智驾模型的下一站，会是基座模型吗？

在自动驾驶领域，端到端模型在过去两年完成了对传统模块化架构的替代，成为行业主流的技术底座。但端到端本身主要解决的是信息传递效率的问题，并不天然具备对场景的深层理解能力，也无法主动预测未来状态的变化。

随后行业分化出两条技术增强路线，即VLA和世界模型，前者引入了语言模型作为推理中枢，后者通过内部模拟环境演化来预判未来。在GTC 2026上，这两条路线的分歧被公开摆上台面，智驾最前沿交流群里也讨论这个话题，感兴趣的小伙伴可以一起来聊聊。

但进入2026年下半年，多家头部企业的实践表明，VLA和世界模型并非替代关系，它们一个负责理解现在该怎么做，一个负责预测这么做之后会发生什么，二者完全可以整合进同一个框架。CVPR 2026首次设立的具身智能基座模型部署专题研讨会上，特斯拉、Waymo、小鹏三家同台，核心议题已经转向了基座模型的构建。

那么，当VLA和世界模型走向融合，智驾模型的下一站，会是基座模型吗？

什么是基座模型？

基座模型最早源于自然语言处理领域，指在海量数据上预训练、可适配多种下游任务的大型模型。通俗理解就是，先让大模型在大规模数据上完成通识教育，再根据具体任务做针对性微调，同一个模型可以适配多种不同用途。

自动驾驶端到端模型已经完成了从传感器到控制的统一映射，基座模型在这基础上更进一步，其不再局限于驾驶任务本身，而是通过整合语言理解和未来预测等能力，构建一个能深度理解物理世界运行规律的通用智能体。

与传统端到端模型相比，二者的核心差异在于，自动驾驶端到端模型解决的是从像素到控制的映射问题，而自动驾驶基座模型追求的是对物体运动规律、交通参与者行为逻辑、场景演化趋势的深层理解。

正如元戎启行CTO曹通易在GTC 2026上所说，基座模型让自动驾驶系统不仅能够执行驾驶动作，还能够理解交通场景、解释决策逻辑，并对驾驶行为进行评估。从这个角度看，自动驾驶基座模型并不是取代端到端模型，而是在其基础上进行扩展和升级，端到端是架构层面的革新，基座模型则是能力层面的跃迁。

VLA与世界模型，为什么要走向融合？

2025年到2026年初，自动驾驶领域最激烈的争论莫过于VLA和世界模型哪条路线更优，VLA（视觉-语言-动作）模型在端到端框架中引入大语言模型作为推理中枢，让系统能够理解场景并做出可解释的决策；而世界模型则让系统在内部模拟环境的演化，预测行动之后世界会如何变化。

两条路线的分歧一度非常尖锐，吉利汽车CTO李传海、Momenta CEO曹旭东等人曾公开对VLA提出质疑；华为车BU CEO靳玉志甚至称VLA是取巧方案，自动驾驶领域也分裂为世界模型+强化学习与VLA大模型两大阵营。

2025年10月特斯拉发布的FSD V14集成了xAI的Grok大语言模型，在导航交互与意图理解层面实现了突破，用户可以通过自然语言完成路线规划等操作；同时在底层技术上，特斯拉通过世界模型相关专利生成训练数据、强化拟人化驾驶能力。这也说明，在自动驾驶领域，VLA和世界模型不是二选一，而是可以同时做、一起做。

小鹏在CVPR 2026上的表态也具有标志性意义，其通用智能中心负责人刘先明明确回应：VLA与世界模型并非竞争关系，其第二代VLA从人类驾驶行为中学习如何行动，世界模型则通过学习未来状态预测行动之后世界如何变化，二者共同构成物理世界基座模型。

理想汽车基座模型负责人詹锟也在GTC 2026上也表达了类似观点：当视觉、语言和行动统一到一个模型中，它就不再只是自动驾驶模型，而是在逐渐演化为面向物理世界的通用智能体。

从上面这些企业的技术趋势可以看出，VLA解决的是语义理解与可解释决策，而世界模型解决的是未来状态预测与推演，两者解决的是不同层面的问题，天然具备互补性。

两条路线并非替代关系，而是可以通过不同训练信号共同提升模型对物理世界的理解与行动能力，从而构建出足够强大的物理世界基座模型，从VLA与世界模型的分歧走向融合，自动驾驶行业正在完成从能力拼接到大一统模型的关键跃迁。

头部玩家在做什么？

基座模型的竞赛已经全面展开，各家技术路线虽有差异，但方向高度一致。

元戎启行在GTC 2026上发布了400亿参数的VLA基座模型，这个模型的设计思路是三位一体，即在同一架构中集成驾驶员、分析师和裁判员三种角色。

驾驶员负责根据视觉输入实时输出驾驶控制信号；分析师负责理解交通场景语义、识别关键事件并提供因果推理；裁判员则持续评估驾驶行为的安全性、舒适性和自然度。裁判员的评估结果也会反馈给模型自身，用于下一次决策的优化，让系统在执行的同时进行自我反思。

理想汽车在NVIDIA GTC 2026上发布了下一代自动驾驶基础模型MindVLA-o1，该模型以原生多模态MoE Transformer为核心架构，通过3D空间理解、多模态思考、统一行为生成、闭环强化学习和软硬件协同设计五大技术创新，构建了面向物理世界智能的自动驾驶基础模型。其中闭环强化学习框架结合高保真模拟器，让模型可以在世界模拟器中持续探索优化策略，训练成本降低约75%。

小鹏在CVPR 2026上也完整披露了世界模型技术图谱，其物理世界基座模型由第二代VLA和世界模型双支柱构成。第二代VLA拥有数十亿参数量，使用上亿视频片段训练，每版模型训练量超4万亿Token；在世界模型方面，小鹏发布了X-Mind技术框架，通过内嵌预测性世界模型赋予系统视觉思维链能力，让车辆可以在动作执行前完成时空推演。

特斯拉在CVPR 2026上展示了其面向机器人的基座模型路线，核心思路是三条线，同一个内核，即自动驾驶、人形机器人Optimus和数字智能体共用同一个基础模型。

支撑这一路线的是特斯拉全球约130万辆具备监督式自动驾驶能力的车辆，FSD累计行驶里程超过108亿英里，为基座模型的训练提供了规模庞大的真实驾驶数据。在模型架构上，输入的是摄像头视频、导航指令、车辆运动学等多模态信息，输出端则直接生成控制动作，中间没有人为设定的模块边界。

Waymo在CVPR 2026上也首次曝光了其世界模型预训练→中期训练→后训练的训练框架。Waymo没有从零开始训练，而是直接利用Google DeepMind的Genie 3通用世界模型作为基础，再加入Waymo专属的传感器数据（多摄像头、激光雷达、毫米波雷达、高精地图）进行中期训练，最后针对驾驶任务进行微调和蒸馏。这也说明，Waymo正在将自动驾驶从传统的软件工程问题转变为基础模型问题。

从元戎启行到理想、小鹏，再到特斯拉，各家路径虽有差异，但均指向同一个方向，那就是基座模型正在从一个模糊的学术概念，被拆解为可工程落地的技术方案。

虽然分歧依然存在，但这些分歧已经不是路线之争，而是实现路径的选择，这些头部玩家各自的技术共同指向一个结论，那就是基座模型作为技术方向本身，正在成为行业最大公约数。

基座模型面临哪些挑战？

虽然技术发展的方向明确，但基座模型从概念到大规模部署仍面临多重制约。

算力是一个不得不聊的话题，基座模型的参数量动辄数百亿甚至上千亿，训练和推理对计算资源的需求远超传统方案。但更紧迫的矛盾在车载端，电控系统要求决策响应速度达到100Hz，而通用VLA模型的推理速度普遍不足10Hz，两者相差超过一个数量级。

要在有限的车载功耗下跑满大模型的能力，需要车规级AI芯片的算力提升、模型蒸馏压缩和推理引擎优化三者同步推进。云端算力和部署框架解决的是模型怎么训练和系统怎么上车，而车载端跑不跑得动的问题，最终还是落在芯片和模型效率上，对于模型的轻量化部署，智驾最前沿之前也着重和大家聊了聊，感兴趣的可以看下：轻量化模型部署，如何让自动驾驶从能跑到跑得好？

数据则是另一个瓶颈，基座模型的训练需要海量高质量驾驶数据来覆盖足够多的场景，从而让模型学会应对各种长尾场景，特斯拉有超过108亿英里的真实行驶数据，但大多数企业不具备这样的数据规模，意味着它们在模型泛化能力上天然处于劣势。

在数据缺失的问题上，合成数据被寄予厚望，智驾最前沿也专门聊过合成数据：自动驾驶大模型训练中合成数据能替代真实数据吗？当然，世界模型本身也可以用于生成训练数据来弥补真实数据的不足，但合成数据与真实数据的分布差异仍然是一个需要解决的问题，那就是用仿真数据训练出来的模型，到了真实场景可能会水土不服。

模型的可解释性和安全性更是不得不聊的话题，端到端模型被诟病为黑盒的问题，这在基座模型上只会更突出。模型参数量越大，决策逻辑越难以追溯。华为靳玉志公开反对蒸馏方案时就指出，幻觉在驾驶场景里致命。如何在保持模型能力的同时确保决策的可解释性和安全性，是基座模型走向量产必须跨越的门槛。

最后的话

回到最初的问题，智驾模型的下一站，是基座模型吗？从2026年的行业动向来看，VLA和世界模型的路线之争正在被融合取代，而融合的产物就是基座模型。特斯拉、Waymo、小鹏、理想、元戎启行，这些在技术路线上曾经各走各路的玩家，如今正在向同一个方向靠拢，正如小鹏刘先明在CVPR 2026上所说：“只有能做基座模型的公司，才有可能真的做到L4。”#自动驾驶 #自动驾驶模型 #基座模型