纵观智能辅助驾驶技术的发展历程，人工智能的不断突破显著提升了智能辅助驾驶的感知性能。从卷积神经网络(CNN)的引入，到循环神经网络(RNN)的应用，再到结合鸟瞰图(BEV)与Transformer(自注意力机制的神经网络架构)的创新，再到当下的端到端结合VLM(视觉语言模型)统揽全局，AI不断改善出行体验。

时至今日，智能辅助驾驶技术和体验的变革，正在迎来更大的机遇，甚至将迅速改写以往的竞速规则。自今年开始，一种全新的技术范式正在开启落地，头部玩家有了爆款证明，引领行业跟进对齐，隐隐成为共识趋势。这种技术范式就是视觉语言动作模型(VLA，Vision-Language-Action)。

当特斯拉在2023年宣布FSD BetaV12(完全自动驾驶测试版)全面转向端到端架构时，行业首次意识到，传统“感知-决策-控制”的模块化体系正在遭遇颠覆。随着VLA模型的出现，将这场变革推向了更深维度——这种融合视觉、语言理解与行动决策的AI架构，拥有更高的场景推理能力与泛化能力，正在重新定义智能辅助驾驶的底层逻辑。据此，不少智驾人士都将VLA视为当下端到端方案的2.0版本，2025年则被称为“VLA上车元年”。

而在汽车制造方面，AI同样发挥着巨大作用。从辅助工人操作的智能提醒，到跨系统自动协同的智能执行，再到自主优化流程的智能进阶，AI正驱动汽车制造从传统的流水线，向高效协同、自主优化、数据驱动的“智能岛”范式跃迁。

VLA模型受推崇

事实上，VLA模型最早见于机器人行业，通过输入给定的文本和视觉数据，输出机器人可执行的动作，天然便带有AI与物理世界交互的基因。2023年7月28日，谷歌DeepMind推出了全球首个控制机器人的VLA模型。如今这一模型概念正快速扩散到智驾领域。

过去，智能辅助驾驶行业基于规则算法，进行了十余年的艰辛探索。近两年，特斯拉引领的End-to-End(端到端)智能辅助驾驶，成为新的技术方向。配合端到端技术，行业玩家增加语言模型等来提升智驾能力上限，端到端+VLM一度被众多主流公司推崇。

然而，随着越来越多新能源车型NOA(城区导航辅助驾驶)的普及，用户对智能辅助驾驶体验的需求正从“能用”转向“好用”。尽管传统VLM或端到端方案在感知与决策方面有了显著提升，但在复杂路况下仍存在局限，其中包括路况推理短视化、缺乏解释能力和决策全局性不足等问题。

但不同于VLM相对独立、低频地为端到端提供驾驶建议的模式，在VLA架构下，端到端与多模态大模型的结合会更彻底，VLA成为新一代“端到端+VLM”的结合体，并有望快速赶超并取代前者。

中国自动驾驶产业创新联盟调研员高超表示，VLA的核心突破在于其“世界模型”构建能力和“思维链”的推理能力。VLA可以从传感器数据中提取丰富的环境信息，借助语言模型理解人类指令并生成可解释的决策过程，最后将多模态信息转化为具体的驾驶操作指令，真正推动智能辅助驾驶从“功能时代”迈向“体验时代”。

“VLA有可能在未来两年内改写智能辅助驾驶市场的竞争格局。”在高超看来，VLA则将端到端与多模态大模型更彻底地融合，能够根据感知直接生成车辆的运动规划和决策，更接近“图像输入、控制输出”的端到端智驾理想状态，而由此带来的技术路线的分野也在引发产业链价值重估。

根据高盛最新报告，到2030年，VLA主导的端到端方案可能占据L4级市场60%份额，这意味着传统一级供应商(Tier1)的价值链地位面临重构。

电车巨头特斯拉成为这场变革的潜在受益者，这也在近期备受关注的一次测试成绩中得到体现。公司CEO埃隆·马斯克在2024年二季度财报会议上透露，FSDV12的干预频次较V11下降76%。

在此背景下，国内车企和智驾玩家也开始暗自发力。在7月29日举行的理想汽车发布会上，公司CEO李想动用大量篇幅，深入解读了VLA司机大模型的关键作用和创新训练方法。“VLA将开启人类智能的崭新时代，i8将成为第一款搭载VLA司机大模型的理想车型。”李想表示。

作为“车位到车位”的提出者，华为通过智驾3.0融合GOD(通用障碍物检测)网络与VLA模型，在无高精地图区域实现厘米级定位;百度Apollo则依托文心大模型，将VLA的交通场景理解准确率提升至98.7%。

为此，传统供应商巨头选择合纵连横，多线押注。博世与微软合作开发车用Copilot通用软件系统，试图将VLA能力注入现有域控制器;大陆集团则斥资4亿欧元收购AI初创公司Recogni，强化边缘计算端的视觉处理能力——“双轨战略”折射出行业过渡期的典型特征：既要守住现有市场份额，又不甘错过技术范式转移的窗口期。

“VLA引发的技术地震正在重塑智能辅助驾驶产业格局，这场变革的终局或许不是某条技术路线的完胜，而是催生出分层市场。”中国乘用车产业联盟秘书长张秀阳认为，VLA技术的应用不仅推动了企业在相关技术研发上的投入，还促使整个行业重新审视和制定相应的标准与规范。

张秀阳对中国证券报记者表示，在Robotaxi(无人驾驶出租车)领域，混合运营架构(有人+无人)可能长期共存;而在量产车市场，未来VLA模型有望成为高阶智驾的新标配。这不是单纯的技术竞赛，而是整个汽车和智能辅助驾驶行业认知范式和技术范式的迁移。“当软件定义汽车进入2.0时代，真正的较量才刚刚开始。”

AI助力汽车制造范式跃迁

智能辅助驾驶之外，AI对汽车行业的制造还体现在流程优化和智能制造上。

提到汽车制造，人们最先映入脑海的就是“冲压、焊装、涂装、总装”四大工艺流程，实际上在汽车工业百余年历史中，汽车制造方式并非一成不变，而是伴随着科技的进步始终在不断进化迭代。

记者观察到，传统汽车流水线模式弊端日益凸显，换产耗时长，产能爬坡慢，质量波动大，产能不达标，更加无法应对小批量、多批次的定制化订单。

神州数码首席信息官李晨龙在接受中国证券报记者采访时表示，传统的信息化建设，如上马MES(制造执行系统)、ERP(企业资源计划)等，往往是直接套用了系统的流程，导致当把一个个应用系统拼在一起的时候，就会发现企业端到端的流程并不能很好地在这些系统串起来。这种源于设计与执行的根源问题，使得流程中产生的数据质量难以保证，成为AI深度赋能制造的巨大障碍。

同时，汽车制造的复杂性和长价值链使得全面、自上而下的AI变革成本高昂，决策困难。李晨龙表示，面对这一挑战，“AI for Process”和“Twin-Drive(TD)双驱动模型”为汽车制造业提供了破局之道。对于拥有清晰数智化战略且具备一定基础的大型主机厂，可采用自顶向下的方法，保证AI应用场景的全面覆盖，避免出现场景遗漏或执行断点，确保各场景间形成有机串联，构建起完整的AI流程生态。

“以合作过的汽车客户实践为例，他们最多就是用到IPD流程(集成产品开发)。我们要做的是端到端地把整个IPD流程给详细解码出来。通过流程梳理，确保Agent(智能体)是在一套流程上工作。通过将IPD流程分解到更细层级的业务活动，并在其中精准定义AI场景。”李晨龙表示。

李晨龙告诉记者，汽车行业对AI for Process理念的接受度很高。“我们沟通达到一定层级的时候，企业的高层普遍非常认可。虽然全面铺开存在挑战，但聚焦关键流程或局部环节的AI赋能已经显现成效。”他预测，随着AI在制造流程中的渗透率不断提升。未来，哪家车企的AI渗透率更高，谁的发展就会更快。