國內智慧駕駛的下一代架構之爭，正在從釋出會上的概念口號，走向論文與實測的交叉驗證。華為、蔚來被歸為“世界模型派”，小鵬、理想則主打“VLA”，但拆解七篇來自頭部車企的論文後會發現，真正的分歧並不在於“VLA還是世界模型”這個二元問題，而在於如何預演未來、需要保留多少細節，以及模型之外的車端算力、公開評測與本地合規等更現實的挑戰。

小鵬與理想的“VLA”標籤之下，內部其實都在做世界模型。 小鵬對外統一講VLA，但2026年上半年在arXiv上釋出的五份技術報告，署名來自預測式世界模型、生成式世界模型、人工智慧基礎設施和基座模型四支團隊。理想則在CVPR 2026上以口頭報告形式發表論文，研究世界模型，其第一段也承認學界至今沒有就世界模型形成統一定義。

論文之間的互相點名，暴露了技術路線的具體差異。 小米與華中科技大學合作的DriveLaW，直接批評Epona和DriveVLA-W0將生成與規劃拆開訓練，在視覺想象與動作選擇之間留下鴻溝。DriveVLA-W0的署名單位正是從華為車BU獨立出來的引望公司。引望與中科院自動化所合作的DynVLA，則批評視覺思維鏈因畫素級生成帶來冗餘和算力開銷，轉而採用“動力學思維鏈”。而視覺思維鏈恰是小鵬X-Mind的核心主張。小鵬X-Mind反過來認為，把世界模型串在策略模型之前會帶來難以接受的車端時延，並質疑用未來影像重建做輔助監督的訓練範式——後者與華為DriveVLA-W0的做法高度相似。理想的SparseWorld-TC則明確繞開VAE離散詞元和BEV中間表徵，認為BEV的顯式幾何約束會限制時空特徵的靈活互動，而小鵬X-Mind用來預演未來的“抽象草圖”底層正是BEV。

儘管批評激烈，但沒有任何一家否定“預測未來”本身。 X-Mind甚至直言，把預測式世界模型整合進自動駕駛已成為行業共識。真正的分歧在於預演未來要保留多少細節：小鵬押注“高度抽象”，把未來12幀壓縮成96個詞元，表達BEV佈局、導航意圖和交通規則；小米則主張影片生成器內部表徵本身就有價值，規劃器應直接使用這些表徵；理想選擇在隱空間中預測，而非生成真實影像；華為的DynVLA則用專門分詞器把未來演化壓進一組離散詞元，並拆分自車動力學與環境動力學。

模型之外，還有兩道更難解的題。 第一道是大模型能否在車上高效執行。蔚來智慧駕駛負責人任少卿指出，同等計算量下Transformer對記憶體頻寬的需求是CNN的8到70倍，蔚來神璣NX9031單顆頻寬超過500GB/s；理想在馬赫M100晶片論文中強調軟硬體協同的關鍵在於資料搬運，M100峰值頻寬為273GB/s。這兩個數字不能簡單比較晶片強弱，但說明競爭已從“能算多少”轉向“能否及時送數”。地平線則選擇與行業熱詞保持距離，其CVPR 2026入選的11篇論文中，沒有一篇直接研究世界模型或VLA，唯一一篇端到端規劃論文ResAD也讓模型學習相對慣性參考軌跡的偏差。地平線副總裁蘇箐曾表示，未來三年大機率是在現有系統上做極致最佳化，而非理論核心重構。

第二道題是能力能否被外界驗證。世界模型被各家公司描述為閉環模擬和強化學習的重要基礎，但CVPR 2026的WorldLens基準測試顯示，在閉環模擬中，預訓練規劃器在生成“世界”裡的路線完成率最高僅13.51%，最低6.89%，論文原話是“所有方法在閉環條件下都崩了”。不過WorldLens測的全是開源學術模型，不含任何一家的生產級模型，不能推論到量產車型。但值得追問的是，目前沒有哪家量產模型提交過公開、可橫向比較的閉環評測，外界看到的仍是各家公司自己的資料集和指標。

量產實測中，導航問題成為共同絆腳石。 2026年4月，復旦大學聯合清華AIR、中科院自動化所和滴滴的實驗顯示，刪除端到端模型的正確導航資訊甚至換成隨機轉向指令，綜合規劃成績幾乎沒有下降。媒體實測中，地平線HSD、智己LS8（搭載Momenta方案）、元戎啟行VLA版本以及理想VLA都出現過走錯路的情況。此外，本地合規也是難題，例如在德國測試小鵬VLA 2.0時，遇到拖著小拖車的腳踏車，測試車全程未超車，因為德國法規要求市區超越騎行者時橫向安全距離不小於1.5米。歐盟城區高階輔助駕駛法規UN R171 Series 02預計2026年底生效，小鵬希望成為首批獲批者之一。

綜合來看，國內智駕頭部公司的大方向正在靠攏，差異藏在未來表徵、車端效率和訓練方法裡。 但導航、公開評測和本地合規等更具體的問題還遠未解決。名字可以繼續變，最終決定勝負的，是車能不能把路走對。