刘先明的Workshop，是最近一年来，我听过最好的自动驾驶讲演。他能用最简单的语言，把清晰的逻辑，做最准确的表达。

大家关心第二代VLA中，“L”的问题，是当天媒体提问最多的。我也问了，并且尝试换了个提问角度，他的回答很清楚，如果你有疑问，不妨读一下。

Q：外界对VLA的理解，可能更早来源于像Lingo这样方案。它就是把Vision转成文字，用COT的方式去表达。这一次我们把L拆掉，外界会说你为什么还叫VLA？为什么不叫VA？为什么要坚持叫第二代VLA？

拆掉L，是不是因为自动驾驶，是一个实时性要求很高的任务。把L加进来的时候，它的性能不够好？未来某一天，当我们的芯片性能足够好、算法足够好的时候，是否可以把L显式的再加回来？

A：挺好的问题。关于未来会是什么样子，我们只能去推测，因为技术突破永远是待定的，一旦出现突破之后，没有人知道下一代会发生什么，我们只能去猜测。

我先回到前面那个问题，我们为什么还叫 VLA？其实现在也是 Vision 加上 Language 去作为输入，Language 只是可选，中间干掉了所有 Language 的输入之后，直接出 action。

关于 VA 也好还是 VLA 也好，我们不想让这个问题变得那么复杂，因为现在大家起名字起得太多了。每天出来一个新名词，一个新技术就一个新名词，那明天没词了怎么办？那就不妨挑一个大家都比较容易理解的词去说。

呃，为什么不要 L？它只是因为 latency （延迟）吗？我觉得不完全是。Latency 肯定是其中的一个考量，当你要部署放在定制的 SOC 上面时，你没有那么大的 power supply，你没有那么大的算力，是必须要做一些取舍。

但根本性的问题，就是像我刚才说的。VLA 中间有 L，很大原因是因为大家在做这件事情的时候，学术界更多利用的是开源模型。开源模型基本上都是以 Language 为主去 train 出来的。train vision 的模型非常消耗算力和费钱，因为它的数据体量太大，而且也没有足够多的数据来去做这件事情。

它不像 Language，一个爬虫能把整个互联网爬下来去做这个事情。你可以在开源数据集，轻轻松松拿到3、4B，甚至更多的token，有很多开源的VL 数据集来去做这个事情。

所以，很多企业的做法还是倾向于在风险和突破之间，选择更多的保守，尽量去跟随。因为这个事情毕竟是一个比较的大投入，而且有一定的未知性。

当你做出这样的判断后，第一个选择是什么？是看学术界做什么！ 学术界做什么又限制于资源，资源告诉你，VL train 出来，Vision 我没有足够多的训练数据，大部分的训练数据都是 Language。

所以做世界模型，大家现在更多还是 follow 这条路径，来出 Language做better action也好，还是做 CoT 也好，再去 decode 成最后的 action。

我还是那个观点，当要去处理物理世界的时候，你的输入信号、输出信号都是连续的。那也不再存在一个结构化的空间或者一个推理，需要让你用语言去解释。昨天大师兄的PPT上放了一个图，我觉得挺好的。就是当你想把一件事情解释得很清楚的时候，你需要很多的文字，算成 token 可能一千多个 token，而且它是离散化的，你没有办法用那些 token 来去完全还原整个场景，那这个地方就是有损的。

一旦出现这样的问题（数据损失），就意味着你的 Data scaling 就不是可行的事情。Data scaling 中间一定不能存在瓶颈。一旦存在瓶颈了，你给越多的数据，也不会有结果，因为你完全被中间的瓶颈卡死了。这就是那个核心原因。

所以我们也想过，拆掉 Language 之后到底会不会影响它泛化能力？比如说刚才红绿灯的问题、待转区的问题。我们一开始觉得，实在不行我就拿 Vision Language 去 train 一遍，后来发现并没有解决。所以用文字去做的推理、用视频或者是多模态的数据去做推理，本质上没有什么太多的区别。

Q：我理解，我们是可以 decode 出来 Language对吧？有没有可能把这个东西加到车端，增加可解释性。

A：婷婷一开始讲的，我们有可解释性的意图，之前确实就这么做的。 decode 一些特定的文字。但这个肯定不太符合一开始的目标，它只是一个中间的结果。

————————————————————

如果上面这个Q&A的整理回答，你还是看不懂，那就只能有空的时候，我再做进一步解答了。

#小鹏科技日#