快科技12月10日消息，在今年8月份的世界机器人大会（WRC）上，宇树科技创始人王兴兴质疑VLA（视觉语言动作模型）的一番言论，引起业界热议。

王兴兴称，对于当前机器人大火的VLA路线，他持有一定的怀疑态度，并直言称“这是一个相对傻瓜式的架构”。

原因是当VLA模型与真实世界交互的时候，背后的数据质量、数量，并不太够用。

而今日，理想汽车自动驾驶研发高级副总裁@ 郎咸朋在微博发长文，回应了此事。

郎咸朋表示，当时没有提出我的观点，一是理想VLA司机大模型还没正式发布，空口无凭；二是我们对具身机器人行业，还处于密切关注阶段。

我跟王兴兴观点最不一样的地方在于，他认为模型架构更重要，但我认为模型的关键是要与整个具身智能系统适配，在此基础上，数据是起决定意义的。

从今年9月VLA正式发布，到12月6日OTA 8.1的推送，经过两个月多的“实践出真知”后，我有两点心得：第一，VLA就是自动驾驶最好的模型方案，第二，具身智能最终拼的是整体的系统能力。

郎咸朋称，理想的VLA本质上就是生成式模型，是在用 GPT 的方式做自动驾驶，只不过生成的Token不是文本，而是轨迹和控制信号。

从目前用户使用的反馈看，在某些场景下理想的VLA已经具备了对物理世界的认知涌现。具体表现是用户会越来越多的发现之前端到端没有的拟人行为。

并且，世界模型更适合做“考场”而不是“考生”，在自动驾驶领域，脱离了海量真实数据谈模型架构都是空中楼阁，我们之所以坚持 VLA，是因为我们拥有数百万辆车构建的数据闭环，这让我们能在当前算力下，把驾驶水平做到接近人类。

针对具身智能方面，要想做好自动驾驶，必须先把自动驾驶当作完整的具身智能系统对待，每一部分在研发过程中要相互配合才能将价值发挥出来。理想的自动驾驶团队与基座模型、芯片、底盘团队协同打造了整个的自动驾驶系统。

同时，模型的关键是要与整个具身智能系统适配，在此基础上，数据是起决定意义的。在机器人领域获取数据相对困难，但在自动驾驶领域，特别是建立起数据闭环能力的车企来说并不是大问题。

理想不仅可以从过去几年积累的10几亿公里的存量数据里进行挖掘和筛选，更可以通过150万车主的日常使用源源不断的获取新的数据。

此外，李想前两天明确提到，未来五到十年，具身机器人核心将有两种形态：汽车类的具身机器人、人形类的具身机器人。

理想的VLA不仅服务于现在的理想各类汽车产品形态，也将服务于未来的汽车类具身机器人。