自動(dòng)駕駛的流派紛爭(zhēng)史 VLA和VLM孰優(yōu)孰劣？
2025-09-29 17:05:55
供稿：網(wǎng)友
自動(dòng)駕駛的商業(yè)化落地正在全球范圍內(nèi)加速推進(jìn)。
截至2025年5月，Waymo在美國(guó)舊金山、洛杉磯、鳳凰城和奧斯汀運(yùn)營(yíng)的自動(dòng)駕駛出租車(chē)達(dá)到1500輛，每周完成超過(guò)25萬(wàn)次付費(fèi)出行服務(wù)；百度Apollo已在全球部署超1000輛無(wú)人駕駛汽車(chē)，累計(jì)提供超1100萬(wàn)次出行服務(wù)，安全行駛里程超過(guò)1.7億公里。
大規(guī)模落地仿佛意味著技術(shù)已經(jīng)成熟，其實(shí)不然，關(guān)于自動(dòng)駕駛，還有很多尚未達(dá)成共識(shí)的流派分歧。
比如，傳感器方案，純視覺(jué)和多傳感器融合方案該如何抉擇？系統(tǒng)架構(gòu)上，采用模塊化設(shè)計(jì)，還是擁抱新興的端到端架構(gòu)？更進(jìn)一步，關(guān)于如何理解世界，VLA和VLM孰優(yōu)孰劣？
這些懸而未決的爭(zhēng)議，正引領(lǐng)著自動(dòng)駕駛駛向尚未完全確定的未來(lái)。而理解這些不盡相同的技術(shù)路線(xiàn)，就是理解自動(dòng)駕駛從哪里來(lái)、到哪里去，如何實(shí)現(xiàn)技術(shù)的自我進(jìn)化。
一切始于“看見(jiàn)”。汽車(chē)如何感知世界，是自動(dòng)駕駛的基石。在這個(gè)問(wèn)題上存在著對(duì)峙已久的兩大陣營(yíng)，且雙方至今未休。
故事最早可以追溯到2004年美國(guó)莫哈韋沙漠的一場(chǎng)挑戰(zhàn)賽。
那時(shí)，美國(guó)國(guó)防高級(jí)研究計(jì)劃局設(shè)立了200萬(wàn)美元的獎(jiǎng)金，吸引數(shù)十支頂尖高校和科研機(jī)構(gòu)參與，試圖解答“如何讓車(chē)輛感知周?chē)h(huán)境？”的問(wèn)題。
卡內(nèi)基梅隆大學(xué)和斯坦福大學(xué)等團(tuán)隊(duì)選擇的激光雷達(dá)勝出。這項(xiàng)能生成精確3D點(diǎn)云圖的技術(shù)奠定了早期自動(dòng)駕駛發(fā)展路線(xiàn)，被谷歌旗下的Waymo繼承和發(fā)展。
然而，這一派有個(gè)致命軟肋：成本。一套激光雷達(dá)系統(tǒng)造價(jià)高達(dá)7.5萬(wàn)美元，比車(chē)還貴，注定只能走小規(guī)模精英路線(xiàn)，難以大規(guī)模商業(yè)化。
十年后，特斯拉代表的視覺(jué)派走出了另一條路。
他們主張大道至簡(jiǎn)：“人類(lèi)靠一雙眼睛和一個(gè)大腦就能開(kāi)車(chē)，機(jī)器為何不能？”
2014年，特斯拉推出Autopilot系統(tǒng)，采用Mobileye的視覺(jué)方案，選擇了以攝像頭為主的視覺(jué)方案。2016年，埃隆·馬斯克公開(kāi)表示“激光雷達(dá)是徒勞的”，正式確立了純視覺(jué)技術(shù)路線(xiàn)。
團(tuán)隊(duì)通過(guò)8個(gè)環(huán)繞攝像頭模擬人類(lèi)視野，依靠深度學(xué)習(xí)算法從二維圖像中重建三維環(huán)境。純視覺(jué)方案成本極低，能夠大規(guī)模商業(yè)化。而通過(guò)賣(mài)出更多車(chē)，收集更多海量真實(shí)世界數(shù)據(jù)，形成一個(gè)“數(shù)據(jù)飛輪”，反哺算法迭代，越用越強(qiáng)。
但攝像頭是“被動(dòng)”傳感器，嚴(yán)重依賴(lài)環(huán)境光。在逆光、眩光、黑夜、大雨、大霧等情況下，性能會(huì)顯著下降，遠(yuǎn)遠(yuǎn)比不上激光雷達(dá)。
以激光雷達(dá)為主的多傳感器融合方案認(rèn)為，機(jī)器的智能在可見(jiàn)的未來(lái)都無(wú)法完全媲美人類(lèi)基于經(jīng)驗(yàn)的常識(shí)和直覺(jué)，惡劣天氣下必須通過(guò)激光雷達(dá)等硬件冗余來(lái)彌補(bǔ)軟件的不足。
可以說(shuō)，純視覺(jué)將所有壓力都集中在算法上，賭的是智能化的未來(lái)；多傳感器融合更注重工程落地，選的是經(jīng)過(guò)驗(yàn)證的現(xiàn)實(shí)方案。
目前，主流車(chē)企（Waymo、小鵬、蔚來(lái)等）都站在多傳感器融合的陣營(yíng)。他們認(rèn)為安全是自動(dòng)駕駛不可逾越的紅線(xiàn)，而冗余是保障安全的唯一途徑。
值得注意的是，兩條路線(xiàn)并非完全涇渭分明，而是在相互學(xué)習(xí)和融合：純視覺(jué)方案也在引入更多的傳感器；多傳感器融合方案中，視覺(jué)算法的地位也越來(lái)越高，成為理解場(chǎng)景語(yǔ)義的關(guān)鍵。
即使在多傳感器融合派內(nèi)部，也藏著一個(gè)選擇題：
毫米波雷達(dá)成本僅數(shù)百元，激光雷達(dá)早期要數(shù)萬(wàn)美元，為什么還要花大價(jià)錢(qián)裝激光雷達(dá)？
激光雷達(dá)（LiDAR）通過(guò)發(fā)射激光束并測(cè)量其返回時(shí)間，可以構(gòu)建出周?chē)h(huán)境極其精細(xì)的3D點(diǎn)云圖像，解決了當(dāng)時(shí)其他傳感器無(wú)法解決的、致命的“Corner Case”（極端案例）。
它的角分辨率極高，能夠清晰分辨行人的姿態(tài)、車(chē)輛的輪廓，甚至路面上的微小障礙物。L4/L5級(jí)別的商業(yè)自動(dòng)駕駛領(lǐng)域，沒(méi)有其他傳感器能同時(shí)滿(mǎn)足“高精度”和“測(cè)靜態(tài)物體”這兩個(gè)要求，為了實(shí)現(xiàn)最基本的自動(dòng)駕駛功能和安全冗余，激光雷達(dá)的成本是車(chē)企必須付出的門(mén)票。
那么激光雷達(dá)既然已經(jīng)這么強(qiáng)了，為什么還要研發(fā)其他傳感器呢？
激光雷達(dá)性能極高，但也有其局限。激光屬于紅外光，波長(zhǎng)很短。雨滴、霧滴、雪花、煙塵等顆粒的大小與激光波長(zhǎng)接近，會(huì)導(dǎo)致激光發(fā)生散射和吸收，產(chǎn)生大量“噪聲”點(diǎn)云。
而4D毫米波雷達(dá)能全天候工作，在惡劣天氣下能利用其強(qiáng)大的穿透能力，率先發(fā)現(xiàn)前方障礙物并提供距離和速度數(shù)據(jù)。不過(guò)，毫米波雷達(dá)回波點(diǎn)非常稀疏，只能形成少量點(diǎn)云，無(wú)法像激光雷達(dá)那樣勾勒出物體的輪廓和形狀，還可能因?yàn)殡娮痈蓴_產(chǎn)生“幽靈識(shí)別”。低分辨率讓它注定無(wú)法成為主傳感器，只能作為輔助上車(chē)。
所以，激光雷達(dá)和毫米波雷達(dá)各有優(yōu)劣。二者不是替代關(guān)系，而是“常規(guī)場(chǎng)景靠毫米波控成本，復(fù)雜場(chǎng)景靠激光雷達(dá)保安全”的互補(bǔ)邏輯，不同的車(chē)型有不同配置。
L4 Robotaxi、豪華車(chē)通常采用“激光雷達(dá)為主，毫米波雷達(dá)為輔”的策略。不計(jì)成本地堆砌傳感器，追求極致的安全和性能上限；L2+、L3量產(chǎn)經(jīng)濟(jì)車(chē)主要依賴(lài)“攝像頭+毫米波雷達(dá)”，在車(chē)頂關(guān)鍵位置使用1～2顆激光雷達(dá)，形成高性?xún)r(jià)比的方案。
車(chē)企圍繞傳感器的選擇爭(zhēng)議，本質(zhì)是一場(chǎng)關(guān)于“如何用最低成本實(shí)現(xiàn)最高安全”的技術(shù)探索和商業(yè)博弈。未來(lái)，各種傳感器還將進(jìn)一步融合，形成多樣化的搭配方案。
如果說(shuō)傳感器是眼睛，那么算法就是大腦。
很長(zhǎng)一段時(shí)間里，自動(dòng)駕駛系統(tǒng)都采用模塊化設(shè)計(jì)，整個(gè)駕駛?cè)蝿?wù)被拆解為感知、預(yù)測(cè)、規(guī)劃、控制等獨(dú)立的子任務(wù)。每個(gè)模塊各司其職，有獨(dú)立的算法和優(yōu)化目標(biāo)，像一條分工明確的流水線(xiàn)。
模塊化的優(yōu)點(diǎn)是可解釋強(qiáng)、開(kāi)發(fā)并行、易于調(diào)試。但局部最優(yōu)不等于全局最優(yōu)，分而治之的模式也存在致命缺陷。每個(gè)模塊在處理和傳遞信息時(shí)，都會(huì)進(jìn)行一定程度的簡(jiǎn)化和抽象，導(dǎo)致原始的豐富信息在層層傳遞中丟失，整體表現(xiàn)難以達(dá)到最優(yōu)。
2022—2023年，以特斯拉FSD V12為代表的“端到端”模型橫空出世，顛覆了傳統(tǒng)范式。這種方案的靈感來(lái)自人類(lèi)的學(xué)習(xí)方式：新手司機(jī)不是先學(xué)習(xí)光學(xué)原理再研究交通規(guī)則，而是通過(guò)觀(guān)察教練的操作直接學(xué)習(xí)駕駛。
端到端模型不再進(jìn)行人為的模塊劃分，而是通過(guò)學(xué)習(xí)海量的人類(lèi)駕駛數(shù)據(jù)，構(gòu)建一個(gè)龐大的神經(jīng)網(wǎng)絡(luò)，直接將傳感器輸入的原始數(shù)據(jù)映射到方向盤(pán)轉(zhuǎn)角、油門(mén)剎車(chē)等終端駕駛控制指令。
與模塊化算法不同，端到端模型全過(guò)程沒(méi)有信息損失、性能上限高，開(kāi)發(fā)流程能進(jìn)一步簡(jiǎn)化，但也存在著難以溯源問(wèn)題點(diǎn)的黑箱難題。一旦發(fā)生事故，系統(tǒng)是難以判斷哪個(gè)步驟出了錯(cuò)、后續(xù)應(yīng)該怎樣優(yōu)化？
端到端的出現(xiàn)讓自動(dòng)駕駛從規(guī)則驅(qū)動(dòng)邁向了數(shù)據(jù)驅(qū)動(dòng)。然而，它的“黑箱”特質(zhì)讓許多更重視安全的車(chē)企望而卻步，海量訓(xùn)練數(shù)據(jù)也只有擁有大規(guī)模車(chē)隊(duì)的公司才能支撐。
因此，行業(yè)內(nèi)出現(xiàn)了折中的“顯式端到端”方案，即在端到端模型中保留可行駛區(qū)域、目標(biāo)軌跡等中間輸出，試圖在性能與可解釋性之間找到平衡。
隨著AI發(fā)展，新的戰(zhàn)場(chǎng)在大模型內(nèi)部開(kāi)辟。這關(guān)乎自動(dòng)駕駛的靈魂，它應(yīng)該是輔助駕駛的思考者（VLM），還是執(zhí)行者（VLA）？
VLM視覺(jué)語(yǔ)言模型信奉協(xié)同，更追求過(guò)程可控，也被稱(chēng)為增強(qiáng)派。該路線(xiàn)認(rèn)為AI大模型雖然強(qiáng)大，但幻覺(jué)在安全領(lǐng)域是致命的，應(yīng)該讓它做自己最擅長(zhǎng)的事（理解、解釋、推理），而把最終決策權(quán)交給經(jīng)過(guò)數(shù)十年驗(yàn)證的、可預(yù)測(cè)、可調(diào)試的傳統(tǒng)自動(dòng)駕駛模塊。
VLA視覺(jué)語(yǔ)言動(dòng)作模型信奉涌現(xiàn)，追求結(jié)果最優(yōu)，被稱(chēng)為端到端的終極形態(tài)。該流派主張只要模型足夠大、數(shù)據(jù)足夠多，AI就能自己從零開(kāi)始學(xué)會(huì)駕駛的一切細(xì)節(jié)和規(guī)則，最終其駕駛能力會(huì)超越人類(lèi)和基于規(guī)則的系統(tǒng)。
圍繞VLM與VLA的爭(zhēng)議就像模塊化和端到端方案辯論的延續(xù)。
VLA存在著難以溯源的黑箱困境。如果一輛VLA車(chē)發(fā)生了一次急剎車(chē)，工程師幾乎無(wú)法追溯原因。是因?yàn)樗殃幱罢`判為坑洞？還是它學(xué)到了某個(gè)人類(lèi)司機(jī)的不良習(xí)慣？無(wú)法調(diào)試、無(wú)法驗(yàn)證，這與汽車(chē)行業(yè)嚴(yán)格的功能安全標(biāo)準(zhǔn)是根本性沖突的。
而VLM系統(tǒng)整個(gè)過(guò)程可分解、可分析、可優(yōu)化。如果遇到問(wèn)題，工程師可以清晰地看到：傳統(tǒng)感知模塊看到了一個(gè)物體、VLM將其識(shí)別為“一個(gè)被風(fēng)吹走的塑料袋”、規(guī)劃模塊因此決定“無(wú)需緊急剎車(chē)，輕微減速即可”。出了事故，責(zé)任清晰界定。
除了可解釋性上的兩極分化，訓(xùn)練成本也是車(chē)企猶疑不決的原因之一。
VLA需要海量的“視頻－控制信號(hào)”配對(duì)數(shù)據(jù)，即輸入一段8攝像頭視頻，輸出同步的方向盤(pán)、油門(mén)、剎車(chē)信號(hào)。這種數(shù)據(jù)極其稀缺且制作成本高昂。
VLM本質(zhì)是多模態(tài)大模型，可以利用互聯(lián)網(wǎng)規(guī)模的、豐富的“圖像－文本”配對(duì)數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，再用駕駛相關(guān)的數(shù)據(jù)微調(diào)。數(shù)據(jù)來(lái)源更廣，成本相對(duì)更低。
目前來(lái)看，VLM技術(shù)相對(duì)成熟，更容易落地，大部分主流車(chē)企和自動(dòng)駕駛公司(包括Waymo、Cruise、華為、小鵬等)都走在 VLM路線(xiàn)上。而VLA路線(xiàn)的探索者則以特斯拉、吉利和理想為代表。據(jù)悉，吉利千里科技的千里浩瀚H9方案就采用了VLA大模型，具備更強(qiáng)的推理與決策能力，支持L3級(jí)智能駕駛解決方案。
回顧自動(dòng)駕駛的流派之爭(zhēng)，我們發(fā)現(xiàn)這些技術(shù)爭(zhēng)論從未以一方完全勝出告終，而是在碰撞中相互融合，走向更高層次的統(tǒng)一。激光雷達(dá)與視覺(jué)正在融合為多模態(tài)感知系統(tǒng)；模塊化架構(gòu)開(kāi)始吸收端到端的優(yōu)勢(shì)；大模型正在為所有系統(tǒng)注入認(rèn)知智能。
而那些曾讓行業(yè)困惑的謎題，看起來(lái)似乎沒(méi)有標(biāo)準(zhǔn)答案，但最終都會(huì)成為技術(shù)迭代的注腳，推動(dòng)自動(dòng)駕駛繼續(xù)向前發(fā)展。
