"VLA是一个像人类司机一样工作的司机大模型。"5月7日晚，理想汽车CEO李想在AI Talk中说道。 这是智能驾驶行业继"端到端"之后，出现的最新技术方向。 VLA（Vision-Language-Action，视觉语言动作）模型，最早由谷歌AI公司Deepmind推出，主要用于机 器人领域，随后逐渐成为具身智能领域的主流技术范式与框架，Open AI、字节跳动等公司都在践行这 个路线。 与ChatGPT、Sora等注重文本、图像与视频的视觉语言模型（VLM）不同，VLA在前者的基础上，新增 了与物理世界交互的"动作"能力。 换句话说，VLA不仅理解周围环境，还能直接输出控制指令，如机器人动作或车辆驾驶决策等。智能 驾驶、具身智能两大热门赛道也因此有了更深刻的交汇。 VLA、强化学习等新技术落地，正在带来新的思路。 例如，VLA（视觉语言动作）模型中的VLM（视觉语言模型），本身就具备了认识世界的能力。"VLM 的性能决定VLA超过一半的性能，VLA大部分工作其实就是在VLM上做增强。"刘方表示。 除了具备看图说话、能感知距离之外，VLA更关键的一步，是最后的动作环节。"好比买家具回来组 装，首先读一下说明 ...