李想的“阳谋”：用VLA司机大模型构建随车代驾

版权声明：本文版权为网易汽车所有，转载请注明出处。 

网易汽车5月9日报道 在理想AI Talk第二季的访谈中，李想以“从动物进化到人类”为隐喻，揭示了理想汽车在自动驾驶领域的终极野心——将AI从“辅助工具”升维为“生产工具”，而 VLA（视觉-语言-行动）司机大模型正是这一跃迁的核心载体 。

讲真，这场技术访谈包含大量AI技术术语，对于公众来说，理解门槛着实不低。看似李想对于AI的态度有些“疯魔”和捉摸不透，实际背后深意并非只是给你我上的AI科普课堂，更多的是面向行业投资人、AI业内精英人才的“誓师宣言”+“英雄令”，终极目标是抢得下一阶段商业先机与实现全社会的AI生态重构。

与此同时，我们也能够看到理想当红L序列的全面焕新，应用VLA司机大模型的L系列于今年下半年就将落地AD Max辅助驾驶平台。同时为即将发布的纯电SUV理想i8造势，引导公众看清VLA=下一代自动驾驶技术这一风向标。

主持人提问提到了近期大模型的动态，坦率地说只有中美两国具备改写全球AI动向的势能，李想谈到拥抱DeepSeek的过程比预想的要快许多，这意味着摒弃理想自研的语言模型，收获的是理想VLA（视觉语言行动模型）推出进程加快。作为回馈全行业，理想将星环OS做开源，颇有向DeepSeek致敬的深意，一定程度上也缓解了行业无限内卷的紧迫感，让更多厂商能够依靠开源快速武装自身科技力和智能水平。

上文让我感受最深的两个字就是：“胸怀”，唯有具备降维打击的技术信心，才能像学霸一样奔赴下个考场的路上将高分作答的试卷公开给旁人，我们再来深度谈谈VLA的行业意义：从端到端+VLM的“双系统”到VLA的“三位一体”，这便是VLA的技术进化论。

·端到端+VLM的局限：机械性与割裂感

理想汽车的辅助驾驶曾经历两代架构：

- 规则驱动（昆虫阶段）：依赖高精地图与预设算法，如同蚂蚁遵循固定路线，无法应对复杂路况（如道路施工）。这里指代的是基于规控的辅助驾驶，例如早期高精地图指引的NOA。

- 端到端+VLM（哺乳动物阶段）：大模型学习人类驾驶行为，但语言与视觉模型分立，导致决策黑箱、极端场景失效。例如，面对ETC车道时，视觉语言模型（VLM）因缺乏空间感知能力，难以处理多车道选择（如京承高速的十几个ETC入口），需依赖人工接管。  这里指代的是当下理想AD Max和AD Pro呈现的辅助驾驶能力。

而理想AI Talk第二季中，浓墨重彩地分享VLA，是理想将要奔赴下一阶段自动驾驶架构的目标。

·VLA的突破：类人智能的三大跃升

VLA的核心在于多模态深度耦合，将视觉、语言、动作三大能力整合为统一架构：

- 感知升维：3D视觉+高清2D图像构建物理世界“全息地图”，超越传统VLM的平面化理解；

- 决策拟人：通过“思维链推理”（Chain of Thought）模拟人类驾驶逻辑，例如根据导航软件运行逻辑动态调整路线，而非机械执行指令；

- 执行闭环：本地模型处理常规指令（如“左转”），云端协同解决复杂需求（如“避开拥堵找停车场”），实现自然语言交互的“司机Agent”形态。

翻译成人话就是：你的辅助驾驶系统是一个Agent（智能体），它能够听懂你给到的指示，你可以向吩咐代驾司机一样干预正在NOA状态中的车辆行驶轨迹。非常重要的一环就是打通Agent与辅助驾驶系统的协作能力。

Tips：什么是多模态

多模态（Multimodality）是指集成和处理两种或两种以上不同类型的信息或数据的方法和技术。在机器学习和人工智能领域，多模态涉及的数据类型通常包括但不限于文本、图像、视频、音频和传感器数据。多模态系统的目的是利用来自多种模态的信息来提高任务的性能，提供更丰富的用户体验，或者获得更全面的数据分析结果。

看到这里，想必你与我一样十分好奇理想的VLA司机大模型是如何训练养成，到底靠不靠谱呢？

VLA的训练哲学是从“驾校”到“老司机”，李想谈到将VLA的训练类比人类学车过程，分为三阶段：

1. 预训练（常识学习）：

- 构建32B参数的视觉语言基座模型，学习交通规则与物理世界常识；

- 通过模型压缩（蒸馏）为轻量版，适配车端芯片实时运行。

2. 后训练（技能培训）：

- 注入驾驶行为数据，模拟驾校“跟车学习”；

- 新增轨迹预测功能，预判未来4-8秒道路变化。

3. 强化训练（实战磨砺）：

- 安全校准：通过人类接管数据剔除危险行为（如加塞）；

- 性能强化：在虚拟世界模型中模拟数亿公里极端场景，优化舒适性（G值控制）、零事故率、交规合规性。

只要人类需要司机，VLA就有存在意义，VLA的诞生不仅是理想汽车的“技术宣言”，更预示交通领域生产力革命的起点。更大的蓝图是绘制一张世界模型的“大网”，基于现有交通路线规划的VLA是验证并构建这张“大网”所闯出的第一关。

据悉，业内先锋技术公司大有投注VLA大模型的趋势，比如精密制造中机器人领域，华为通过智驾3.0融合VLA模型与通用障碍物检测（GOD）网络，提升无高精地图区域的定位能力。百度Apollo：基于文心大模型增强VLA的交通场景理解准确度。智元机器人：与Physical Intelligence（PI）合作，推进动态环境下的长周期复杂任务解决方案。

现在您理解了为啥理想反复强调自己是一家AI公司，现阶段VLA大模型是AI的技术前沿，全行业都在等待从辅助工具到生产工具的AI时刻，届时人类的生存活动将会与AI深度捆绑。