北京
过去一年，世界模型、VLA、原生多模态这三个词频繁出现在新车和智驾发布会上。中文舆论场为此分出了阵营：华为、蔚来被归为世界模型派，小鹏、理想被归为VLA派。然而在CVPR 2026上，理想汽车的一篇关于世界模型的口头报告论文，开篇却承认：学界至今没有对世界模型形成统一明确的定义，只是普遍认为预测物理环境演化是其核心能力。最前沿的研究者还没划定边界，舆论场却早已替他们站好了队。 简单把这种现象归结为“命名混乱”可能有些草率。更准确地说，这些技术之间的边界，本来就没有舆论叙事那么清晰。 一、讲VLA的小鹏，内部有四支团队在做世界模型 小鹏对外的叙事统一是VLA，但2026年上半年其在arXiv上发布的五份技术报告，署名却来自预测式世界模型、生成式世界模型、人工智能基础设施和基座模型四支团队。其X-Foresight致谢还提到，生成式世界模型团队在X-World上的工作，是其扩散渲染器预训练的基础。 “原生多模态”原本被用来终结命名混乱，现在也分出了两条路径。理想把语言词元和动作词元统一到一个离散码本，从一开始就不区分两者；小鹏则设计了原生多模态分词器，在信息进入模型早期就整合不同模态。同一个中文名字，背后是两种不同处理方式。 二、论文里互相点名，争的却不是路线 把几家公司2026年的论文放在一起，会发现学术路线的交锋比发布会场景热闹得多。 小米汽车和华中科技大学合作的DriveLaW，引言直接点名Epona和DriveVLA-W0，认为这类方法把生成与规划拆开训练，在视觉想象和动作选择之间留下了gap。DriveVLA-W0的署名单位是引望公司——正是从华为车BU独立出来的公司。引望与中科院自动化所合作的DynVLA，则批评视觉思维链会因像素级生成带来大量冗余和算力开销，因此选择用“动力学思维链”表示未来。而视觉思维链，恰是小鹏X-Mind的核心主张。 小鹏也没有客气。X-Mind认为，把世界模型串在策略模型之前，“会带来难以接受的车端时延”；把未来图像重建挂在网络末端做辅助监督，“监督信号很难有效反向传播到语言模型骨干的深层，模型容易学到捷径而非真正的物理推理”。后一种训练思路，与华为DriveVLA-W0用未来图像预测提供密集监督的方式高度相似。 理想的SparseWorld-TC则明确绕开VAE离散词元和BEV中间表征，认为BEV的显式几何约束会限制时空特征的灵活交互。而小鹏X-Mind用来预演未来的“抽象草图”，底层恰是BEV。 四家公司批评的都是对方“具体怎么做”，没有谁真正否定“预测未来”。X-Mind甚至直言，把预测式世界模型整合进自动驾驶，已成为行业共识。所以，“VLA还是世界模型？”这个问题可能问错了。端到端之后智能驾驶的下一轮竞争，并不是非A即B的二元对立。 三、真正的分歧：预演未来，要多少细节？ 人开车时，脑子里也会先“想”一遍。看到右前方车辆压线，会快速判断：它如果并过来，我该减速还是避让？只是人不会把想象渲染成4K视频，那个念头通常只有轮廓、相对位置和可能动作。 让机器像人一样开车，需要做相似的事。区别在于，机器生成的“念头”该保留多少细节。 小鹏押注“高度抽象”。X-Foresight技术报告认为，“世界表征应保持高度抽象；隐空间中过多的视觉细节会稀释模型的结构化世界理解能力。”X-Mind进一步把未来12帧压缩成96个词元，表达BEV布局、导航意图和交通规则；逼真画面交给另一个模块渲染，不直接参与推理。 华为DynVLA压缩得更狠，用专门的分词器把未来演化压进一组离散词元，并将自车动力学和环境动力学拆开，分别建模。 在“预测未来”这件事上，四家公司给出了四个答案。这种技术路径分歧，比“VLA还是世界模型”的二元论更能让人看清头部公司在下一代智驾架构上的理论底座。 还有一个尚无结论的对照：小鹏用BEV作为抽象世界的底板，理想却认为BEV是一种限制。它究竟会成为共识底座，还是被更灵活的表征取代，可能要看未来一两年各家量产方案的验证结果。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
