与决策输出。而 VLA‑World 采用单 VLA 主干网络，实现视觉生成与决策推理的特征共享，将轨迹预测、视觉生成整合为同一决策链路的连续环节，遵循先预测运动轨迹、再基于轨迹推演未来画面的因果逻辑，实现模块深度耦合、推理链条高度连贯。
VLA、世界模型、及VLA-World架构对比
工作机制：
轨迹感知条件化：VLA-World的做法是先预测轨迹，再以轨迹为条件生成未来帧：轨迹预测结果直接作为视觉生成的conditioning signal，引导生成过程。这样轨迹决定“去哪里”，画面呈现“到那里时看到什么”，形成因果依赖关系。
统一生成与推理：不同于过去，世界模型和VLA是两个独立模块。VLA-World将两者共用同一个 VLA backbone，即将视觉生成和推理统一在同一个VLA结构。
GRPO端到端对齐：强化学习阶段使用GRPO（Group Relative Policy Optimization）优化模型。模型会生成多个候选轨迹和对应的未来画面，然后奖励那些“想象的未来”与“真实安全决策”一致的结果。这一机制让视觉生成不再是独立任务，而是始终服务于下游的决策质量。
趋势三：智驾 AI 加速向基座大模型演进，行业将进入基座模型的通用认知与推理能力的竞争期
2026 年是自动驾驶基座模型推出的元年，元戎启行、千里科技、卓驭科技、理想、小鹏已相继推出相关产品。基座大模型的核心，是搭建通用可复用的物理世界认知底座，实现全等级智驾兼容与跨场景能力迁移。
首先，自动驾驶本质是典型规模缩放问题，当前落地主要受模型容量不足、数据闭环效率偏低制约。首先现有基座模型规模有限，对长尾复杂场景泛化能力不足；其次高价值数据挖掘依赖人工筛选复核，模式碎片化、自动化程度低，长效迭代能力受限。
针对模型容量不足、数据闭环低效两大瓶颈，元戎启行提出以统一 40B 参数 VLA 基座模型破局。核心创新在于“三位一体”的模型角色设计，让同一个模型同时扮演驾驶员（视觉输入→实时驾驶决策）、分析师（对关键场景进行诊断理解）和评论员/裁判（评估驾驶行为的安全性与合理性）这三个角色，使驾驶系统从单纯的执行系统升级为具备认知能力的智能系统。
元戎启行2026推出400亿参数的原生 VLA基座大模型
图片来源：元戎启行
在预训练阶段，元戎摒弃了传统端到端模型依赖轨迹监督的做法（数据利用率仅为0.001%），转而采用视频预测任务，让模型通过预测视频序列来学习真实世界的动态结构，使每一个像素都能成为监督信号，将数据利用率提升至接近100%。
在训练的核心阶段（Mid-train），模型围绕三种任务进行联合训练：首先是V+A（视觉+动作）学习常规端到端驾驶，其次是V+A→L（行动后解释）激活分析师和裁判角色，最后是V→L+A（多模态逻辑推理）训练带推理能力的司机，利用思维链让模型先输出关键事件的语言描述和决策逻辑，再输出具体的驾驶轨迹。
Midtrain 阶段的三大任务
图片来源：佐思汽研《2026年智能驾驶端到端大模型研究报告》
在工程落地方面，元戎通过KV Cache、多Token预测（MTP）、模型量化和自研推理引擎等优化手段，将包含1000个视觉Token和数十个推理Token的单步处理延迟控制在60-85毫秒以内，实现了10-15Hz的实时闭环控制能力，并且基座模型可根据车端芯片算力灵活蒸馏，在100 TOPS平台上部署纯驾驶的VA模型，在500 TOPS平台上即可部署带有逻辑推理能力的VLA模型。
其次，基座大模型预训练学习真实世界物理规律与空间逻辑，具备原生零样本迁移能力。用一套通用认知底座，通过模型蒸馏、算力裁剪、能力微调，适配从 L2 辅助驾驶到 L4 自动驾驶的全等级，并以自动驾驶为落地起点，未来迁移至人形机器人、工业机器人等多赛道，实现 “一套基座、万物智能”。
2026年，卓驭科技战略全面转型，以原生多模态基础模型为技术底座，从“智能驾驶Tier1供应商”升级为“移动物理AI公司”，聚焦全场景、跨垂类量产扩张，覆盖乘用车、商用车、L4级产品及出海布局，延伸至具身机器人领域。
卓驭原生多模态基础模型与其他多模态技术范式对标分析
图片来源：卓驭科技
卓驭推出VLA（VLA World Model，原生多模态 FM）：用统一 Backbone 处理视觉、文本、传感器数据，在隐空间完成物理推理，直接输出驾驶动作，从预训练阶段就用图像 / 视频 / 文本 / 驾驶 / 机器人数据联合训练，在统一的隐空间里做物理世界的预测和推理，既懂语义，也懂物理规律。
卓驭推出VLA世界模型（原生多模态基础模型）的特点
图片来源：佐思汽研《2026年智能驾驶端到端大模型研究报告》
2026年作为智驾大模型技术迭代与范式融合的关键一年，多技术路线的博弈与融合、VLA与世界模型的协同落地、基座大模型的规模化推出，将共同推动智驾行业从“技术探索”向“规模化落地”加速迈进。无论是多路线融合的技术创新，还是基座模型的通用化布局，核心都围绕“更安全、更高效、更适配真实驾驶场景”的目标，而“物理AI”的落地的趋势，更将推动智驾系统从“模仿人类”走向“理解世界”，实现真正的智能驾驶。
未来，随着技术的持续迭代、产业链的协同完善，智驾大模型将逐步突破现有瓶颈，成为自动驾驶规模化落地的核心支撑，重塑出行领域的发展格局，同时也将推动移动物理AI在更多场景的延伸与应用。
「联系方式」手机号同微信号
产业研究部丨符先生 15810027571
赵先生 18702148304
数据服务部丨张女士 13716037793
战略咨询部丨韩女士 15810133447
推广传播部｜廖女士 13718845418
杜先生 13910162318
