东吴证券：汽车行业深度报告：AI系列深度22期：智能驾驶VLA模型的架构范式与厂商路线

投资要点 智能驾驶VLA的核心，是将视觉感知、语言理解与动作决策整合进同一策略模型，并通过显式动作头弥合VLM4AD留下的动作生成缺口。从技术演进看，自动驾驶经历模块化流水线、端到端、VLM4AD再到VLA4AD：VLM能解释场景但难以直接生成可靠控制，VLA则进一步把动作作为模型输出，使语义理解与驾驶策略更紧密耦合。 VLA4AD的核心架构通常包括视觉编码器、语言处理器和动作解码器三部分。视觉编码器将摄像头、激光雷达等异构传感输入转化为隐层特征，并通过BEV、点云、体素等方式增强三维空间理解；语言处理器引入预训练大模型、LoRA或RAG等方法注入驾驶知识；动作解码器再将融合后的多模态表征转化为轨迹、控制量或动作token。 VLA4AD自身可归纳为被动解释器、规划协作者、统一动作生成器、推理中枢四个阶段；主要挑战包括鲁棒性、实时性能、数据与标注、多模态对齐、多智能体协同和评测标准化。这意味着VLA并非单一固定架构，而是自动驾驶端到端路线向大模型、多模态和动作生成继续演进的总称。 厂商路线已出现差异化。WaymoEMMA以Gemini驱动纯端到端，并将导航、状态、轨迹等统一到语言空间；