VLA量产落地：零跑D19 OTA揭示端到端智驾的务实路线

这篇文章最有价值的信息是，零跑D19的城市领航辅助VLA首次OTA，意味着Vision-Language-Action（视觉-语言-动作）端到端模型正式进入量产车用户手中，这可能是中国智驾从“规则堆叠”走向“数据驱动”的一个关键节点。

过去两年，智驾产业一直存在两条技术路径的争论。一条是传统模块化路线：感知、预测、规划、控制各自独立，依赖人工规则与地图先验，代表如Mobileye、早期博世以及部分国内方案商的“重高精地图+规则决策”架构。另一条是端到端路线：用一个神经网络把视觉输入直接映射到控制指令，完全由数据驱动，代表如特斯拉FSD Beta V12、Wayve的GAIA。零跑这次推送的VLA，本质上属于后者，但它的落地方式与特斯拉存在显著差异。

零跑官方描述：“更安全通行：主动执行防御性减速，规避风险；更高效通行：支持大型十字路口进入直行待行区；更舒适通行：……”

从这些特性看，零跑VLA并非简单复用特斯拉的“纯视觉+端到端”配方。特斯拉的FSD端到端是一个巨大的单一模型，输入8个摄像头视频，输出方向盘转角、油门刹车等底层控制信号，中间没有显式模块，也被称为“黑箱”模型。而零跑VLA走的是“分层端到端”：视觉语言模型（VLM）负责理解场景并生成语义描述，动作模型（Actor）根据语义描述生成具体轨迹，两者通过语言token桥接。这种设计的好处是保留了可解释性——工程师可以干预VLM输出的语义，比如“前方有施工区域，减速”，从而在长尾场景中更容易调试。

这引出一个对比维度：数据效率 vs 泛化能力。特斯拉的单一黑箱模型需要海量驾驶数据（百万英里级）才能收敛，且一旦遇到训练分布外的场景，行为可能完全不可预测。零跑的VLA通过引入语言先验，相当于给模型加了一层“常识约束”，使得在数据量相对有限（零跑年销量约30万辆，数据积累远不及特斯拉）的情况下，也能较快达到可用的安全水平。当然，代价是天花板可能不如纯端到端高——因为语言token压缩了信息，某些精细操作（如避障时的毫厘级转向）可能被量化误差削弱。

对比另一家国内厂商——华为ADS 3.0。华为走的是“GOD网络（通用障碍物检测）+ 规则决策”的混合路线，感知部分用端到端网络，决策部分保留大量人工规则，强调“安全冗余”。零跑VLA则把决策层也神经网络化，减少了对规则工程师的依赖。从架构演进看，华为是“感知端到端+决策规则化”，零跑是“感知+决策端到端但保留语言中间层”，特斯拉是“完全端到端”。这三者代表了三种不同的技术哲学：华为重安全与确定性，零重视效率与迭代速度，特斯拉重极限性能。

图片中展示的应是一个典型的城市十字路口场景，这正是VLA面临的核心挑战。零跑特别提及“支持大型十字路口进入直行待行区”，这个细节值得注意。传统规则式方案需要预先定义“待行区”的几何形状，且依赖高精度地图标注。VLA端到端模型则通过大量类似场景的驾驶数据，隐式学会了“当正前方红灯、左转绿灯时，车辆可以缓慢进入待行区等待”的交互逻辑。但问题是，如果遇到一个没有待行区标线但其他车辆都在等待的模糊场景，VLA能否正确响应？这取决于训练数据中是否覆盖了足够的“隐式待行区”案例。零跑强调

原文链接：https://www.ithome.com/0/981/360.htm