摘要：恰逢今年是理想汽车成立的第10年，也是AI的大风口下；在2025年5月7日，理想AI Talk第二季正式开播，这一期的主讲内容是：理想VLA司机大模型，从动物进化到人类。理想汽车董事长兼CEO李想重点分享了对于人工智能的最新思考，VLA司机大模型的作用、训练方
恰逢今年是理想汽车成立的第10年，也是AI的大风口下；在2025年5月7日，理想AI Talk第二季正式开播，这一期的主讲内容是：理想VLA司机大模型，从动物进化到人类。理想汽车董事长兼CEO李想重点分享了对于人工智能的最新思考，VLA司机大模型的作用、训练方法和挑战，以及对于创业和个人成长的见解。
在聊这个话题之前呢，我们先来聊一下什么是什么是规则算法、什么是端到端，以及最近最火的VLA，因为很多人都不知道。
首先规则算法简单理解就是按照软件工程师输入的规则去运行，在一些没有规则覆盖的极端情况下，因为缺乏对应的规则程序，就容易不知所措了。运行链路：感知-规划-控制，感知模块包含了感知和预测。
端到端指的是感知端和控制端，也就是输入端和输出结果端，通过神经网络替代了感知和规划这两大模块，神经网络大模型根据感知和预测直接输出控制结果，进行对应的车辆减速转弯等操作，不再根据给定的规则走，也不依赖地图，逻辑像人。其中的重点就是学习驾驶这件事情，因此大模型需要进行大量的场景数据训练，可能还会存在一些无法识别的场景，运行中很难和人类进行沟通，除了直接接管。
端到端+VLA司机大模型，VLA就是Vision-Language-Action Model的缩写，中文全称为视觉语言行动模型。就像最近很火的AI语言大模型，VLA可以根据司机输入的语言文字图片视频等信息，让车辆理解场景，具备思考能力，判断能力以及相应执行能力，做一个AI司机。
李想对AI工具的理解
当前李想将AI工具分为三个层级，分别是信息工具、辅助工具和生产工具。目前，大多数人将AI作为信息工具使用，但信息工具常伴随大量无效信息、无效结果和无效结论，仅具参考价值。成为辅助工具后，AI可以提升效率，例如现在的辅助驾驶，但仍需人类参与。未来，AI发展为生产工具后，将能独立完成专业任务，显著提升效率与质量。
李想表示：“判断Agent（智能体）是否真正智能，关键在于它是否成为生产工具。只有当人工智能变成生产工具，才是其真正爆发的时刻。就像人类会雇佣司机，人工智能技术最终也会承担类似职责，成为真正的生产工具。”
VLA-向人类司机一样工作的司机大模型
目前的L2、L2+组合驾驶辅助仍属于辅助工具阶段，而VLA（Vision-Language-Action Model，视觉语言行动模型）能够让AI真正成为司机，成为交通领域的专业生产工具。对理想汽车而言， 未来的VLA就是一个像人类司机一样工作的司机大模型”。
VLA的实现不是一个突变的过程，是进化的过程，经历了三个阶段，对应理想汽车辅助驾驶的昨天、今天和明天。第一阶段，理想汽车自2021年起自研依赖规则算法和高精地图的辅助驾驶，类似“昆虫动物智能”。第二阶段，理想汽车自2023年起研究，并于2024年正式推送的端到端+VLM（Vision Language Model，视觉语言模型）辅助驾驶，接近“哺乳动物智能”。
端到端模型在处理复杂问题时存在局限，虽可借助VLM视觉语言模型辅助，但VLM使用开源模型，使其在交通领域的能力有限。同时端到端模型也难以与人类沟通。为了解决这些问题并提升用户的智能体验，理想汽车自2024年起开展VLA研究，并在多项顶级学术会议上发表论文，夯实了理论基础。
在端到端的基础上，到第三阶段，VLA将开启“人类智能”的阶段。它能通过3D和2D视觉的组合，完整地看到物理世界，而不像VLM仅能解析2D图像。同时，VLA拥有完整的脑系统，具备语言、CoT（Chain of Thought，思维链）推理能力，既能看，也能理解并真正执行行动，符合人类的运作方式。
VLA训练过程模拟人类学习，对齐人类价值观
VLA的训练分为预训练、后训练和强化训练三个环节，类似于人类学习驾驶技能的过程。预训练相当于人类学习物理世界和交通领域的常识，通过大量高清2D和3D Vision（视觉）数据、交通相关的Language（语言）语料，以及与物理世界相关的VL（Vision-Language，视觉和语言）联合数据，训练出云端的VL基座模型，并通过蒸馏转化为在车端高效运行的端侧模型。
后训练相当于人类去驾校学习开车的过程。随着Action（动作）数据的加入——即对周围环境和自车驾驶行为的编码，VL基座变为VLA司机大模型。得益于短链条的CoT，以及Diffusion扩散模型对于他车轨迹和环境的预测，VLA具备实时性的特点，实现了在复杂交通环境中的博弈能力。
强化训练类似于人类在社会中实际开车练习，目标是让VLA司机大模型更加安全、舒适，对齐人类价值观，甚至超越人类驾驶水平。强化训练包含两部分：一是通过RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）完成安全对齐，使模型遵守交通规则，贴合中国用户的驾驶习惯；二是将纯强化学习模型放入世界模型中训练，提升舒适性，避免碰撞事故，遵守交通规则。经过预训练、后训练和强化训练后，VLA司机大模型即可部署至车端运行。
VLA司机大模型以“司机Agent（智能体）”的产品形态呈现，用户可通过自然语言与司机Agent沟通，跟人类司机怎么说，就跟司机Agent怎么说。简单通用的短指令由端侧的VLA直接处理，复杂指令则先由云端的VL基座模型解析，再交由VLA处理。
超级对齐确保AI决策安全，世界模型破解AI黑盒难题
除了提升专业能力，VLA司机大模型还需解决安全性和模型黑盒的问题。
模型能力越强，越需要职业性约束，以确保能力下限。为了保障VLA司机大模型能够实现职业司机般的安全和舒适，避免学习加塞等违规行为，理想汽车在强化训练环节投入大量资源，并于2024年底组建超过100人的超级对齐团队，相当于为司机Agent注入职业素养。
为解决模型的黑盒问题，理想汽车结合重建和生成两种路径，打造了真实、符合物理世界规律的世界模型，覆盖所有交通参与者和要素。基于世界模型的仿真能力，VLA可以在世界模型中低成本、准确地验证现实问题，提升解决问题的效率，有效应对模型黑盒带来的挑战。
判断司机Agent是否是个好司机，有三个关键标准：专业能力、职业能力和构建信任的能力。VLA司机大模型提升了专业能力，超级对齐增强了职业能力，VLA通过理解自然语言、具备记忆能力提升了构建信任的能力。
李想：大型企业的基本功和能力永远无法被逾越
在辅助驾驶方面，由于英伟达Orin-X芯片无法直接运行语言模型，端到端+VLM的辅助驾驶方案对部分企业来说仍具挑战。理想汽车依托自有编译团队，自研底层推理引擎，使芯片可通过INT4（4比特整型）量化的方式运行VLM。同时，凭借芯片、控制器设计和自研汽车操作系统等综合能力，理想汽车实现了让双Orin-X芯片和Thor-U芯片运行同等规模的VLA司机大模型。得益于DeepSeek的开源，理想汽车在VLA司机大模型的语言能力研发上提速显著，节省了近9个月的时间和数亿元成本。尽管如此，理想汽车仍选择加大投入，在基座模型上投入超预期3倍的训练卡，专注打造适配多场景的自研模型。李想表示：“我们可以站在巨人的肩膀上，但它只是其中的一部分。”在受益开源的同时，理想汽车也选择开源自研的汽车操作系统——理想星环OS，回馈社会。
来源：十三先生Studio