2025年8月的最后一个星期，中国智能驾驶被骤然按下快进键——从算法底座到整车OTA，行业在短短几天内，呈现出了“VLA齐爆发”的景观。

VLA，即Vision-Language-Action，视觉-语言-行动模型。VLA的快速商业化落地，正在重新定义“高阶智驾”的技术门槛。

首先是理想汽车借纯电旗舰i8上市窗口，首次向全量用户推送“VLA司机大模型”；元戎启行于8月26日正式发布自研VLA大模型，推出名为DeepRoute IO 2.0的新平台，确定将在5款车型上使用，覆盖累计约20万台车。

紧接着，小鹏汽车在8月27日的新P7发布会上端出新一代VLA架构，宣称时延<100 ms、规划帧率20 Hz，刷新量产天花板。

与此同时，华为代表的另一大路线——WA（世界行为模型），也正在紧密地酝酿中。ADS 4.0将在9月随问界M9年度改款OTA，试图重新划定城区智驾的体验基线。

而之所以“VLA上车潮”发生在2025年，从商业的角度来看，是因为今年处于城市NOA规模化交付（L2++）与Robotaxi商业化（L4）之间的“空档期”。谁先完成VLA量产，谁就能在下一阶段用户体验与融资叙事上占据先手，错过2025，技术红利将被稀释，成本优势也将被供应链摊平。

VLA掀起的新一轮竞争，不仅将决定中国车企的未来竞争地位，更可能引发整个智驾产业的重新洗牌。

新的门槛

如果要对VLA路线的技术优势，做一个简单的概述，这样的优势大致就是：

与传统端到端路线相比，VLA通过用语言和文字这一中间环节，将具象化的路况、图像，进行归类，并进行“抽象化”，而不只是单纯地对看过的数据“死记硬背”，从而让模型能取得更好的泛化能力。

同时，在具备思维链（CoT）能力后，VLA模型能分解驾驶决策为逻辑连贯的中间步骤，增强决策逻辑性、系统可解释性及泛化能力。

当人类驾驶员面对突发路况时，会本能地完成"观察→判断→动作"的连贯认知过程。

VLA正是通过模拟这一逻辑，构建起“视觉感知-语言推理-动作输出”的闭环系统，实现对几十秒长时序路况的预判能力，尤其在施工路段等长尾场景中展现出更强的泛化能力。

然而，由于多了“语言”这一层数据，VLA对算力与数据的胃口，已把“上车”门槛抬高到传统方案无法企及的高度。算力侧，训练端需吞吐22T token级多模态数据，单次训练即等价于DeepSeek-V3 1.5倍规模；

数据侧，VLA需同步采集并标注视觉-语言-动作三元组，理想训练所用的数据，90%来自29.3亿km实车日志，10%由生成式仿真补足，长尾极端场景（雨夜、施工、异形障碍物）需额外5—10倍数据密度才能收敛，导致单车数据成本与端到端时代相比陡然增加。

在算力方面，理想、小鹏分别动用13 EFLOPS与8 EFLOPS云端集群，仅千卡周级调度才能满足30B—72B参数模型的收敛窗口。公开数据显示，国内中小车企云端训练集群普遍停留在0.2—0.6 EFLOPS，仅为理想5.39 EFLOPS的十分之一，更遑论特斯拉Dojo年底100 EFLOPS的量级。

以哪吒为例，其乌兰察布GPU集群峰值180 PFLOPS，尚不足以在30天内完成一次7B参数VLA模型收敛；若租用公有云，按当前A100/H100现货价折算，单次训练即需1.2–1.5亿元人民币，相当于其2024年全年研发预算的40%。

这意味着，VLA的量产落地是“千卡训练云＋千TOPS车端＋千亿级数据”三线并进的极限工程，任何一环缺口都会把ROI拉成负值。

对于年销量仅十余万辆的中小车企而言，如此高昂的投入难以通过规模化摊薄，且失败风险高企。正如元戎启行CEO周光指出，一家智驾公司需交付10万辆级量产车，才具备搭建VLA架构的基本数据基础。

更重要的是，从规则时代到VLA的跃迁并不是一次可折叠的跨越，而是一段必须在工程实践中逐级“淬火”的链式反应。

行业洗牌

在VLA路线所需的高昂成本面前，中小车企面临的生存困境愈发明显，除了算力与数据方面的差距外，从规则时代到端到端1.0积累的先发优势构建的技术护城河，也是多数二线品牌难以复现的关键环节。

最初，规则算法用显式代码与人工先验，把驾驶任务拆解为可验证的模块，给团队留下可解释、可追责的体系化思维与场景分类框架；

进入端到端1.0后，系统首次用大规模标注数据替代人工规则，逼迫组织完成数据闭环、工具链、DevOps的原始积累，同时暴露出长尾场景对数据密度的极端需求；

最终在迈向VLA时，团队需要把前两阶段沉淀的工程学积累整体迁移到新框架里，才能形成“视觉-语言-行动”的高度统一。

理想汽车李想也曾直言，若企业连规则算法都做不好，则根本无从知晓如何训练VLA模型。

在这样的差距下，VLA路线的降临，无疑会让行业迎来一次“大洗牌”。中低端车企、品牌，要么难以在新时代生存，要么只能沦为“方案外购者”，或成为车企的富士康”，成为低端代工，利润被芯片厂和算法公司两头吃。

在端到端1.0时代，虽然绝大多数中低端车在“数据-模型-芯片”三件套中，极少能完全自研，本质上是“拼积木”式集成。

但过去车企可以掏钱买Orin、买算法、买标注，大家都能活得不错。

例如哪吒、零跑、宝骏等普遍采用英伟达Orin-X或地平线征程5的“公版域控”；数据方面，零跑C10的2.1亿公里有效里程中，60%标注任务由Momenta、觉非科技完成；

但是到了端到端2.0时代，“外包式生存”在2.0时代被上游供应商自己“关门”了——由于VLA路线导致的算力、数据成本骤增，现在这三样变成了“限量款”，而且限量权掌握在极少数巨头手里。

例如英伟达今年首批Thor-U的40万片产能，早已被理想、蔚来、小鹏在2024年就签完长期锁价锁量协议，拿走32万片，只留8万片现货需要溢价30%竞拍。

原本“谁掏钱谁就能买到”的开放供应链，在2025年因为芯片缺货、模型架构改变导致的算法改捆绑、被压缩成“少数玩家内部闭环”，中小车企连“买方案”这条退路都被截断。

再此情况下，中小车企面临的生存困境愈发明显，当头部企业通过“芯片-数据-模型”的闭环能力构建起技术壁垒时，中小车企便陷入一个死循环：买芯片没配额，买模型要持续分成，攒数据没钱也没人。

中小车企唯一还能做的，就是融入供应链，把整车制造、冲压焊接、总装测试这些传统环节做到极致良率和极致成本——这正是富士康在手机行业扮演的角色。

头部之变

尽管现在的VLA模型十分火热，但在智驾方面，并不是所有车企都认可这一路线。

除了VLA路线，目前华为和蔚来主推的是另一条路线：世界模型（WA）。其核心思路，是“海量使用云端模拟的数据、来让大模型‘理解’世界而学会驾驶”。

例如华为的World Action Model模型，用扩散生成模型批量“造”Corner case，也就是通过AI生成的大量的视频案例，来让模型明白何为物理规则。

而蔚来的NIO World Model（NWM），则通过将激光雷达+视觉压缩成3D token；再通过自回归模型一次推演5秒后的多帧场景，从而“想象”出从未见过的路况。

而WA与VLA两条路线的区别，或许可以概述为：世界模型是“理想主义的未来豪赌”，VLA是“实用主义的当下生存”。

但在华为看来，语言模型擅长文本推理，却缺乏对三维空间的精确感知与运动推演能力。

而车，毕竟是在真实空间中运动的物体，毫厘之差可能就意味着风险。

唯有让模型真正理解物理规则，才能从根本上解决端到端模型“只会模仿、不会思考”的瓶颈。

尽管世界模型看上去更“终极”，但VLA这条更“务实”的路线，对理想、小鹏等车企来说，仍然有着“改命”的意义。

一方面，2024年理想以50万辆交付量登顶新势力，但单车毛利率从21.5%下滑至19.8%，增程市场被华为、蔚来、小鹏全面围剿（如华为问界M8、蔚来乐道直指L7/L8）。对理想来说，冰箱彩电大沙发已不再亮眼，必须用智能化重新定义产品。

而小鹏目前在纯电市场追赶比亚迪、特斯拉，其正在推进的机器人也需要通用AI基座。小鹏选择VLA混合架构，本质是“一箭双雕”：其72B云端基座模型，本质是VLA的超大型版本，既服务汽车，也为将来的机器人铺路。

对二者来说，VLA是“唯一能把长尾一口气吃掉”的可行框架，并且，理想、小鹏积累的数据密度已经足够让VLA越过“冷启动死亡谷”，这是后来者无法复制的壁垒。

从市场的角度看，虽然华为与Momenta已占据2025年智驾市场90%份额。这样的双寡头地位难以撼动。且华为现在的智驾地位，靠的不是单模型大小、强弱，而是“数据+软硬一体+车厂”绑定三位一体的护城河。

然而，VLA大模型的普及，会显著改变竞争格局，形成技术路线分化、市场份额重组。

传统智驾模型是：你给多少场景、多少样本，模型就记住多少，每新增一个少见场景都得补数据。华为在这层面确实通过规模碾压了竞争对手。

但是VLA模型不同。它的魔力在于多模态学习和推理能力——一方面通过“视觉+语言+行为”三种输入，让模型“理解”得更深刻，不只是记住，而是学会类人推理；这使理想、小鹏等车企，在长尾场景上也能获得接近华为的表现。

所以，在新一轮的智驾竞争中，现有的格局不会立刻翻盘，但VLA已经打开了一个新的窗口。

可以说，随着新一轮技术升级的到来，中小车企的危局，以及头部之间差距的缩小，将成为一种愈发显著的趋势。

2025年既可能华为、特斯拉的“巅峰时刻”，也可能是理想、小鹏等VLA实践者的“逆袭元年”。

在这场智能主权的争夺中，只有那些率先突破核心壁垒、构建差异化优势的企业，才能最终杀出重围。

本文来自微信公众号：最话 FunTalk，作者：林书，编辑：刘宇翔