在智能科技飛速發(fā)展的當(dāng)下，自動(dòng)駕駛與具身智能機(jī)器人領(lǐng)域正經(jīng)歷著前所未有的變革。2025年末，首批L3級(jí)自動(dòng)駕駛車型獲得準(zhǔn)入，標(biāo)志著中國(guó)智能駕駛產(chǎn)業(yè)正式邁入新紀(jì)元。與此同時(shí)，具身智能機(jī)器人領(lǐng)域在過(guò)去一年間也取得了令人矚目的進(jìn)展，從年初抓取蘋(píng)果都困難重重，到如今疊衣服成為行業(yè)入門(mén)任務(wù)，甚至穿鞋帶這樣曾被視為遙不可及的精細(xì)操作也已被成功攻克。

在這場(chǎng)技術(shù)躍遷的背后，VLA（Vision-Language-Action，視覺(jué)語(yǔ)言動(dòng)作大模型）技術(shù)扮演著至關(guān)重要的角色。與傳統(tǒng)的端到端模型不同，VLA將語(yǔ)言理解與推理能力引入物理世界的決策鏈路，賦予機(jī)器“看了就懂、懂了就做”的認(rèn)知能力。這一創(chuàng)新性的技術(shù)框架，不僅為自動(dòng)駕駛和機(jī)器人領(lǐng)域帶來(lái)了新的發(fā)展機(jī)遇，也引發(fā)了行業(yè)內(nèi)的廣泛關(guān)注和討論。

自動(dòng)駕駛領(lǐng)域，VLA技術(shù)的引入旨在解決傳統(tǒng)算法在長(zhǎng)尾問(wèn)題上的泛化性不足。傳統(tǒng)自動(dòng)駕駛系統(tǒng)通常依賴模塊化設(shè)計(jì)，包括感知、預(yù)測(cè)和規(guī)控等模塊，但這些模塊在面對(duì)復(fù)雜多變的道路場(chǎng)景時(shí)，往往難以做出準(zhǔn)確決策。而VLA技術(shù)則通過(guò)引入語(yǔ)言模態(tài)，利用大模型的泛化能力和推理能力，使自動(dòng)駕駛系統(tǒng)能夠在遇到未見(jiàn)過(guò)的場(chǎng)景時(shí)，通過(guò)思考和推理做出更合理的決策。例如，在施工場(chǎng)景中，VLA技術(shù)能夠理解各種非結(jié)構(gòu)化的標(biāo)識(shí)牌，并據(jù)此規(guī)劃出安全的行駛路線。

在機(jī)器人領(lǐng)域，VLA技術(shù)的應(yīng)用同樣廣泛。具身智能機(jī)器人需要完成各種復(fù)雜任務(wù)，這些任務(wù)往往涉及長(zhǎng)程規(guī)劃和精細(xì)操作。VLA技術(shù)通過(guò)語(yǔ)言模態(tài)，使機(jī)器人能夠理解人類指令，并將任務(wù)拆解為一系列子任務(wù)來(lái)執(zhí)行。例如，當(dāng)機(jī)器人聽(tīng)到“幫我做一杯咖啡”的指令時(shí)，它能夠?qū)⑦@一抽象指令分解為拿出杯子、倒入咖啡粉、加入熱水等具體動(dòng)作原語(yǔ)，并依次執(zhí)行。這種能力極大地提升了機(jī)器人的靈活性和適應(yīng)性，使其能夠更好地融入人類生活。

然而，VLA技術(shù)的興起也伴隨著爭(zhēng)議。在2025年世界機(jī)器人大會(huì)上，宇樹(shù)科技創(chuàng)始人王興興公開(kāi)質(zhì)疑這一技術(shù)路線，認(rèn)為其在安全性、準(zhǔn)確率和效率等方面存在不足。這一質(zhì)疑引發(fā)了行業(yè)內(nèi)的熱議，也促使研究者們更加深入地思考VLA技術(shù)的本質(zhì)、挑戰(zhàn)與前景。

針對(duì)VLA技術(shù)的爭(zhēng)議，小米汽車智能駕駛VLA技術(shù)負(fù)責(zé)人陳龍和上海交通大學(xué)計(jì)算機(jī)學(xué)院助理教授穆堯從不同角度進(jìn)行了回應(yīng)。陳龍認(rèn)為，VLA技術(shù)雖然目前存在一些問(wèn)題，如效率不高、幻覺(jué)問(wèn)題等，但其潛力巨大，是現(xiàn)階段最能實(shí)現(xiàn)物理世界AGI（通用人工智能）的框架之一。他強(qiáng)調(diào)，語(yǔ)言是人類智慧的結(jié)晶，互聯(lián)網(wǎng)上的大量數(shù)據(jù)融合了人類的很多智慧，VLA技術(shù)通過(guò)利用這些數(shù)據(jù)，能夠?qū)W習(xí)到人類對(duì)世界的定義和價(jià)值觀，從而做出更合理的決策。

穆堯則從機(jī)器人領(lǐng)域的角度出發(fā)，認(rèn)為VLA技術(shù)為機(jī)器人帶來(lái)了前所未有的機(jī)會(huì)。他指出，具身智能機(jī)器人與傳統(tǒng)的機(jī)器人研究不同，更關(guān)注泛化性，包括對(duì)場(chǎng)景的泛化性、視覺(jué)和物理上的泛化性等。VLA技術(shù)通過(guò)引入語(yǔ)言模態(tài)，使機(jī)器人能夠更好地理解人類指令，并在復(fù)雜環(huán)境中做出靈活應(yīng)對(duì)。雖然目前VLA技術(shù)在機(jī)器人領(lǐng)域的應(yīng)用還面臨一些挑戰(zhàn)，如數(shù)據(jù)獲取困難、模型部署復(fù)雜等，但隨著技術(shù)的不斷發(fā)展，這些問(wèn)題有望逐步得到解決。

在探討VLA技術(shù)的未來(lái)發(fā)展方向時(shí)，陳龍和穆堯都提到了數(shù)據(jù)的重要性。陳龍指出，自動(dòng)駕駛領(lǐng)域的數(shù)據(jù)獲取相對(duì)容易，因?yàn)樗信茉诼飞系能嚩伎梢曰亓髯鳛閷＜覕?shù)據(jù)。而機(jī)器人領(lǐng)域的數(shù)據(jù)獲取則困難得多，目前主要依賴仿真合成數(shù)據(jù)和人類采集數(shù)據(jù)。為了解決這一問(wèn)題，穆堯提出了“人-數(shù)字人-機(jī)器人”一體的架構(gòu)，希望通過(guò)搭建從人的行為到機(jī)器人行為的調(diào)節(jié)管道，提高人類數(shù)據(jù)的利用效率，并為仿真合成數(shù)據(jù)注入人類豐富的行為信息。

除了數(shù)據(jù)問(wèn)題外，VLA技術(shù)的安全性也是研究者們關(guān)注的焦點(diǎn)。在自動(dòng)駕駛和機(jī)器人與人類交互的過(guò)程中，安全性是至關(guān)重要的。穆堯認(rèn)為，強(qiáng)化學(xué)習(xí)是提升VLA技術(shù)安全性的有效手段之一。通過(guò)強(qiáng)化學(xué)習(xí)，可以使機(jī)器人在意識(shí)層面和行為動(dòng)作層面都更加安全可靠。陳龍則強(qiáng)調(diào)了系統(tǒng)層面上的安全性冗余設(shè)計(jì)，他認(rèn)為在自動(dòng)駕駛這樣對(duì)安全性要求極高的場(chǎng)景中，需要多個(gè)網(wǎng)絡(luò)做兜底，以確保在VLA模型出現(xiàn)錯(cuò)誤時(shí)能夠及時(shí)做出安全操作。

在實(shí)時(shí)性方面，VLA技術(shù)也面臨一定的挑戰(zhàn)。由于語(yǔ)言決策邏輯的加入，模型的響應(yīng)時(shí)間可能會(huì)變長(zhǎng)。為了解決這一問(wèn)題，研究者們提出了多種方案。例如，采用雙系統(tǒng)設(shè)計(jì)，將VLA作為慢通路負(fù)責(zé)深度思考，同時(shí)采用另一個(gè)快系統(tǒng)負(fù)責(zé)快速響應(yīng)；或者采用異步推理設(shè)計(jì)，使推理和執(zhí)行過(guò)程并行進(jìn)行，以提高系統(tǒng)的整體響應(yīng)速度。這些方案都在一定程度上緩解了VLA技術(shù)的實(shí)時(shí)性問(wèn)題。