李想聊到了 VLA ，有一个很深刻的观点。
★VLA 会成为下一代智能汽车竞争的基座模型。
（VLA：视觉-语言-动作模型）
这种竞争类似于手机时代，当发展到一定程度的时候，硬件反而大部分由供应商解决，而手机厂商需要有大型软件的能力，比如手机有操作系统、云服务和应用商店。
而作为智能汽车时代的竞争，也需要有大型软件的能力，也就是发展自己的基座大模型。
★有同学应该会问，那基座模型不是通用的吗？
比如大家现在车上都有的很多语言模型能力？
其实基座模型在解决一些通用能力很好，但进入专业领域完全没有能力。而好的数据只有头部车企才有，也最懂得怎么获得，同时也不会公开。
比如现在大家的端到端智驾大模型，大家训练出来的体验各有差异，体验也参差不齐。
★VLA 是一个重要分水岭
在 VLA 之前，理想有两个基座模型，一个是智能驾驶为代表的空间智能（E2E），一个是以座舱语言模型为代表的语言智能（VLM）。
但这两个基座模型，现阶段来看是相对独立的。
比如 VLM 就是语言智能的产物，它能看懂公交车道、潮汐车道甚至能辨认出交警手势。但这些其实都是靠大量二维图片训练出来的，系统不知道这个交警离我多远，没有空间意识，不具备有三维空间的能力。
所以 VLM 只能给端到端的智驾能力提供一些交流互动，也会有延迟。
而 VLA 就是将两者合二为一。就是用一套大脑系统既能处理语言，也能处理图像，并且处理图像的时候，有人一样的三维向量空间的能力，能调用自己的行动。同时 VLA 也有自己的记忆逻辑，具备有延续性。
这时候基座模型会迎来一个重大的分水岭。
比如空间智能迎来了 L4，语言智能迎来了新的Agent智能体，变成了一个更大超模型能力…
