12月10日消息，在今年8月份的世界機器人大會（WRC）上，宇樹科技創始人王興興質疑VLA（視覺語言動作模型）的一番言論，引起業界熱議。

王興興稱，對于當前機器人大火的VLA路線，他持有一定的懷疑態度，并直言稱“這是一個相對傻瓜式的架構”。

原因是當VLA模型與真實世界交互的時候，背后的數據質量、數量，并不太夠用。

而今日，理想汽車自動駕駛研發高級副總裁@ 郎咸朋在微博發長文，回應了此事。

郎咸朋表示，當時沒有提出我的觀點，一是理想VLA司機大模型還沒正式發布，空口無憑；二是我們對具身機器人行業，還處于密切關注階段。

我跟王興興觀點最不一樣的地方在于，他認為模型架構更重要，但我認為模型的關鍵是要與整個具身智能系統適配，在此基礎上，數據是起決定意義的。

從今年9月VLA正式發布，到12月6日OTA 8.1的推送，經過兩個月多的“實踐出真知”后，我有兩點心得：第一，VLA就是自動駕駛最好的模型方案，第二，具身智能最終拼的是整體的系統能力。

郎咸朋稱，理想的VLA本質上就是生成式模型，是在用 GPT 的方式做自動駕駛，只不過生成的Token不是文本，而是軌跡和控制信號。

從目前用戶使用的反饋看，在某些場景下理想的VLA已經具備了對物理世界的認知涌現。具體表現是用戶會越來越多的發現之前端到端沒有的擬人行為。

并且，世界模型更適合做“考場”而不是“考生”，在自動駕駛領域，脫離了海量真實數據談模型架構都是空中樓閣，我們之所以堅持 VLA，是因為我們擁有數百萬輛車構建的數據閉環，這讓我們能在當前算力下，把駕駛水平做到接近人類。

針對具身智能方面，要想做好自動駕駛，必須先把自動駕駛當作完整的具身智能系統對待，每一部分在研發過程中要相互配合才能將價值發揮出來。理想的自動駕駛團隊與基座模型、芯片、底盤團隊協同打造了整個的自動駕駛系統。

同時，模型的關鍵是要與整個具身智能系統適配，在此基礎上，數據是起決定意義的。在機器人領域獲取數據相對困難，但在自動駕駛領域，特別是建立起數據閉環能力的車企來說并不是大問題。

理想不僅可以從過去幾年積累的10幾億公里的存量數據里進行挖掘和篩選，更可以通過150萬車主的日常使用源源不斷的獲取新的數據。

李想前兩天明確提到，未來五到十年，具身機器人核心將有兩種形態：汽車類的具身機器人、人形類的具身機器人。

理想的VLA不僅服務于現在的理想各類汽車產品形態，也將服務于未來的汽車類具身機器人。（若風）