图 1 是理想上一代架构； 图 2 是理想现在的新架构； 有点难理解，但整体还行，解释一下： 理想两代架构对比：为什么'绕过语言'是正确的一步 两代架构放在一起，最容易看出来的变化是：中间那层不见了。 上一代有Spatial → Linguistic → Action，三段式。 这一代把'语言'那层压缩掉，视觉信号和文本信号直接进模型，出来就是动作。 但'去掉语言层'这件事，不是字面意思那么简单。 它背后有一套因果逻辑，值得认真拆解。 语言模型在中间扮演什么角色？ 先回答一个问题：为什么上一代要用Mind GPT做中间层？ 语言模型的核心能力是语义理解和常识推理。 '停在站台边的公交车可能要起步'，这个判断不是像素直接告诉你的，是你知道公交车通常不会无缘无故停在路边，有人上车才会启动。 知道这个常识，才能做出正确判断。 所以上一代的思路是：先用3D编码器把视觉信息压缩成语义特征，再让语言模型在语义层面做理解和推理，最后靠扩散解码器把推理结果翻译成可执行的轨迹。 语言在这里充当了一座桥。 视觉信号先过桥变成文字，语言模型在彼岸推理，推理结果再过桥变成动作。 这座桥本身不是问题。 问题是桥的两端在不同的世界里。 语言模型的'输入'是离散的符号序列，'输出'也是离散的符号序列。 一张2D图像被编码器压缩成一系列token，token之间是离散的语言符号。 但驾驶不是离散符号，它是一个连续的物理过程，旁车的速度、它和你的相对距离、道路曲率下一秒会怎么变化，这些信息在语言符号的离散空间里不可避免地会被压缩。 更关键的是，驾驶需要多步推演。 '如果我现在变道，旁车3秒后会减速。' 这不是一个静态的语义理解，而是一个动态的条件预测。 语言模型能理解'A会导致B'，但它的下一个词预测机制不显式建模时间维度上的因果链，它能输出'A导致B'这句话，但'因为A所以B'的推演过程藏在模型的权重里，从外面看不到。 换句话说：语言模型能给出对的答案，但它的推理过程不可审计。 这在聊天场景里不是问题，答案对就行。 但在自动驾驶场景里，'为什么'和'是什么'同样重要。 如果系统做了一个决策，工程师需要知道决策的依据是什么，才能判断这个决策是否合理、边界在哪里。 上一代用语言翻译搭的桥，在推理和动作之间留下了一个不透明的灰色地带。 隐空间推演是什么？ 这一代的核心变化，就是把推理从语言空间挪到了隐空间。 隐空间不是语言符号构成的空间，而是连续数学构成的空间。 它的每一个点不是一个词或一个标签，而是一个连续的状态向量。 连续空间天然适合描述物理过程。速度、距离、加速度、相对位置，这些物理量在隐空间里直接对应向量运算，不需要被翻译成'前车速度较快'这样的离散标签再处理。 隐世界模型在这里做的，是把当前场景编码成隐空间里的一组向量，然后用这组向量推演未来几步的状态变化。 不生成像素，不生成文字，直接在连续空间里'想象'，如果我做了动作A，未来某个时刻系统的隐状态会变成什么样。 这套机制能解决'多步推演'的问题。 语言模型能做一步推理（看到公交车，输出'可能起步'），但两步以上的条件推理（如果我减速它会怎样、如果我加速它会怎样）需要在前一步的结果上继续推演，每一步都有信息损耗。 隐世界模型不一样——它推演的是连续状态，每一步之间的信息传递是向量之间的数学运算，没有离散符号翻译的损耗。 这就是为什么隐空间比语言空间更适合驾驶推理。 不是因为数学上更先进，而是因为驾驶这个问题的本质就是连续物理过程，用连续空间建模天然比用离散符号建模更匹配。 显式推理的必要性。 但隐世界模型有个弱点：它推演的过程也在隐空间里，外面看不到。 模型输出了一个决策，但你不知道它为什么做了这个决策。隐状态变了，你知道状态变了，但不知道为什么会变。 这对产品来说是可接受的——用户不需要知道车的'脑子里'在想什么。但对工程来说不可接受。 出了问题，调参没有依据，边界情况一个接一个地冒出来。 所以这一代加了一个'系统2'层，把隐空间的推理结果翻译成可读的逻辑表达。 我认为这辆公交车正在等人，所以我选择减速跟随而不是绕行。 这句话不是驾驶决策本身，而是决策的推理链。 它输出给用户，是解释； 输出给工程师，是调试依据； 输出给验证流程，是可追溯的决策记录。 系统2不改变决策结果，它把决策过程显式化了。模型在隐空间里做推演，在语言空间里说清楚，两个过程并行存在，各司其职。 动作生成的三层设计。 推演完了，接下来是动作生成。 上一代用扩散解码器做轨迹生成，过程是：输入一个带噪音的轨迹，通过多轮去噪迭代，逐渐恢复出一条干净、合理的轨迹。 扩散生成的好处是质量高，每一步迭代都在约束轨迹的物理合理性。但坏处是慢——多轮去噪需要串行计算，推理延迟有下限。 这一代没有把扩散解码器扔掉，而是把它拆成了三层： 第一层：Action Expert。 从3D场景特征、导航目标、驾驶指令中提取关键信息，生成一个'大概对'的初始轨迹。 快，但不精确。 第二层：Parallel Decoding。 把所有轨迹点并行输出，不是一个点一个点生成，而是一次性生成完整轨迹。 解决的是速度问题。 第三层：Discrete Diffusion。 对并行生成的轨迹做多轮去噪精修。解决的是质量问题。 三层各司其职：Action Expert给出方向，Parallel Decoding给出速度，Diffusion给出精度。 上一代是'精但慢'，这一代是'快的基础上求精'。 两者不是替代关系，而是分工关系。 最后说一下长时记忆。 上一代架构在上下文层面支持用户偏好——当前会话里的驾驶习惯可以被感知和调用。 但这种偏好存储在上下文窗口里，关机即消失，不跨session。 这一代有了显式的Long-term Memory模块。 用户偏好被持续学习、长期存储，不依赖单次会话的上下文长度。系统记住你偏保守、喜欢在中间车道跑、经过这个路口习惯提前并线，这些偏好跨时间积累，持续影响模型决策。 这个变化在架构层面意味着什么？ 意味着用户偏好不再只是'当前这轮对话的输入'，而是模型权重调整的一部分。 系统不是根据你说了什么临时做决策，而是根据你过去怎么开车，持续校准决策风格。 不是'记住你说了什么'，是'记住你是什么样的人'。 上一代的答案是'语言空间'。 视觉信号翻译成语言，语言模型在语言层面推理，推理结果翻译成动作。 三次翻译换来了可解释性，代价是信息损耗和延迟。 这一代的答案是'隐空间'。 视觉信号和语言信号一起进入隐空间，在连续数学里直接推演，最后把推理过程显式翻译成可读的解释。 推理和动作在同一个空间里完成，没有翻译损耗。 绕过语言不是因为语言模型不够强，而是因为驾驶这个任务的本质是连续物理过程，在连续空间里做推理比在离散符号空间里更匹配问题的数学结构。