理想汽車VLA司機(jī)大模型+從動(dòng)物進(jìn)化到人類+持續(xù)解決行業(yè)問題

2025年5月7日，理想汽車推出“理想AI Talk第二季——理想VLA司機(jī)大模型，從動(dòng)物進(jìn)化到人類”，理想汽車董事長兼CEO李想重點(diǎn)分享了對于人工智能的最新思考，VLA司機(jī)大模型的作用、訓(xùn)練方法和挑戰(zhàn)，以及對于創(chuàng)業(yè)和個(gè)人成長的見解。

李想將AI工具分為三個(gè)層級，分別是信息工具、輔助工具和生產(chǎn)工具。目前，大多數(shù)人將AI作為信息工具使用，但信息工具常伴隨大量無效信息、無效結(jié)果和無效結(jié)論，僅具參考價(jià)值。成為輔助工具后，AI可以提升效率，例如現(xiàn)在的輔助駕駛，但仍需人類參與。未來，AI發(fā)展為生產(chǎn)工具后，將能獨(dú)立完成專業(yè)任務(wù)，顯著提升效率與質(zhì)量。

李想表示：“判斷Agent（智能體）是否真正智能，關(guān)鍵在于它是否成為生產(chǎn)工具。只有當(dāng)人工智能變成生產(chǎn)工具，才是其真正爆發(fā)的時(shí)刻。就像人類會(huì)雇傭司機(jī)，人工智能技術(shù)最終也會(huì)承擔(dān)類似職責(zé)，成為真正的生產(chǎn)工具。”

VLA的實(shí)現(xiàn)不是突變的過程，是進(jìn)化的過程

目前的L2、L2+組合駕駛輔助仍屬于輔助工具階段，而VLA（Vision-Language-Action Model，視覺語言行動(dòng)模型）能夠讓AI真正成為司機(jī)，成為交通領(lǐng)域的專業(yè)生產(chǎn)工具。對理想汽車而言， 未來的VLA就是一個(gè)像人類司機(jī)一樣工作的司機(jī)大模型”。

VLA的實(shí)現(xiàn)不是一個(gè)突變的過程，是進(jìn)化的過程，經(jīng)歷了三個(gè)階段，對應(yīng)理想汽車輔助駕駛的昨天、今天和明天。第一階段，理想汽車自2021年起自研依賴規(guī)則算法和高精地圖的輔助駕駛，類似“昆蟲動(dòng)物智能”。第二階段，理想汽車自2023年起研究，并于2024年正式推送的端到端+VLM（Vision Language Model，視覺語言模型）輔助駕駛，接近“哺乳動(dòng)物智能”。

端到端模型在處理復(fù)雜問題時(shí)存在局限，雖可借助VLM視覺語言模型輔助，但VLM使用開源模型，使其在交通領(lǐng)域的能力有限。同時(shí)端到端模型也難以與人類溝通。為了解決這些問題并提升用戶的智能體驗(yàn)，理想汽車自2024年起開展VLA研究，并在多項(xiàng)頂級學(xué)術(shù)會(huì)議上發(fā)表論文，夯實(shí)了理論基礎(chǔ)。

在端到端的基礎(chǔ)上，到第三階段，VLA將開啟“人類智能”的階段。它能通過3D和2D視覺的組合，完整地看到物理世界，而不像VLM僅能解析2D圖像。同時(shí)，VLA擁有完整的腦系統(tǒng)，具備語言、CoT（Chain of Thought，思維鏈）推理能力，既能看，也能理解并真正執(zhí)行行動(dòng)，符合人類的運(yùn)作方式。

VLA訓(xùn)練過程模擬人類學(xué)習(xí)，對齊人類價(jià)值觀

VLA的訓(xùn)練分為預(yù)訓(xùn)練、后訓(xùn)練和強(qiáng)化訓(xùn)練三個(gè)環(huán)節(jié)，類似于人類學(xué)習(xí)駕駛技能的過程。預(yù)訓(xùn)練相當(dāng)于人類學(xué)習(xí)物理世界和交通領(lǐng)域的常識，通過大量高清2D和3D Vision（視覺）數(shù)據(jù)、交通相關(guān)的Language（語言）語料，以及與物理世界相關(guān)的VL（Vision-Language，視覺和語言）聯(lián)合數(shù)據(jù)，訓(xùn)練出云端的VL基座模型，并通過蒸餾轉(zhuǎn)化為在車端高效運(yùn)行的端側(cè)模型。

后訓(xùn)練相當(dāng)于人類去駕校學(xué)習(xí)開車的過程。隨著Action（動(dòng)作）數(shù)據(jù)的加入——即對周圍環(huán)境和自車駕駛行為的編碼，VL基座變?yōu)閂LA司機(jī)大模型。得益于短鏈條的CoT，以及Diffusion擴(kuò)散模型對于他車軌跡和環(huán)境的預(yù)測，VLA具備實(shí)時(shí)性的特點(diǎn)，實(shí)現(xiàn)了在復(fù)雜交通環(huán)境中的博弈能力。

強(qiáng)化訓(xùn)練類似于人類在社會(huì)中實(shí)際開車練習(xí)，目標(biāo)是讓VLA司機(jī)大模型更加安全、舒適，對齊人類價(jià)值觀，甚至超越人類駕駛水平。強(qiáng)化訓(xùn)練包含兩部分：一是通過RLHF（Reinforcement Learning from Human Feedback，基于人類反饋的強(qiáng)化學(xué)習(xí)）完成安全對齊，使模型遵守交通規(guī)則，貼合中國用戶的駕駛習(xí)慣；二是將純強(qiáng)化學(xué)習(xí)模型放入世界模型中訓(xùn)練，提升舒適性，避免碰撞事故，遵守交通規(guī)則。經(jīng)過預(yù)訓(xùn)練、后訓(xùn)練和強(qiáng)化訓(xùn)練后，VLA司機(jī)大模型即可部署至車端運(yùn)行。

VLA司機(jī)大模型以“司機(jī)Agent（智能體）”的產(chǎn)品形態(tài)呈現(xiàn)，用戶可通過自然語言與司機(jī)Agent溝通，跟人類司機(jī)怎么說，就跟司機(jī)Agent怎么說。簡單通用的短指令由端側(cè)的VLA直接處理，復(fù)雜指令則先由云端的VL基座模型解析，再交由VLA處理。

超級對齊確保AI決策安全，世界模型破解AI黑盒難題

除了提升專業(yè)能力，VLA司機(jī)大模型還需解決安全性和模型黑盒的問題。

模型能力越強(qiáng)，越需要職業(yè)性約束，以確保能力下限。為了保障VLA司機(jī)大模型能夠?qū)崿F(xiàn)職業(yè)司機(jī)般的安全和舒適，避免學(xué)習(xí)加塞等違規(guī)行為，理想汽車在強(qiáng)化訓(xùn)練環(huán)節(jié)投入大量資源，并于2024年底組建超過100人的超級對齊團(tuán)隊(duì)，相當(dāng)于為司機(jī)Agent注入職業(yè)素養(yǎng)。

為解決模型的黑盒問題，理想汽車結(jié)合重建和生成兩種路徑，打造了真實(shí)、符合物理世界規(guī)律的世界模型，覆蓋所有交通參與者和要素。基于世界模型的仿真能力，VLA可以在世界模型中低成本、準(zhǔn)確地驗(yàn)證現(xiàn)實(shí)問題，提升解決問題的效率，有效應(yīng)對模型黑盒帶來的挑戰(zhàn)。

判斷司機(jī)Agent是否是個(gè)好司機(jī)，有三個(gè)關(guān)鍵標(biāo)準(zhǔn)：專業(yè)能力、職業(yè)能力和構(gòu)建信任的能力。VLA司機(jī)大模型提升了專業(yè)能力，超級對齊增強(qiáng)了職業(yè)能力，VLA通過理解自然語言、具備記憶能力提升了構(gòu)建信任的能力。

人工智能時(shí)代，扎實(shí)的基本功比走捷徑重要

理想汽車實(shí)現(xiàn)技術(shù)快速躍遷的背后，是從研究、研發(fā)到能力表達(dá)，再到將能力變成業(yè)務(wù)價(jià)值的基本功積累。研究是關(guān)鍵，研究突破后，研發(fā)的效率會(huì)大幅提升，且注重價(jià)值轉(zhuǎn)化，最終實(shí)現(xiàn)業(yè)務(wù)落地。

理想汽車堅(jiān)持自研，通過技術(shù)賦能用戶價(jià)值。例如，在輔助駕駛方面，由于英偉達(dá)Orin-X芯片無法直接運(yùn)行語言模型，端到端+VLM的輔助駕駛方案對部分企業(yè)來說仍具挑戰(zhàn)。理想汽車依托自有編譯團(tuán)隊(duì)，自研底層推理引擎，使芯片可通過INT4（4比特整型）量化的方式運(yùn)行VLM。同時(shí)，憑借芯片、控制器設(shè)計(jì)和自研汽車操作系統(tǒng)等綜合能力，理想汽車實(shí)現(xiàn)了讓雙Orin-X芯片和Thor-U芯片運(yùn)行同等規(guī)模的VLA司機(jī)大模型。李想表示，大型企業(yè)的基本功和能力永遠(yuǎn)無法被逾越。

得益于DeepSeek的開源，理想汽車在VLA司機(jī)大模型的語言能力研發(fā)上提速顯著，節(jié)省了近9個(gè)月的時(shí)間和數(shù)億元成本。盡管如此，理想汽車仍選擇加大投入，在基座模型上投入超預(yù)期3倍的訓(xùn)練卡，專注打造適配多場景的自研模型。李想表示：“我們可以站在巨人的肩膀上，但它只是其中的一部分。”在受益開源的同時(shí)，理想汽車也選擇開源自研的汽車操作系統(tǒng)——理想星環(huán)OS，回饋社會(huì)。

成長帶來能量，在痛苦中保持正能量

今年7月，理想汽車將迎來成立十周年。李想表示，創(chuàng)業(yè)路上苦多于甜，他選擇保留那些有價(jià)值的美好片段，用來激勵(lì)自己保持正能量。“創(chuàng)業(yè)確實(shí)不容易，但是沒必要苦哈哈的。苦和甜是一個(gè)硬幣的正反面，取決于看哪一面。”他將企業(yè)遭遇的打擊視為必須面對的挑戰(zhàn)，也正是這些挑戰(zhàn)，賦予了理想汽車更多的能力。也正因這份積極樂觀的創(chuàng)業(yè)心態(tài)，理想汽車才能快速成長為千億營收規(guī)模、百萬交付量的新勢力企業(yè)。

談及如何成為更有能量的人，李想認(rèn)為，關(guān)鍵在于關(guān)注自我，接受自身的優(yōu)點(diǎn)和不足，并用成長替代改變——成長意味著增強(qiáng)能力。除此之外，李想強(qiáng)調(diào)親密關(guān)系同樣重要，關(guān)注他人的成長也能帶來能量，家人和同事能夠和他形成互補(bǔ)，相互支撐。“我需要家人和同事甚至超過了他們需要我，首先是我需要他們，然后才是他們需要我，我們在一起能夠形成非常強(qiáng)的腦力和心力。”李想表示。

回顧幾次創(chuàng)業(yè)經(jīng)歷，李想表示，從高中創(chuàng)辦個(gè)人網(wǎng)站至今，自己的思維方式?jīng)]有什么變化：遇到問題解決問題，解決別人不愿解決的難題，解決用戶的痛點(diǎn)，不斷向他人學(xué)習(xí)。不同的是，如今面臨的問題更復(fù)雜、服務(wù)的用戶群體更多、公司規(guī)模和組織也更龐大。“幾次創(chuàng)業(yè)一路走來，最難時(shí)有人相助，遇坑也能迅速爬出，一幫人齊心協(xié)力變得更好，這是種幸運(yùn)，也沒什么可后悔的。”

面對AI的發(fā)展，李想認(rèn)為，在AI面前所有的人性都應(yīng)被保留，無論好壞，因?yàn)橐磺腥诵远际俏幕⑸⑿愿瘛⒛芰Φ奶刭|(zhì)，也是人類真正的生命力所在。

從使用增程電動(dòng)和5C超充技術(shù)解決電池成本高、充電難、充電慢的問題，到自研汽車操作系統(tǒng)攻克傳統(tǒng)汽車操作系統(tǒng)性能差、開發(fā)緩慢、芯片匹配周期長等挑戰(zhàn)，理想汽車始終以技術(shù)創(chuàng)新解決行業(yè)無法解決的問題。自研VLA時(shí)，理想汽車更是踏入了人工智能的無人區(qū)。當(dāng)前，輔助駕駛走到了新的十字路口上，理想汽車將不斷挑戰(zhàn)成長的極限，持續(xù)為行業(yè)和用戶創(chuàng)造價(jià)值。