国内智能驾驶的下一代架构之争，正在从发布会上的概念口号，走向论文与实测的交叉验证。华为、蔚来被归为“世界模型派”，小鹏、理想则主打“VLA”，但拆解七篇来自头部车企的论文后会发现，真正的分歧并不在于“VLA还是世界模型”这个二元问题，而在于如何预演未来、需要保留多少细节，以及模型之外的车端算力、公开评测与本地合规等更现实的挑战。

小鹏与理想的“VLA”标签之下，内部其实都在做世界模型。 小鹏对外统一讲VLA，但2026年上半年在arXiv上发布的五份技术报告，署名来自预测式世界模型、生成式世界模型、人工智能基础设施和基座模型四支团队。理想则在CVPR 2026上以口头报告形式发表论文，研究世界模型，其第一段也承认学界至今没有就世界模型形成统一定义。

论文之间的互相点名，暴露了技术路线的具体差异。 小米与华中科技大学合作的DriveLaW，直接批评Epona和DriveVLA-W0将生成与规划拆开训练，在视觉想象与动作选择之间留下鸿沟。DriveVLA-W0的署名单位正是从华为车BU独立出来的引望公司。引望与中科院自动化所合作的DynVLA，则批评视觉思维链因像素级生成带来冗余和算力开销，转而采用“动力学思维链”。而视觉思维链恰是小鹏X-Mind的核心主张。小鹏X-Mind反过来认为，把世界模型串在策略模型之前会带来难以接受的车端时延，并质疑用未来图像重建做辅助监督的训练范式——后者与华为DriveVLA-W0的做法高度相似。理想的SparseWorld-TC则明确绕开VAE离散词元和BEV中间表征，认为BEV的显式几何约束会限制时空特征的灵活交互，而小鹏X-Mind用来预演未来的“抽象草图”底层正是BEV。

尽管批评激烈，但没有任何一家否定“预测未来”本身。 X-Mind甚至直言，把预测式世界模型整合进自动驾驶已成为行业共识。真正的分歧在于预演未来要保留多少细节：小鹏押注“高度抽象”，把未来12帧压缩成96个词元，表达BEV布局、导航意图和交通规则；小米则主张视频生成器内部表征本身就有价值，规划器应直接使用这些表征；理想选择在隐空间中预测，而非生成真实图像；华为的DynVLA则用专门分词器把未来演化压进一组离散词元，并拆分自车动力学与环境动力学。

模型之外，还有两道更难解的题。 第一道是大模型能否在车上高效运行。蔚来智能驾驶负责人任少卿指出，同等计算量下Transformer对内存带宽的需求是CNN的8到70倍，蔚来神玑NX9031单颗带宽超过500GB/s；理想在马赫M100芯片论文中强调软硬件协同的关键在于数据搬运，M100峰值带宽为273GB/s。这两个数字不能简单比较芯片强弱，但说明竞争已从“能算多少”转向“能否及时送数”。地平线则选择与行业热词保持距离，其CVPR 2026入选的11篇论文中，没有一篇直接研究世界模型或VLA，唯一一篇端到端规划论文ResAD也让模型学习相对惯性参考轨迹的偏差。地平线副总裁苏箐曾表示，未来三年大概率是在现有系统上做极致优化，而非理论内核重构。

第二道题是能力能否被外界验证。世界模型被各家公司描述为闭环仿真和强化学习的重要基础，但CVPR 2026的WorldLens基准测试显示，在闭环仿真中，预训练规划器在生成“世界”里的路线完成率最高仅13.51%，最低6.89%，论文原话是“所有方法在闭环条件下都崩了”。不过WorldLens测的全是开源学术模型，不含任何一家的生产级模型，不能推论到量产车型。但值得追问的是，目前没有哪家量产模型提交过公开、可横向比较的闭环评测，外界看到的仍是各家公司自己的数据集和指标。

量产实测中，导航问题成为共同绊脚石。 2026年4月，复旦大学联合清华AIR、中科院自动化所和滴滴的实验显示，删除端到端模型的正确导航信息甚至换成随机转向指令，综合规划成绩几乎没有下降。媒体实测中，地平线HSD、智己LS8（搭载Momenta方案）、元戎启行VLA版本以及理想VLA都出现过走错路的情况。此外，本地合规也是难题，例如在德国测试小鹏VLA 2.0时，遇到拖着小拖车的自行车，测试车全程未超车，因为德国法规要求市区超越骑行者时横向安全距离不小于1.5米。欧盟城区高阶辅助驾驶法规UN R171 Series 02预计2026年底生效，小鹏希望成为首批获批者之一。

综合来看，国内智驾头部公司的大方向正在靠拢，差异藏在未来表征、车端效率和训练方法里。 但导航、公开评测和本地合规等更具体的问题还远未解决。名字可以继续变，最终决定胜负的，是车能不能把路走对。