Momenta CEO 曹旭东今天在大众ID.ERA 9X发布会后的媒体群访中回答 VLA 的问题，他从直觉和技术两方面做了解答:

这个非常好的问题啊，其实这个关于VLA，去年已经说过很多次了。

就VLA的话，有可能能work，但即使能work的话，那也是锦上添花，对于整个智驾系统的提升，不会那么大。

但是强化学习和世界模型，都能够把性能实现十倍百倍的提升，进而达到人类的安全性，甚至超越人类的安全性的水平。

这背后的底层逻辑是什么呢？

就是当前的这个VLA，我先说说直觉吧，先不讲技术，直觉上，我们可以拿人类司机来类比。

现在的语言模型，其实啥都能干，说中文也行，说英文也行，做数学题也行，编程也行。

但实际上你会发现，开好车这件事情，不需要这个人会写代码，也不需要这个人会说一口流利的英语，或者会写唐诗。

他只需要对各种各样的驾驶的安全场景，有很好的判断，也就是说对物理世界的规律有很好的理解，并且能够做出及时的反应，这是最重要的。

那也就是说，对于这些极限的场景，首先要见过，要有预判，并且能够锻炼出很好的肌肉记忆。

而这个能力刚好是世界模型具备的，因为它能学习到物理规律，而强化学习又能收集到大量的极限场景，

然后反复地锻炼它的肌肉记忆，让它知道在最危险的情况下，肌肉记忆怎么处理更安全、更安心，对吧？

而VLA这个模型，会写很多代码，会背很多诗，会说很流利的法语，这些对于开车有多大帮助呢？

这就是直觉上的道理。

再说说技术上的道理，就稍微有点技术了。

现在整个VLA的训练方式，是先训练大语言模型，而大语言模型的参数量，一般可能100B左右。

然后，再通过视觉往语言去对齐，之后再是行动往视觉和语言去对齐。

你会发现整个VLA的训练，优先级并不是侧重于驾驶的任务，还是侧重于其他方面。

那也就是说大量的参数其实没有用在开车这件事上，就是好钢没有用在刀刃上。

这就是为什么我们从VLA这个概念刚提出来的时候，就判断VLA在自动驾驶上产生的作用，可能最多是锦上添花，很难雪中送炭。

对，这是关于这个问题的回答。大众9X首发MomentaR7世界模型新能源大牛说自动驾驶