自动驾驶范式演进 - 行业主流从端到端转向VLA（Vision-Language-Action）和世界模型-行为（World Action）两大流派，理想和小鹏完成VLA范式转变，华为和蔚来聚焦直接建模视觉信息到Action输出 [2][3] - 端到端网络通过原始传感器输入直接映射控制量，省去传统感知-预测-规划-控制级联链路，采用高并行低耦合设计，通过数据采集→模型训练→仿真/实车验证闭环实现 [4][5] - 特斯拉提出"日更模型"解决迭代痛点：每日筛选bad case转为训练样本，轻量级微调上一版本模型，实现7×24持续进化，核心挑战是保持既有能力同时无缝注入新知识 [9] 技术融合与创新 - 2023年端到端+VLM（Vision-Language Model）双系统方案兴起，受LLM Scaling Law启示，参数量与数据量放大带来zero-shot/few-shot泛化能力 [11] - VLM早期解决特殊语义识别（如OCR识别公交车道文字、潮汐车道箭头），EMMA架构引入链式推理，用自然语言思考过程辅助控车，推动VLA发展 [12] - VLA+Diffusion融合DiffusionDrive与GoalFlow思想，VLA显式输出Driving Command作为Diffusion初始噪声和条件，最终生成安全平滑车辆轨迹 [14][15][16] 当前挑战与问题 - Diffusion多模态轨迹输出不及预期，开放道路环境数据稀疏且分布不均衡，可控性远逊预期，难以覆盖万景万态 [6][18] - VLA和Diffusion双系统存在脑裂问题，两个大脑学习人驾轨迹可能产生矛盾，虽联合训练但仍存在VLA错误时Diffusion自行弥补导致分歧 [18] - 生成加打分范式对生成器效率要求高，单模态轨迹质量不佳，有限计算资源难以生成覆盖全场景的安全合理轨迹 [18] - 语言模态（L）价值未定，可能产生不可接受幻觉，LA对齐挑战大，需将抽象语言精准映射到三维空间关系 [18] 未来发展方向 - 需要能够scaling的系统方案，双系统不适合scaling，应充分发挥数据优势触发模型scaling能力 [22] - 强化学习需加强基础模型能力，连续空间内自由度太高难调优，轨迹模型建模形式需重新设计 [22] - 生成+打分范式需让轨迹自我反思，DiffusionPlanner用奖励场函数二次优化只是起点，需迭代更多反思手段提升单条轨迹质量 [22]