西南证券研报将VLA（视觉-语言-动作模型）定位为自动驾驶端到端2.0版本的终极形态【20†L4-L6】。随着VLM技术逐渐量产上车，VLA正成为2025年头部车企竞逐的焦点【20†L4-L5】。小鹏计划2025年Q3在G7等新车型交付全车端VLA【20†L18-L19】；理想MindVLA计划2025年Q3发布【20†L19-L20】；长城汽车搭载元戎启行VLA方案的5款车型2025年Q3交付【20†L21-L22】。Waymo于2024年10月推出了首个基于端到端的自动驾驶多模态模型EMMA【20†L6-L7】。

VLA（Vision-Language-Action Model，视觉-语言-动作模型）是多模态模型的最新演进形态。VLM（视觉语言模型）能够理解和处理视频、图像和文本等多模态输入并转化为语言输出，但无法执行动作【19†L6-L8】。VLA可视为VLM的升级版，相较于VLM能够执行动作且拥有更强的推理能力与泛化能力【20†L4-L6】。

VLA模型最早见于机器人行业——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RT-2【20†L6-L7】。2024年10月底，Waymo推出了首个基于端到端的自动驾驶多模态模型EMMA【20†L7】。VLA模型将感知、决策、规划整合为单一的多模态基础模型，是端到端算法的重要升级方向。

VLA模型的诞生源于传统端到端算法的固有缺陷【17†L16-L18】。传统端到端面临两大问题：一是未知的长尾场景无法避免——并非所有长尾场景都在历史上发生过，未发生的事件无法作为数据训练模型【17†L8-L10】；二是规则不明确的长尾场景无法解决，如潮汐车道、模糊的交通指示牌等【17†L11-L12】。

为解决这些问题，头部企业开始推进“生成式AI技术+端到端算法”的升级路线【17†L6-L7】。特斯拉的World Model本质是视频生成模型，通过预测未来场景辅助决策【17†L8-L9】。VLM（如理想DriveVLM）是多模态模型，理解交通语言但无法生成动作【17†L9-L10】。VLA在此基础上进一步融合了动作执行能力，使模型能够直接输出控制信号【20†L4-L6】。

2025年，VLA模型从实验室走向量产车，头部车企的量产时间表已经明确【20†L18-L23】：

小鹏汽车：全车端VLA（自研），搭载于G7等新车型，2025年Q3交付，6月已发布【20†L18-L19】。

理想汽车：MindVLA（自研），搭载于理想i8，2025年Q3发布，7月发布【20†L19-L20】。

长城汽车：元戎启行VLA方案，5款车型搭载VLA模型（包括长城“猎鹰900”、Smart精灵等），2025年Q3交付【20†L21-L22】。

吉利极氪：Waymo EMMA模型，Robotaxi专属车型，2025年下半年【20†L22-L23】。

奇瑞汽车：华为ADS 4.0+VLA方案，星途ET，2025年底交付【20†L23】。

VLA模型的量产落地将对自动驾驶行业产生深远影响。从技术层面看，VLA模型拥有更强的推理能力与泛化能力，能够更好地应对未知的长尾场景【20†L4-L6】。从产业层面看，VLA模型的竞争将加速行业洗牌——具备全栈自研能力的车企（如小鹏、理想）和技术方案供应商（如华为、元戎启行）将在VLA时代占据先机【20†L18-L23】。

从投资角度看，VLA模型的量产落地将利好三类企业：全栈自研车企（掌握VLA核心算法）、技术方案供应商（向车企提供VLA解决方案）、算力基础设施（VLA模型训练需要大量算力支持）。西南证券认为，当AI发展到通用人工智能的时候，完全无人的L5级别自动驾驶也将能够实现【21†L16】。

表4：2025年VLA技术方案主要玩家及量产时间

车企	VLA技术方案	供应商	量产车型	预计交付时间
小鹏汽车	全车端VLA	自研	G7等新车型	2025年Q3
理想汽车	MindVLA	自研	理想i8	2025年Q3
长城汽车	元戎启行VLA方案	元戎启行	猎鹰900、Smart精灵等5款	2025年Q3
吉利极氪	Waymo EMMA模型	Waymo	Robotaxi专属车型	2025年下半年
奇瑞汽车	华为ADS 4.0+VLA方案	华为	星途ET	2025年底