国盛证券2025年5月发布的智能驾驶报告指出，语言模型和多模态模型正被引入智能驾驶领域，让自动驾驶车辆从“聋哑司机”变成“司机助理”——不仅能开车，还能解释为什么这样开。谷歌旗下Waymo推出端到端自动驾驶多模态模型EMMA，英国Wayve推出闭环驾驶VAM模型LINGO-2（首个在公共道路测试的视觉语言动作模型），清华大学与理想汽车联合推出DriveVLM（通过思维链推理实现场景描述/场景分析/分层规划）。理想汽车正训练32B参数VL基座模型并扩展至VLA，小鹏汽车推进72B参数VLA模型并通过蒸馏“推云入端”，吉利VLA大模型用于L3智能驾驶架构。从“能开车”到“能解释”，智能驾驶正在从“聋哑司机”进化成“司机助理”。

VLA（Vision-Language-Action）模型最早见于机器人行业。2023年7月，谷歌DeepMind推出全球首个控制机器人的视觉语言动作模型RT-2。2024年10月，谷歌旗下Waymo推出基于端到端的自动驾驶多模态模型EMMA，将VLA架构从机器人拓展至自动驾驶。

VLA模型的本质是让AI同时具备“看懂”和“动手”的能力。以RT-2为例，模型输入图像及文本指令，输出机械臂末端动作。在自动驾驶场景中，VLA模型输入摄像头图像，输出驾驶轨迹决策，同时还能用自然语言解释决策理由。

Wayve的LINGO-2是首个在公共道路上进行测试的视觉语言动作模型（VAM）。在案例中，用户问“交通灯是什么颜色的？”LINGO-2正确回答“交通灯是绿色的”，并能解释驾驶决策。VLA/VLM的引入让自动驾驶从“黑盒”变“白盒”，增强了用户信任和系统可解释性。

清华大学与理想汽车联合推出的DriveVLM在传统自动驾驶系统上增加了大视觉语言模型能力。VLM在视觉理解和推理方面能力突出，结合大模型能力后，DriveVLM不仅能开车，还能理解输入的图像信息并作出对应决策。

DriveVLM通过思维链（Chain-of-Thought）推理，包含三个模块：场景描述（描述当前场景）、场景分析（分析潜在风险和规则）、分层规划（做出驾驶决策）。在案例中，面对交警指挥交通的场景，DriveVLM识别出交警在指挥左边道路、前方三轮车缓慢行驶，作出“缓慢直线行驶”决策，并解释“需要和前方及两侧车辆保持安全距离”。面对阴雨天骑电动车迎面而来的场景，系统作出“先减速，右转，并缓慢直行”决策，解释“减速是为了等骑车的人通过”。

DriveVLM是目前开环测试端到端智能驾驶全球第一名，基于nuScenes数据集测得3秒平均L2轨迹误差0.22米、3秒平均碰撞率0.04%，均优于VAD和UniAD等方案。

小鹏汽车正在云上训练72B参数的超大规模VLA模型，通过蒸馏方法生产小尺寸车端模型，“把72B超级大脑的智能推云入端”。小鹏还自主研发了数据基础设施，使数据上传规模提升22倍、训练中数据带宽提升15倍、模型训练速度提升5倍。规模法则效应在10亿到720亿参数模型上均有体现——参数规模越大、训练数据量越大，模型能力越强。

理想汽车VLA分四阶段：预训练（32B参数VL基座模型）→后训练（VLA模型从3.2B扩至近4B）→强化训练（RLHF+纯RL）→搭建司机Agent。简单短指令由端侧VLA处理，复杂指令由云端VL基座模型解析后交VLA处理。

吉利汽车在2025年3月推出千里浩瀚安全高阶智能驾驶系统，H7级别加入VLM大模型（2025年完成推送），最高级H9加入VLA大模型和数字先觉网络，为L3智能驾驶准备。元戎启行于2025年1月宣布基于英伟达Thor芯片推出VLA量产车型，计划年内交付。

VLA模型上车面临核心挑战——车端算力。传统rule-base方案只推理1秒路况，端到端1.0能推理7秒，而VLA能对几十秒路况进行推理。车端模型参数变大，既要有高效实时推理能力，又要有大模型认识复杂世界的能力。

解决方案是“云端训练+车端蒸馏”。小鹏做法是在云端训练72B大模型，通过蒸馏方法产出小尺寸车端模型。理想做法是32B VL基座模型在云端，通过蒸馏把能力传递至车端VLA。地平线判断：L2需100+TOPS，2028年L3需500-1000+TOPS，2030年L4需2000+TOPS。英伟达Thor最高2000TOPS、小鹏图灵芯片等效760TOPS、理想Thor U 700TOPS（2025年搭载），车端算力正快速满足VLA需求。

表：VLA/VLM模型在智能驾驶领域的应用对比

模型	发布方	特点
EMMA	Waymo	端到端自动驾驶多模态模型
LINGO-2	Wayve	首个公共道路测试的VAM模型
DriveVLM	清华大学/理想	场景描述/分析/分层规划三模块
小鹏VLA	小鹏汽车	72B参数，蒸馏上车
理想VLA	理想汽车	32B VL基座→VLA→Agent
吉利VLA	吉利汽车	H9层级为L3准备