智通财经APP获悉，东吴证券发布研报称，LLM、VLM、VLA可理解为同一技术脉络上逐层扩展模态和输出能力的三类大模型，从文本到视觉再到动作，能力边界与训练难度逐级抬升。该行认为，数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但难以实现物理世界的建模闭环;物理AI将成为物理世界的AI解决方案，增量空间更大，智能驾驶作为最先跑通闭环的代表场景应重点关注。

东吴证券主要观点如下：

LLM、VLM、VLA是同一技术脉络上逐层扩展模态和输出能力的三类大模型

(相关资料图)

LLM以文本为输入输出，主要解决语言理解、生成和推理;VLM在语言底座上加入视觉理解，使图像和文字在同一语义空间交互;VLA进一步把动作作为输出模态，使模型能够驱动机器人或车辆在物理世界中行动。三者存在继承关系，但不能简单归结为同一种next token机制。

概念脉络：三类模型各有奠基性技术与路径

LLM由Transformer、GPT等奠定，核心是以海量文本和自监督训练形成语言基础模型;VLM由CLIP、Flamingo等推动，通过图文对齐、视觉编码器和模态投影把视觉信息接入语言模型;VLA由Google DeepMind在RT-2中明确命名，核心是把视觉、语言与动作统一到策略模型中。

数据与表征：三者难度逐级抬升

LLM训练依赖文本语料，VLM增加图文对和视觉编码，VLA则需要机器人示教、遥操作轨迹、动作反馈和真实环境数据。动作不是普通输入模态，而是会改变物理世界的控制输出;因此VLA既可把动作离散化为token自回归生成，也可用扩散策略或流匹配生成连续动作轨迹。

应用边界：从软件任务走向具身执行

LLM主要处理知识、代码、对话和软件任务;VLM把能力扩展到图像理解、图文问答、视觉检索和多模态交互;VLA则进入机器人、自动驾驶和具身执行，需要处理实时性、安全性和物理反馈。NVIDIA的慢思考VLM加快思考动作模型、π0的连续动作生成、RT-2的动作token化，均体现VLA内部路线仍在分化。

产业映射：海外主导基础模型，国内加速跟进，竞争核心向数据、硬件与场景闭环延伸

海外OpenAI、Google、Meta、Anthropic等主导LLM/VLM，Google、Physical Intelligence、NVIDIA、Figure等布局VLA和机器人;国内DeepSeek、阿里、字节、百度、腾讯、智谱、月之暗面、MiniMax等布局LLM/VLM，智元、银河通用等聚焦VLA与机器人本体。后续竞争核心将从模型能力延伸到数据、硬件、动作控制与场景闭环。

物理AI是增量更大的方向，智能驾驶应重点关注

该行认为，数字AI底座模型发展路径已逐渐清晰、价值在于确定性，但难以实现物理世界的建模闭环;物理AI将成为物理世界的AI解决方案，从而在AI当前发展阶段成为增量更大的方向，智能驾驶作为最先跑通闭环的代表场景，应重点关注。

风险提示

技术迭代不及预期风险;大模型厂商ARR增速放缓风险;云服务商资本开支不及预期风险;智能驾驶及机器人商业化落地不及预期风险。

关键词： 动作 模态 机器人 vla 东吴证券