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。VLM 通过视觉编码器和模态对齐模块实现多模态统一建模；VLA 则进一步将能力迁移至具身智能，通过离散动作 token 化、连续动作生成或双系统（快慢系统）架构实现物理世界的动作输出。文中详细对比了离散动作路线与连续动作生成路线的优劣，并分析了双系统架构与 JEPA 架构在底层逻辑上的区别。在应用方面，自动驾驶头部企业已基本切换至 VLA 架构，目前的趋势是探索移除模型中的语言（L）部分，以强化视觉到动作的直接映射。