[首發(fā)于智駕最前沿微信公眾號]最近在和一位小伙伴交流時，他提出了一個非常有趣的問題：VLA模型是否更適合純視覺系統(tǒng)？它能幫助純視覺系統(tǒng)算法走向成熟嗎？這個問題非常有意思，對于這個問題，先講結論，VLA（Vision-Language-Action，視覺—語言—動作）不是純視覺系統(tǒng)的“一鍵升級包”，但它能為純視覺方案注入非常有價值的能力和訓練范式，推動算法走向更成熟的方向。換句話說，VLA模型給自動駕駛帶來的不是簡單的替代，而是新的工具箱和新的訓練思路，把它用在合適的位置、以合適的方法去融合和驗證，能讓純視覺系統(tǒng)變得更魯棒、更有語義理解力，但它也帶來新的復雜性、數據需求與工程風險，需要謹慎對待。

什么是VLA?

在詳細聊今天的話題前，要先弄清“VLA是什么”。VLA一詞近兩年開始在學術界與產業(yè)圈流行起來，其核心思想是把視覺（camera圖像）、語言（自然語言或符號描述）和動作（機器人或車輛的控制指令、軌跡）放在同一個大模型里進行聯合建模和端到端訓練。典型的做法是先用大規(guī)模的視覺-語言模型（VLM）作為感知與推理的骨干，再在其上接一個動作解碼器，把視覺與語言得到的語義表示直接映射為連續(xù)或離散的動作輸出。VLM起初被用于機器人操控（例如RT-2的工作方向），隨后出現了開源的OpenVLA和一些面向通用具身控制的大模型（如近期行業(yè)報道中的Helix、NVIDIA等方案），這些都把“看得懂（vision）+聽得懂（language）”和“能做事（action）”連成了一條鏈。

那在談及VLA模型時，為什么會將其與“純視覺”放在同一個話題里比較？其實過去幾年里，視覺-語言大模型（VLM）展現了很強的泛化與推理能力，從圖像里抽取細粒度語義信息、結合世界知識做推斷、把場景轉換成可讀的自然語言描述，這些都是VLM的強項。而把這些能力和控制策略（動作）連接起來的想法，是為了做到“感知＋推理＋控制”的更緊耦合。對于自動駕駛汽車來說，若模型不僅可以告訴你前方有輛自行車，還可以根據目標和約束直接輸出可執(zhí)行的動作軌跡或轉向/速度指令，這樣有效提升自動駕駛的能力。大模型之所以被廣泛應用于自動駕駛，主要原因有兩點，一是“少模塊化，多端到端”的趨勢可以簡化工程鏈路、把隱含知識留在模型里；二是大模型的預訓練帶來了跨場景遷移能力，有機會減少為每個場景單獨標注的大量工時。這也解釋了為什么會把VLA用到自動駕駛——尤其是一些希望主要依靠攝像頭（純視覺）實現大部分感知與決策功能的團隊。

VLA真的更適合純視覺嗎？

VLA是否更適合純視覺系統(tǒng)？這個問題其實要分兩層來講，一是概念層面，二是工程/安全層面。從概念上討論，VLA天生是多模態(tài)的，它把語言作為中間的抽象層，使模型能用更高層次的語義去理解場景，這對于只靠像素信息的純視覺系統(tǒng)是個強補充。語言可以作為監(jiān)督信號、作為任務指令的載體，也可以提供對復雜交通場景的高階描述（比如“前方有人追球橫穿，注意減速讓行”），從而把視覺感知的“像素到語義”的映射變得更明確、更可解釋。換句話說，VLA為純視覺系統(tǒng)提供了一個更強的語義通道和訓練范式，這對提升視覺模型在長尾場景下的理解能力是有幫助的。

但工程與安全層面又把問題拉回現實。自動駕駛不是只看懂場景就夠了，它還要求確定性、實時性、可驗證性以及在各種傳感器失效條件下的冗余能力。當前行業(yè)內將自動駕駛系統(tǒng)拆成感知-定位-規(guī)劃-控制幾個模塊，這并非純粹為了便于功能區(qū)分，而是為了各層次的可控與可驗證。當把這些都塞進一個端到端的VLA模型里，將會面臨多個問題，其中包括動作輸出的精確度與時延能否滿足實時閉環(huán)控制需求？模型在極端少見場景下的失敗模式是否可被解釋并安全地退回？模型輸出是否能滿足法規(guī)/認證所需的確定性證明？這些問題在機器人領域被部分接受（因為機器人在某些實驗條件下能用高頻閉環(huán)控制、并有直接動作標簽做監(jiān)督），但在車規(guī)級自動駕駛上，特別是高速公路與復雜城市環(huán)境，風險容忍度低，監(jiān)管要求高，單純把控制交給一個大模型目前仍然困難重重。

VLA如何推動純視覺成熟？

那么VLA能如何“幫助”純視覺算法成熟？這里可以把它視為若干可借鑒、可組合的能力與工具。VLA的大規(guī)模多模態(tài)預訓練能給視覺模型帶來更強的語義表示，用語言監(jiān)督或對齊，視覺特征更容易學到“概念級”的判別力，進而提升小樣本場景下的魯棒性與可解釋性。對純視覺團隊來說，這等于把一批“世界知識”和“語義理解”注入到視覺特征上，而這些正是純像素監(jiān)督常常缺乏的。OpenVLA等開源工作已經展示了把大量示教數據與語言描述結合后，模型在跨任務泛化上的提升。

此外，VLA提供了新的監(jiān)督信號和訓練范式。傳統(tǒng)視覺感知的訓練主要是像素級或框級標簽（例如檢測框、語義分割標簽），這些標注既昂貴又難覆蓋長尾。VLA能把自然語言描述、指令序列或軌跡數據當作監(jiān)督，支持行為克隆、序列預測與從語言到動作的映射學習。這意味著在一些可控場景里，純視覺系統(tǒng)可以借助VLA-style的蒸餾或聯合訓練，學習到行為傾向（behavioralpriors）和策略級別的特征，從而在決策層面擁有更一致的語義基礎。行業(yè)里用VLM預訓練然后微調到動作任務，已經證明了這種思路的潛力。

VLA還可以作為“模擬到現實”橋梁與數據合成利器。純視覺系統(tǒng)在長尾極端場景上的缺樣本問題尤其明顯，而VLA的多模態(tài)預訓練和生成能力可以在模擬環(huán)境中生成帶有語言注釋的復雜交互樣本，或者把真實場景的視覺內容轉成結構化的語言描述用于擴充訓練集。這種利用語義級別增強的數據合成，比單純的像素增強更能補齊模型在理解復雜交通參與者行為上的短板，從而幫助純視覺感知模塊在語義判斷上更成熟。

以上都是“助力”的方面，再說說現實的限制與需要警惕的點。第一是動作監(jiān)督數據短缺且昂貴。要讓模型學會把視覺表示轉成安全可靠的控制命令，需要大量高質量的軌跡/控制數據（帶時間戳的閉環(huán)示教、各種速度/轉向控制序列等），這些數據比標注圖片要難得多。雖然在機器人社區(qū)出現了一些百萬級示教數據集（OpenX-Embodiment類），但車規(guī)級的多場景、長時間序列數據仍然稀缺，系統(tǒng)因此對示教數據的依賴會成為瓶頸。

第二是閉環(huán)控制頻率與延遲問題。車輛控制要求毫秒級別甚至更高的響應與穩(wěn)定性，而大型VLM/VLA的推理延遲和算力成本可能無法直接滿足這一點。行業(yè)里常見的做法是把VLA用作“慢思考”（高層決策、意圖預測、策略選擇）而不直接負責高頻控制環(huán)，這樣既能利用VLA的推理能力，又保留傳統(tǒng)控制環(huán)的實時性與確定性。如把VLA輸出的高層指令（減速、超車、讓行）交給傳統(tǒng)的規(guī)劃與控制模塊去執(zhí)行，這是一種折衷的工程路徑。

第三是安全可驗證與退避策略。純視覺系統(tǒng)本身就有傳感器盲區(qū)與誤識別問題，把更多“決策責任”壓到端到端模型上，增加了不可預見的失敗模式。智駕最前沿以為，從合規(guī)與工程管理角度，實際可行的路線更傾向于混合架構，即用VLA提供豐富語義和策略建議，同時維持一個獨立的規(guī)則化安全棧（基于徑向冗余傳感器、規(guī)則判斷和基線控制器）來執(zhí)行最后的安全約束。換句話說，用VLA加強“智能”和“理解”，但不把生命線交出去。

VLA應如何應用于純視覺？

那VLA可以如何應用于純視覺自動駕駛？其實我們可以把VLA看作“語義增強器”和“策略導師”，優(yōu)先用來提升感知的語義層面與策略級別的學習，而不是直接替代低層控制。可以采用的做法包括用VLM/VLA預訓練得到的視覺特征去初始化純視覺感知網絡；用語言對齊的信號去做多任務監(jiān)督（把檢測/分割/行為預測與描述性語言一起學）；以及用VLA在模擬環(huán)境中合成帶文本標注的復雜交互場景來增強稀有長尾樣本。這樣可以把VLA的長處最大化，同時把風險降到可控范圍。

此外，數據治理要做好分級和校驗。把動作學習當作主訓練目標時，需要對示教數據做嚴格的質量控制和異常剔除，并配套構建能做因果歸因和反事實測試的離線評價體系。車輛的動作輸出不能只看在訓練集上的平均誤差，還必須評估極端情景、邊緣案例與連鎖反應的安全性。這就要求研發(fā)團隊在引入VLA時，投入等量甚至更多資源用于構建嚴密的仿真驗證、場景回放和閉環(huán)安全測試。

軟硬件協同設計更是不可或缺。VLA的計算量與推理特性決定了它的部署方式，是完全云端的輔助推理、邊緣加速的半實時部署，還是僅用于離線訓練與線上稀疏調用，每種選擇對應不同的延遲與安全權衡。對于以攝像頭為主的車輛，可以把VLA的推理任務劃分成“長期/慢速決策”和“短期/快速策略提示”兩類，把高頻控制留給車端的專用控制器，同時把VLA的高階輸出作為約束或建議融入規(guī)劃器。這樣既能利用VLA的通用性，也能滿足車規(guī)級的可靠性需求。

總結

未來VLA會如何應用于自動駕駛？短期內，VLA在自動駕駛領域最現實的作用是成為“認知與策略的增強模塊”，它能把語義理解、長尾場景歸納和跨場景遷移做得更好，幫助純視覺系統(tǒng)在語義判斷和策略生成層面成熟。中期看，隨著數據量的積累、模型推理效率的提升以及可解釋性技術（如可控性約束、可證明安全退避）的進步，VLA有希望承擔更多高層決策任務，成為自動駕駛堆棧中不可或缺的一環(huán)。長期則是對“具身智能”的更宏大愿景，把車輛看成具備長期記憶、世界模型和自然語言交互能力的智能體，VLA這樣的范式會是基礎設施之一，開源項目（如OpenVLA）和商業(yè)嘗試（RT-2、Helix、NVIDIA與車企的研究）都在證明這一點。

總結一下，VLA并不是單純替代純視覺系統(tǒng)的“捷徑”，而是一套強有力的工具和訓練范式。它能把語言作為橋梁，把視覺表示提升到語義級別，能帶來更好的跨場景泛化和更強的策略學習能力，這對純視覺算法的成熟有明確的正向作用。對行業(yè)來說，當前值得投入的方向包括如何高效利用VLM預訓練特征、如何用語言信號做強化/模仿學習的橋接、如何在仿真與現實之間縮小差距、以及如何設計可驗證的退避與冗余機制。只要把這些問題弄扎實，VLA對純視覺系統(tǒng)的成熟將是真正有價值的推動力。

審核編輯 黃宇