从 LLM 到 VLM 再到 VLA 的具身智能架构演进与自动驾驶应用趋势

本文探讨了从大语言模型（LLM）到视觉语言模型（VLM）再到视觉语言动作模型（VLA）的技术演进路径及其在具身智能和自动驾驶中的应用。VLM 通过视觉编码器和模态对齐将视觉特征转化为 token，实现多模态统一建模；VLA 则将 VLM 能力迁移至物理世界，实现动作输出，主要技术路线包括离散动作 token 化、连续动作生成以及双系统（快慢系统）架构。其中，离散化路线复用 LLM 序列建模但精度较低，连续生成更适合高频精细控制，而双系统架构实现了任务意图与实时控制的分离。在自动驾驶领域，头部企业已基本切换至 VLA 架构，且存在移除语言（L）部分以强化视觉到动作直接映射的趋势。