自動駕駛的流派紛爭史 VLA和VLM孰優孰劣？
2025-09-29 17:05:55
供稿：網友
自動駕駛的商業化落地正在全球范圍內加速推進。
截至2025年5月，Waymo在美國舊金山、洛杉磯、鳳凰城和奧斯汀運營的自動駕駛出租車達到1500輛，每周完成超過25萬次付費出行服務；百度Apollo已在全球部署超1000輛無人駕駛汽車，累計提供超1100萬次出行服務，安全行駛里程超過1.7億公里。
大規模落地仿佛意味著技術已經成熟，其實不然，關于自動駕駛，還有很多尚未達成共識的流派分歧。
比如，傳感器方案，純視覺和多傳感器融合方案該如何抉擇？系統架構上，采用模塊化設計，還是擁抱新興的端到端架構？更進一步，關于如何理解世界，VLA和VLM孰優孰劣？
這些懸而未決的爭議，正引領著自動駕駛駛向尚未完全確定的未來。而理解這些不盡相同的技術路線，就是理解自動駕駛從哪里來、到哪里去，如何實現技術的自我進化。
一切始于“看見”。汽車如何感知世界，是自動駕駛的基石。在這個問題上存在著對峙已久的兩大陣營，且雙方至今未休。
故事最早可以追溯到2004年美國莫哈韋沙漠的一場挑戰賽。
那時，美國國防高級研究計劃局設立了200萬美元的獎金，吸引數十支頂尖高校和科研機構參與，試圖解答“如何讓車輛感知周圍環境？”的問題。
卡內基梅隆大學和斯坦福大學等團隊選擇的激光雷達勝出。這項能生成精確3D點云圖的技術奠定了早期自動駕駛發展路線，被谷歌旗下的Waymo繼承和發展。
然而，這一派有個致命軟肋：成本。一套激光雷達系統造價高達7.5萬美元，比車還貴，注定只能走小規模精英路線，難以大規模商業化。
十年后，特斯拉代表的視覺派走出了另一條路。
他們主張大道至簡：“人類靠一雙眼睛和一個大腦就能開車，機器為何不能？”
2014年，特斯拉推出Autopilot系統，采用Mobileye的視覺方案，選擇了以攝像頭為主的視覺方案。2016年，埃隆·馬斯克公開表示“激光雷達是徒勞的”，正式確立了純視覺技術路線。
團隊通過8個環繞攝像頭模擬人類視野，依靠深度學習算法從二維圖像中重建三維環境。純視覺方案成本極低，能夠大規模商業化。而通過賣出更多車，收集更多海量真實世界數據，形成一個“數據飛輪”，反哺算法迭代，越用越強。
但攝像頭是“被動”傳感器，嚴重依賴環境光。在逆光、眩光、黑夜、大雨、大霧等情況下，性能會顯著下降，遠遠比不上激光雷達。
以激光雷達為主的多傳感器融合方案認為，機器的智能在可見的未來都無法完全媲美人類基于經驗的常識和直覺，惡劣天氣下必須通過激光雷達等硬件冗余來彌補軟件的不足。
可以說，純視覺將所有壓力都集中在算法上，賭的是智能化的未來；多傳感器融合更注重工程落地，選的是經過驗證的現實方案。
目前，主流車企（Waymo、小鵬、蔚來等）都站在多傳感器融合的陣營。他們認為安全是自動駕駛不可逾越的紅線，而冗余是保障安全的唯一途徑。
值得注意的是，兩條路線并非完全涇渭分明，而是在相互學習和融合：純視覺方案也在引入更多的傳感器；多傳感器融合方案中，視覺算法的地位也越來越高，成為理解場景語義的關鍵。
即使在多傳感器融合派內部，也藏著一個選擇題：
毫米波雷達成本僅數百元，激光雷達早期要數萬美元，為什么還要花大價錢裝激光雷達？
激光雷達（LiDAR）通過發射激光束并測量其返回時間，可以構建出周圍環境極其精細的3D點云圖像，解決了當時其他傳感器無法解決的、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、車輛的輪廓，甚至路面上的微小障礙物。L4/L5級別的商業自動駕駛領域，沒有其他傳感器能同時滿足“高精度”和“測靜態物體”這兩個要求，為了實現最基本的自動駕駛功能和安全冗余，激光雷達的成本是車企必須付出的門票。
那么激光雷達既然已經這么強了，為什么還要研發其他傳感器呢？
激光雷達性能極高，但也有其局限。激光屬于紅外光，波長很短。雨滴、霧滴、雪花、煙塵等顆粒的大小與激光波長接近，會導致激光發生散射和吸收，產生大量“噪聲”點云。
而4D毫米波雷達能全天候工作，在惡劣天氣下能利用其強大的穿透能力，率先發現前方障礙物并提供距離和速度數據。不過，毫米波雷達回波點非常稀疏，只能形成少量點云，無法像激光雷達那樣勾勒出物體的輪廓和形狀，還可能因為電子干擾產生“幽靈識別”。低分辨率讓它注定無法成為主傳感器，只能作為輔助上車。
所以，激光雷達和毫米波雷達各有優劣。二者不是替代關系，而是“常規場景靠毫米波控成本，復雜場景靠激光雷達保安全”的互補邏輯，不同的車型有不同配置。
L4 Robotaxi、豪華車通常采用“激光雷達為主，毫米波雷達為輔”的策略。不計成本地堆砌傳感器，追求極致的安全和性能上限；L2+、L3量產經濟車主要依賴“攝像頭+毫米波雷達”，在車頂關鍵位置使用1～2顆激光雷達，形成高性價比的方案。
車企圍繞傳感器的選擇爭議，本質是一場關于“如何用最低成本實現最高安全”的技術探索和商業博弈。未來，各種傳感器還將進一步融合，形成多樣化的搭配方案。
如果說傳感器是眼睛，那么算法就是大腦。
很長一段時間里，自動駕駛系統都采用模塊化設計，整個駕駛任務被拆解為感知、預測、規劃、控制等獨立的子任務。每個模塊各司其職，有獨立的算法和優化目標，像一條分工明確的流水線。
模塊化的優點是可解釋強、開發并行、易于調試。但局部最優不等于全局最優，分而治之的模式也存在致命缺陷。每個模塊在處理和傳遞信息時，都會進行一定程度的簡化和抽象，導致原始的豐富信息在層層傳遞中丟失，整體表現難以達到最優。
2022—2023年，以特斯拉FSD V12為代表的“端到端”模型橫空出世，顛覆了傳統范式。這種方案的靈感來自人類的學習方式：新手司機不是先學習光學原理再研究交通規則，而是通過觀察教練的操作直接學習駕駛。
端到端模型不再進行人為的模塊劃分，而是通過學習海量的人類駕駛數據，構建一個龐大的神經網絡，直接將傳感器輸入的原始數據映射到方向盤轉角、油門剎車等終端駕駛控制指令。
與模塊化算法不同，端到端模型全過程沒有信息損失、性能上限高，開發流程能進一步簡化，但也存在著難以溯源問題點的黑箱難題。一旦發生事故，系統是難以判斷哪個步驟出了錯、后續應該怎樣優化？
端到端的出現讓自動駕駛從規則驅動邁向了數據驅動。然而，它的“黑箱”特質讓許多更重視安全的車企望而卻步，海量訓練數據也只有擁有大規模車隊的公司才能支撐。
因此，行業內出現了折中的“顯式端到端”方案，即在端到端模型中保留可行駛區域、目標軌跡等中間輸出，試圖在性能與可解釋性之間找到平衡。
隨著AI發展，新的戰場在大模型內部開辟。這關乎自動駕駛的靈魂，它應該是輔助駕駛的思考者（VLM），還是執行者（VLA）？
VLM視覺語言模型信奉協同，更追求過程可控，也被稱為增強派。該路線認為AI大模型雖然強大，但幻覺在安全領域是致命的，應該讓它做自己最擅長的事（理解、解釋、推理），而把最終決策權交給經過數十年驗證的、可預測、可調試的傳統自動駕駛模塊。
VLA視覺語言動作模型信奉涌現，追求結果最優，被稱為端到端的終極形態。該流派主張只要模型足夠大、數據足夠多，AI就能自己從零開始學會駕駛的一切細節和規則，最終其駕駛能力會超越人類和基于規則的系統。
圍繞VLM與VLA的爭議就像模塊化和端到端方案辯論的延續。
VLA存在著難以溯源的黑箱困境。如果一輛VLA車發生了一次急剎車，工程師幾乎無法追溯原因。是因為它把陰影誤判為坑洞？還是它學到了某個人類司機的不良習慣？無法調試、無法驗證，這與汽車行業嚴格的功能安全標準是根本性沖突的。
而VLM系統整個過程可分解、可分析、可優化。如果遇到問題，工程師可以清晰地看到：傳統感知模塊看到了一個物體、VLM將其識別為“一個被風吹走的塑料袋”、規劃模塊因此決定“無需緊急剎車，輕微減速即可”。出了事故，責任清晰界定。
除了可解釋性上的兩極分化，訓練成本也是車企猶疑不決的原因之一。
VLA需要海量的“視頻－控制信號”配對數據，即輸入一段8攝像頭視頻，輸出同步的方向盤、油門、剎車信號。這種數據極其稀缺且制作成本高昂。
VLM本質是多模態大模型，可以利用互聯網規模的、豐富的“圖像－文本”配對數據進行預訓練，再用駕駛相關的數據微調。數據來源更廣，成本相對更低。
目前來看，VLM技術相對成熟，更容易落地，大部分主流車企和自動駕駛公司(包括Waymo、Cruise、華為、小鵬等)都走在 VLM路線上。而VLA路線的探索者則以特斯拉、吉利和理想為代表。據悉，吉利千里科技的千里浩瀚H9方案就采用了VLA大模型，具備更強的推理與決策能力，支持L3級智能駕駛解決方案。
回顧自動駕駛的流派之爭，我們發現這些技術爭論從未以一方完全勝出告終，而是在碰撞中相互融合，走向更高層次的統一。激光雷達與視覺正在融合為多模態感知系統；模塊化架構開始吸收端到端的優勢；大模型正在為所有系統注入認知智能。
而那些曾讓行業困惑的謎題，看起來似乎沒有標準答案，但最終都會成為技術迭代的注腳，推動自動駕駛繼續向前發展。
