理想汽车推送OTA 8.0版本，李想称公司辅助驾驶开始“全面领先”，VLA优于世界模型？

每经记者：孙磊 每经编辑：裴健如

“理想汽车的辅助驾驶和智能座舱，从‘局部领先’进入‘全面领先’。”在理想汽车于近日推送OTA8.0版本车机系统后，理想汽车董事长李想在社交媒体上如此表示。

图片来源：新浪微博（@李想）

近日，理想汽车OTA8.0版本车机系统正式开启推送，辅助驾驶、智能座舱和智能电动迎来升级。其中，理想汽车自研的新一代辅助驾驶技术架构——VLA（Vision-Language-Action Model，视觉语言行动模型）司机大模型向理想MEGA和理想L系列AD Max车型全量推送。

李想表示，VLA司机大模型是理想汽车的第三代辅助驾驶技术（第一代是规则，第二代是端到端，第三代是VLA），而VLA之所以被命名为司机大模型，是因为它“看得懂道路状况，听得懂人类指挥，记得住车主习惯”，更像一个真人版的私人司机。

“推送的VLA为‘残血版’”

在推送VLA司机大模型的同时，李想也坦言，“因为种种原因，今天全量推送的VLA还是‘残血版’（一个广受好评的功能暂时没推）”。值得一提的是，此前有消息称，理想汽车的VLA远程召唤功能被举报，理想汽车被迫暂停这项功能的推送。

对此，理想汽车方面告诉《每日经济新闻》记者：“自发布VLA辅助驾驶技术架构以来，我们受到了行业及各界的广泛关注和讨论，公司深感责任重大，始终以审慎负责的态度推进各项新功能的上线进程。”

“9月10日开始，VLA司机大模型及相关功能将陆续推送到所有配备AD Max高级辅助驾驶系统的理想L系列和MEGA车型上，各项辅助驾驶功能包括辅助泊车都将得到提升。具体功能我们将依据相关法律法规推送。”理想汽车方面补充道。

图片来源：理想汽车官微

在9月11日，李想在社交媒体发文称，现在网络上对9月10日开始推送的OTA8.0版本的理想VLA司机大模型出现“残血版”原因的分析，大多是不实信息。

据理想汽车方面介绍，凭借VLA司机大模型对环境、导航的理解和推理能力，辅助驾驶功能在通过主辅路切换、高架匝道等复杂路口时，选路更加精准。此外，VLA司机大模型具备车速记忆能力，能够记住用户在特定道路的车速偏好，用户只需要通过对话就可以设定车速，未来再次通过该路段时，模型将自动调用记忆并调整为记忆过的车速。

理想汽车方面还表示，VLA泊车则拥有自主寻路、漫游找车位、导航终点靠边停车等功能，实现任意车位到任意车位的辅助驾驶体验。

VLA可被视为端到端的“智能增强版”

除理想汽车外，元戎启行、小鹏汽车等也在VLA领域进行布局。元戎启行于8月26日正式发布自研VLA大模型，推出名为DeepRoute IO 2.0的新平台，确定将在5款车型上使用；9月4日，小鹏汽车宣布，小鹏G7 Ultra开启首次OTA推送，其中就包含融合全场景VLA大模型的导航辅助驾驶功能。多家车企竞相布局，正是希望借这一模型之力，打通端到端方案的瓶颈。

值得一提的是，传统规则与端到端模型都卡在同一道“坎”：一旦遇到训练集里没见过的场景，系统就“发懵”，只能事后打补丁。但现实路况千变万化，没有办法在数据中穷举所有的可能，因此长尾场景一直是自动驾驶最大的挑战。“VLA能够更好地解决上述问题。”清华大学车辆与运载学院助理研究员颜宏伟认为，VLA模型的主要优势在于模型一体化及更强的泛化性，即应对复杂场景的能力。

据悉，VLA相较端到端具有诸多优势，可被视为端到端的“智能增强版”。VLA中的V指的是感知，A是执行，中间的L则是语言模型（Language Model）。V负责感知环境，A负责动作执行，中间的L的作用类似于“中台”，将V的内容，也就是感知的内容转译成A执行的规划和决策。“VLA是多模态大模型驱动的智能体架构，其核心突破在于引入思维链，通过语言模型实现对环境理解与决策推理的可解释性。”颜宏伟说。

元戎启行CEO周光认为：“VLA模型融合了语言模型，具备强大的思维链能力，能摆脱传统端到端模型的黑盒难题，并将信息串联、分析，从而推理出因果关系。此外，它天然集成海量知识库，泛化能力更强，能够更好地适应复杂多变的真实道路环境。”

图片来源：元戎启行官微

理想汽车自动驾驶研发负责人郎咸朋也表示：“（VLA）真正发挥作用的是背后推理的长思维链。如果没有强大的L，再好的V和A都无法发挥出来。这跟人与动物的区别很相似。论视觉能力人比不过鹰，论行动速度比不过猎豹，但人之所以能够称霸地球，靠的是强大的认知和理解能力。而这个认知和理解能力就来自于人类特有的语言能力。”

此外，郎咸朋还强调，“L”指代语言学习能力，它并不是简单地用语言做显示的文字推理，而是用语言提供的数据学习隐式的逻辑推理。

“当语言模型与辅助驾驶相遇，一切都变得简单了。尽管VLA模型的表现目前处于持续提升阶段，但VLA模型的下限已超过端到端上限，未来会越来越好。”周光还表示。

VLA与世界模型不冲突

有企业重点布局VLA领域，有企业则不认同该技术路径。比如，华为智能汽车解决方案BU CEO靳玉志就表示：“我们不会走向VLA的路径。这样的路径看似取巧，其实并不是走向真正自动驾驶的路径。”

“华为更看重WA（世界行为模型），也就是World Action，中间省掉Language这个环节……直接通过Vision这样的信息输入控车，而不是把各种各样的信息转成语言，再通过语言大模型来控制车。”靳玉志进一步解释称，华为乾崑自研的WEWA架构包含云端的世界引擎（WE）与车端的世界行为模型（WA）。其中，WE负责海量数据训练与场景生成，WA则实现车端的实时环境推理与拟人化决策。

靳玉志提到的这种“世界模型”源自人类对环境的认知机制，指的是AI系统通过感知数据构建一个对物理世界的内部模拟，从而具备预测、推理和生成合理行为链的能力。在辅助驾驶中，它不再只是“看见”世界，而是理解世界，预测未来可能发生的情况，并提前做出决策。例如，它不仅能识别前方有一辆自行车，还能预测它是否会突然变道，从而提前减速或避让。除华为外，蔚来、商汤等企业也都在此技术路线上进行布局。

需要注意的是，尽管不同企业对于VLA和世界模型两种技术“各执一词”，但两者并不矛盾，VLA路线也结合了部分与驾驶数据相关的世界模型。例如，李想提出VLA可以拆解为预训练、后训练和强化学习三个层面。强化学习中最重要的一步就是在世界模型里闭环学习，引入舒适度、碰撞、交通规则等规则来打磨、反馈，让VLA比人类开得更好。

此外，世界模型虽然更强调“海量使用云端模拟的数据、来让大模型‘理解’世界而学会驾驶”，但其最底层的世界模型仍需要Transformer技术驱动，而Transformer是VLA的底层骨干网络。华为此前在和浙大、港科大的相关科研成果中，多次提到这一点。

“我了解大部分公司两种技术都用。世界模型和VLA模型不是一个维度的东西，而是交错的。我可以有训练，比如说基于各种复杂输入的事件模型的理念，所以这两个东西不矛盾、不冲突。”小马智行CTO楼天城表示，“我认为想要做百辆无人车以上，世界模型最关键。对其他公司（而言），可能做VLA模型卖车最关键。大家选择不同的路线是因为目标不同。”

对于辅助驾驶底层技术的演进，千里科技董事长印奇认为，智驾行业在3年内将迎来技术收敛。长安汽车智能驾驶高级总工程师则表示，在未来2~3年内，辅助驾驶的技术架构还将迎来1至2轮迭代，到2028年有望收敛至相对稳定的状态。