汽车行业深度报告：AI系列深度09期：从LLM到VLM再到VLA意味着什么？

AI系列深度09期：从LLM到VLM再到VLA意味着什么？

核心观点与概念界定

LLM（大语言模型）、VLM（视觉语言模型）和VLA（视觉语言动作模型）代表大模型能力从文本处理、视觉理解到物理行动的递进。三者存在继承关系，但核心机制各异：

• LLM：以文本为输入输出，解决语言理解、生成和推理，核心机制为自回归预训练与Transformer架构。
• VLM：在语言底座上加入视觉理解，使图像和文字在同一语义空间交互，核心机制为视觉编码、模态对齐与语言推理。
• VLA：进一步把动作作为输出模态，使模型能够驱动机器人或车辆在物理世界中行动，核心机制为动作表征、连续生成与系统分工。

技术脉络与演进路径

数据与表征难度逐级抬升

• LLM：依赖文本语料，通过海量文本和自监督训练形成语言基础模型。
• VLM：增加图文对齐、视觉编码器和模态投影，难度高于LLM。
• VLA：需要机器人示教、遥操作轨迹、动作反馈和真实环境数据，难度最高，动作输出会改变物理世界。

应用边界与场景

• LLM：主要处理知识、代码、对话和软件任务。
• VLM：扩展到图像理解、图文问答、视觉检索和多模态交互。
• VLA：进入机器人、自动驾驶和具身执行，需处理实时性、安全性和物理反馈。

代表性模型与公司

• LLM：GPT系列、BERT系列、InstructGPT等，公司包括OpenAI、Google、Meta等。
• VLM：CLIP、Flamingo、BLIP-2、LLaVA、GPT-4V等，公司包括Google、Physical Intelligence、NVIDIA等。
• VLA：RT-2、π0、NVIDIA GR00T N1、智元GO-1等，公司包括Google、Physical Intelligence、NVIDIA、Figure等。

产业映射与竞争格局

• 海外：OpenAI、Google、Meta、Anthropic等主导LLM/VLM，Google、Physical Intelligence、NVIDIA、Figure等布局VLA和机器人。
• 国内：DeepSeek、阿里、字节、百度、腾讯、智谱等布局LLM/VLM，智元、银河通用等聚焦VLA与机器人本体。
• 竞争核心：从模型能力延伸到数据、硬件、动作控制与场景闭环。

研究结论

• 数字AI底座模型发展路径清晰，但难以实现物理世界的建模闭环。
• 物理AI将成为物理世界的AI解决方案，智能驾驶作为最先跑通闭环的代表场景，应重点关注。

风险提示

• 技术迭代不及预期的风险。
• 大模型厂商ARR增速放缓的风险。
• 云服务商资本开支不及预期的风险。
• 智能驾驶及机器人商业化落地不及预期的风险。