【ITBEAR】智能驾驶技术正迎来新的浪潮，其中“端到端”技术成为引领者。然而，这一领域的技术迭代速度之快，令人目不暇接。就在众多公司仍在努力研发端到端技术时，一个全新的技术方向——VLA（Vision-Language-Action Model）已经悄然兴起。
VLA模型，作为一种融合了视觉、语言和动作的多模态大模型，展现出了更高的场景推理与泛化能力。这一技术被视为端到端方案的升级版，备受智能驾驶行业的关注。
最初，VLA模型在机器人行业崭露头角。由谷歌DeepMind推出的这一模型，迅速引发了业界的广泛关注。如今，这一技术概念正迅速渗透到智能驾驶领域。
谷歌旗下自动驾驶公司Waymo近期推出的端到端自动驾驶多模态模型EMMA，便被视为VLA模型架构的典型代表。该模型不仅具备端到端的智能驾驶能力，还融入了多模态大模型，为智能驾驶带来了更多可能性。
在智能驾驶行业的发展历程中，基于规则算法的技术路线曾占据主导地位。然而，随着特斯拉引领的端到端智能驾驶技术的兴起，行业开始探索更拟人化、能应对复杂交通场景的技术方案。
端到端技术配合大语言模型等外挂，曾一度提升了智能驾驶的能力上限。然而，VLA架构的出现，似乎预示着这一技术路线的终结。在VLA架构下，端到端与多模态大模型的结合更为彻底，为智能驾驶带来了更强大的环境理解能力。
对于智能驾驶行业而言，VLA模型的意义重大。它不仅让端到端理解世界的能力更强，还有望成为L2辅助驾驶到L4自动驾驶飞跃的关键跳板。因此，不少车企和智驾公司已经开始暗中发力，布局这一技术领域。
然而，VLA模型的上车难度并不小。它对技术和车端芯片算力都有着高强度要求。目前，能够支持VLA模型上车交付的芯片尚未问世，预计将在未来几年内出现。
尽管面临诸多挑战，但智能驾驶行业对于VLA模型的未来充满信心。随着技术的不断进步和芯片算力的提升，相信这一技术将在不久的将来实现量产落地，为智能驾驶带来革命性的变革。
