慧博投研近日发布研究报告，对智驾与机器人领域的VLA（视觉-语言-动作）技术进行了深度梳理。报告指出，这一融合了视觉、语言与动作三大模态的端到端智能体系，正成为推动智能驾驶与机器人向更高智能化水平迈进的核心技术。

VLA模型的核心突破在于打通了“看、懂、做”三个环节，能够直接接收图像和自然语言指令，并输出对物理世界的控制量，从而替代了传统上划分感知、决策、控制模块的复杂流程。这一转变大幅减少了信息在模块间传递的损耗，降低了对人工规则的依赖。谷歌DeepMind在2023年7月发布的RT-2模型是一个重要里程碑，它验证了VLA框架的有效性，不仅将任务准确率提升了近一倍，还展现出了处理零样本任务的泛化能力。

驱动VLA技术发展的因素是多方面的。在智能驾驶领域，随着中国L2级辅助驾驶渗透率达到50%，行业正积极向L3级迈进。VLA被视为解决复杂城市场景瓶颈、实现L3级自动驾驶的关键技术路径，2025年有望成为其落地元年。同时，智能驾驶技术本身正从“模块化端到端”向“全局端到端”演进，VLA能够以大语言模型为基础直接输出控制信号，显著提升了系统的响应速度和环境适应能力。

在机器人领域，对“具身智能”和通用化的迫切需求是主要驱动力。VLA通过端到端的架构与大规模预训练，赋予机器人适应动态环境的能力，使其从执行单一任务的工具向通用的智能伙伴转变。

在技术演进路线上，智能驾驶VLA模型经历了从语言仅作解释，到成为主动规划组件，再到统一端到端输出控制，并最终迈向支持长时记忆与复杂推理的四个阶段。

然而，其工程化落地仍面临极端工况下的稳定性、对罕见长尾场景的泛化能力以及多源数据时序同步等挑战。应对这些挑战的关键技术包括：利用3D高斯散射（3D GS）技术高效获取精细的3D环境表征；通过稀疏注意力机制与动态记忆模块增强长时序记忆与规划能力；采用混合专家（MoE）架构、模型量化等技术优化端侧计算效率；以及与世界模型深度耦合，构建高保真仿真环境用于模型的闭环测试与强化学习。

相比之下，机器人VLA的发展面临更大挑战，其场景复杂度更高，构建数据闭环的难度也更大。这主要源于机器人任务极其多样，所需的数据在维度和复杂度上远超车端，同时硬件方案尚未统一，本体的高自由度也导致数据采集效率低下、成本高昂。

报告预测，机器人VLA的发展将分三步走：短期内推动硬件标准化以降低数据成本；中期依靠世界模型与多模态传感器成为主流；长期则形成“基础模型+垂直专家”的产业分层。

报告还剖析了多个典型的VLA架构案例。在智能驾驶方面，Waymo的EMMA模型是早期的开创性尝试；小米的ORION架构通过QT-Former模块强化了长时序记忆；理想汽车的Mind VLA则深度融合了3D空间理解与扩散模型轨迹生成技术。

在机器人领域，开源的Open VLA模型以更小的参数量实现了优异的性能，证明了VLA的商业化部署潜力；Helix模型创新性地采用“双系统”架构，实现了对人形机器人上半身35个自由度的协调控制；智元的ViLLA架构则通过巧妙设计，实现了对互联网海量异构视频数据的高效利用。

在产业布局方面，理想汽车等公司正积极从整车企业向人工智能企业转型，其自研的VLA模型不仅是实现高阶智能驾驶的核心，也被视为拓展至机器人等具身智能领域的基座。小鹏汽车则坚持“底层自研、全链自主”的策略，规划了清晰的“智驾端到端四部曲”技术路线，并自研高算力芯片为VLA模型的落地提供支撑。

【注】更多研报请上慧博智能策略终端PC版或慧博投资分析APP