世界模型与VLA模型在自动驾驶架构中的关系如何界定？

世界模型与VLA并非对立路线，而是可在部分架构中耦合的两个环节。VLA主要负责动作输出，即基于视觉输入和语言指令生成执行动作；世界模型主要负责环境预测，即预测后续状态如何演化。纯VLA如Physical Intelligence的π、智元GO-1、银河通用GraspVLA，通常是当前画面到动作的直接映射，中间不显式预测未来。

融合路线则在VLA上叠加先预测未来、再决定动作的能力。小鹏在CVPR 2026上表示，VLA和世界模型不是两种割裂技术，而是在特定架构中可以融合的两类能力；其物理世界基座模型同时承担向人类学习如何行动的VLA目标与向世界学习其如何变化的世界模型目标。在VLA的双系统路线中，System 2通常承担较慢但更稳健的规划功能，若需要预测未来并据此决策，则往往需要引入世界模型。

物理AI中世界模型与动作的结合方式可分为三种：松耦合作为数据工厂或仿真器，训练级融合作为闭环训练环境，架构级融合统一输出画面与动作。选择何种结合方式取决于场景对实时性、可解释性和安全验证的要求强度。