晚上的时候看到了晚点团队采访蔚来任少卿的文章，把里面关于VLA和WA的观点提炼出来分享给大 家。 晚点团队原文链接： 任少卿的智驾非共识：世界模型、长时序智能体与 "变态" 工程主义 任少卿认为智能驾驶真正的上限在世界模型，即以视频为核心，通过跨模态的互相预测和重建，让 系统学习时空和物理规律，再叠加语言层去交互与注入知识，让机器能像人一样理解环境。 世界模型解决的是 时空认知 ，语言模型解决的是 概念认知 。语言模型低带宽和稀疏性 无法真正有 效的建模真实世界的四维时空（时间+空间）。 世界模型的认知包含两个层面： 但VLA本质还是语言模型的模态扩展。 这些扩展虽然加入了新模态，但 "根" 依然在语言模型上。它 像是在原有的语言体系上不断 "加模态"。 但世界模型不是 "语言加法"，而是要建立一套高带宽的认知系统。因为语言通道的带宽太低了。人 类如果没有眼睛，只靠嘴和耳朵交流，效率会有多低？眼睛带来的视觉带宽就大得多。世界模型要 直接在视频端建立能力，而不是先转成语言。 现在的智驾系统，你和它的交互都还是闭集的。而自动驾驶的终极目标是通过 Open-set（开放集指 令交互） 智能引擎实现真正的开放式交互。 ...