8月7日，东吴证券发布了一篇汽车行业的有计划讲演，讲演指出，智能驾驶VLA的核心，是将视觉感知、言语判辨与动作决策整合进团结计策模子，并通过显式动作头弥合VLM4AD留住的动作生成缺口。从时代演进看，自动驾驶履历模块化活水线、端到端、VLM4AD再到VLA4AD：VLM能说明注解场景但难以平直生成可靠界限，VLA则进一步把动作手脚模子输出，使语义判辨与驾驶计策更轮廓耦合。

VLA4AD的核心架构频繁包括视觉编码器、言语处理器和动作解码器三部分。视觉编码器将录像头、激光雷达等异构传感输入回荡为隐层特征，并通过BEV、点云、体素等神态增强三维空间判辨；言语处理器引入预训诫大模子、LoRA或RAG等武艺注入驾驶学问；动作解码器再将交融后的多模态表征回荡为轨迹、界限量或动作token。

VLA4AD自己可归纳为被迫说明注解器、谋划相助者、援助动作生成器、推理核心四个阶段；主要挑战包括鲁棒性、及时性能、数据与标注、多模态对皆、多智能体协同和评测表率化。这意味着VLA并非单一固定架构，而是自动驾驶端到端阶梯向大模子、多模态和动作生成无间演进的总称。

厂商阶梯已出现互异化。Waymo EMMA以Gemini开首纯端到端，并将导航、情景、轨迹等援助到言语空间；梦想从E2E+VLM双系统升级至MindVLA援助架构，以3D高斯、MoE和扩散动作解码组织三维判辨、语义推理和轨迹生成；元帅启行以40B VLA基座建造Driver、Analyst、Critic三扮装；沉CoWorld-VLA则通过多人阳寰球模子Token构建谋划相干隐空间表征。

小鹏第二代VLA进一步弱化显式言语中间层，以原生多模态Tokenizer和视觉想维链直达动作，本体上趋近视觉—动作阶梯。由此可见，头部厂商在是否保留显式言语推理层上仍是分化：一类强调言语手脚慢想考和可说明注解核心，另一类强调隐式视觉表征和动作直出。后续竞争将团结在及时性、数据闭环、评测口径和量产可靠性。

咱们以为，数字AI底座模子发展旅途已大约明晰、价值在于细目性，但其难以已毕物理寰球的建模闭环；咱们以为物理AI将成为物理寰球的AI惩办有诡计，从而在AI确面前发展阶段成为增量更大的场所，智能驾驶手脚滥觞跑通闭环的代表场景，咱们以为应要点柔和。

风险指示：时代迭代不足预期的风险，大模子厂商 ARR 增速放缓的风险开云入口，云职业商成本开支不足预期的风险，智能驾驶及机器东说念主买卖化落地不足预期的风险。