2026年1月21日
Last updated on

小鹏 VLA 2.0 站上牌桌，但离 FSD 还很远

作者：

我的立场比以前更明确了：VLA 不是纯概念了，但也远没到大家都已经做成的程度。

如果把标准放严一点，不看发布会里的架构图，也不看论文里的 benchmark，只看真实道路、真实用户、真实接管压力下能不能持续迭代，那我觉得现在能放在一个篮子里讨论的，主要就是两个样本：Tesla FSD 和小鹏 VLA 2.0。

但放在一个篮子里，不代表成熟度一样。FSD 更像已经跑过很多轮战争的系统，小鹏 VLA 2.0 更像刚把新一代武器推上前线。它很重要，也值得认真看，但离 FSD 的数据闭环、用户规模和长尾验证，还有很长一段路。

我看到小鹏 VLA 2.0 的时候，第一反应不是兴奋，而是有点恍惚。它让我想起以前在小鹏那段高压时间。外面看到的是 demo、发布会和几句口号，里面压着的是每一次接管、每一版策略、每一个体验问题背后的责任。

Tesla FSD 与小鹏 VLA 2.0 工程对比

VLA 架构示意

不是所有端到端都叫 VLA

如果说具身智能领域，答案是有一些能玩的。比如 OpenVLA，7B 参数，主要面向机器人操作，输入图像和指令，输出机器人动作。它能跑，也有不少人基于它微调。

但如果问题限定在自动驾驶，我的答案会保守很多：没有一个我愿意称为开源稳定、可直接拿来跑车的模型。

现在最接近的应该是 NVIDIA Alpamayo。英伟达把它定位成面向自动驾驶的 open VLA family，包含模型、仿真和数据集，Alpamayo 1.5 也开放了 GitHub / Hugging Face 入口。这个很重要，说明自动驾驶 VLA 不再只是论文图。

但它仍然更像研究工具，不是量产方案。能在数据集和仿真里跑，不等于能在城市道路上替你兜底。自动驾驶最麻烦的地方从来不是 demo，而是出错之后谁负责，以及怎么证明它不会在极低概率场景里犯蠢。

真正能放进一个篮子的两个样本

我不太想用“同一张桌子”这种说法，听起来太像咨询报告。更朴素一点说，就是先放进一个篮子里看：谁真的在把感知、语言理解、驾驶动作、数据回灌和车端部署往一条链路里拧。

按这个标准，Tesla FSD 和小鹏 VLA 2.0 是现在最值得一起看的两个样本。FSD 的优势在于它已经被大量真实用户长期使用，哪怕它仍然明确要求驾驶员监督，但它承受过的真实道路压力、版本迭代压力和长尾压力，是大多数方案没有经历过的。

小鹏 VLA 2.0 的意义在另一边。按照小鹏自己的说法，它走的是 Vision-Implicit Token-Action 路径，想绕开传统 V-L-A 里先转成语言再生成动作的中间层。这个说法当然带着发布会包装，但方向上很清楚：国内厂商里确实有人不满足于继续堆模块，而是在尝试把视觉、驾驶知识和动作重新组织起来。

只是我不愿意把“小鹏已经发布 VLA 2.0”直接翻译成“小鹏已经追上 FSD”。这中间差的不是一个模型名字，而是几年的道路数据、用户里程、接管回灌、仿真体系和组织耐压能力。

VLA 当前最吃什么

先说一句不好听的：VLA 当前最依赖的不是模型结构，而是数据。

自动驾驶的 VLA 要学的不是图片里有什么，而是这个场景下一秒该不该动、该怎么动、为什么这么动。这需要大量真实驾驶数据、驾驶员接管数据、长尾危险场景、地图和交通规则，也需要闭环仿真把模型放回环境里反复折腾。

World model 能不能帮忙？能，但我不认为它能凭空变出驾驶能力。DriveVLA-W0 这类工作已经在尝试用 world model 预测未来图像，给 VLA 提供更密的训练信号。这个方向是对的，因为只用稀疏的方向盘、油门、轨迹点去监督一个大模型，太浪费模型容量。

但 world model 更像数据放大器，不是数据替代品。它可以生成未来、补充监督、做仿真压力测试，可是它自己也要从真实世界学。如果真实数据里没有足够多的中国式电瓶车、加塞、临停、施工围挡、奇怪标线，world model 也很难自己悟出来。

特斯拉这块最有意思。2025 年 FSD 在中国开始放出部分能力后，马斯克在 X 上说过，他们用了中国道路和标志的公开视频，在仿真里训练。这个说法挺关键，它说明 Tesla 确实在绕开中国训练数据不能出境这个问题。

但我没有看到可信公开信息能证明：FSD 是通过某个 world model 把北美能力完整迁移到中国。更合理的说法是，北美训练出来的底座能力可以迁移一部分，中国场景再靠公开视频、仿真和后续本地数据继续补。这里不是魔法迁移，还是数据、仿真、规则和工程优化的混合体。

差距主要不在 PPT 上

我现在对 VLA 的判断是：方向成立，量产困难，短期会被包装成各种端到端大模型卖给市场。

真正的差距不在 PPT 上。PPT 可以把感知、预测、规划、控制画成一条漂亮的箭头，但车开到路上以后，问题会变得很脏。它什么时候会错，错了以后能不能被发现，发现以后能不能稳定复现，复现以后下一版是不是真的修掉，这些才是工程真相。

闭环安全是第一关。开环 benchmark 再好看，也不能证明车在真实交通里不会越跑越偏。车是动态系统，模型一个小错会改变下一帧输入，错误会滚起来。

长尾数据是第二关。自动驾驶不是刷常规路况，真正要命的是小概率场景。突然横穿的人、逆行电动车、夜间施工、警察手势、临时交通管制，这些很难靠普通数据均匀覆盖。

实时性是第三关。VLA 要看图、读导航、理解规则、输出动作，还要给出可解释理由。车端芯片和控制频率不会因为模型很酷就迁就它，最后大概率还是要分层：大模型做意图和语义，小模型或传统控制做底层稳定。

验证是第四关。传统模块虽然笨，但边界相对清楚。VLA 的问题是能力很强，边界很糊。它能解释，不代表解释就是真的；它能规划，不代表每次规划都可控。

所以我不反对 VLA，相反我觉得它大概率会进入自动驾驶主链路。但它不会以一个大模型端到端接管车辆的浪漫方式落地。更现实的路径，是先进入数据挖掘、仿真生成、corner case 理解、驾驶策略候选生成，再慢慢往在线决策里渗透。

这也是小鹏 VLA 2.0 让我有复杂感受的地方。它确实站到了该站的位置上，可这条路最难的部分才刚开始。FSD 也不是神，但它已经在更大的真实压力里滚了很多轮。小鹏要追的不是一个发布会概念，而是那套把问题不断压回数据、仿真、训练、验证和量产版本里的机器。

如果你现在问我 VLA 能不能落地，我会说能。但不是宣传稿里那种落地。它落地的时候，应该会带着很多灰尘、返工、争吵和深夜版本。这个判断，可能比模型结构本身更接近我理解的自动驾驶。

参考