【太平洋汽車 行業(yè)頻道】5月7日晚，理想汽車推出“理想AI Talk第二季——理想VLA司機大模型，從動物進化到人類”，理想汽車創(chuàng)始人、CEO李想和大家分享了對于人工智能的最新思考，VLA司機大模型的作用、訓練方法和挑戰(zhàn)，以及對于創(chuàng)業(yè)和個人成長的見解。

　　對于當前非常熱門的AI工具，李想將其分為三個層級，分別是信息工具、輔助工具和生產(chǎn)工具。李想表示目前大多數(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，將能獨立完成專業(yè)任務，顯著提升效率與質(zhì)量。

　　李想還提到：“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。只有當人工智能變成生產(chǎn)工具，才是其真正爆發(fā)的時刻。就像人類會雇傭司機，人工智能技術(shù)最終也會承擔類似職責，成為真正的生產(chǎn)工具。”

　　此外，面對AI的發(fā)展，李想認為，在AI面前所有的人性都應被保留，無論好壞，因為一切人性都是文化、生命、性格、能力的特質(zhì)，也是人類真正的生命力所在。

　　對于目前討論很多的智能輔助駕駛，李想直言如今的L2、L2+組合駕駛輔助仍屬于輔助工具階段，而VLA（Vision-Language-Action Model，視覺語言行動模型）能夠讓AI真正成為司機，成為交通領域的專業(yè)生產(chǎn)工具。對理想汽車而言， 未來的VLA就是一個像人類司機一樣工作的司機大模型”。

　　李想表示：VLA的實現(xiàn)不是一個突變的過程，是進化的過程，經(jīng)歷了三個階段。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“哺乳動物智能”。

　　在端到端的基礎上，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，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，符合人類的運作方式。

　　VLA的訓練分為預訓練、后訓練和強化訓練三個環(huán)節(jié)，類似于人類學習駕駛技能的過程。預訓練相當于人類學習物理世界和交通領域的常識，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)化為在車端高效運行的端側(cè)模型。

　　后訓練相當于人類去駕校學習開車的過程。隨著Action（動作）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司機大模型。得益于短鏈條的CoT，以及Diffusion擴散模型對于他車軌跡和環(huán)境的預測，VLA具備實時性的特點，實現(xiàn)了在復雜交通環(huán)境中的博弈能力。

　　強化訓練類似于人類在社會中實際開車練習，目標是讓VLA司機大模型更加安全、舒適，對齊人類價值觀，甚至超越人類駕駛水平。強化訓練包含兩部分：一是通過RLHF（Reinforcement Learning from Human Feedback，基于人類反饋的強化學習）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慣；二是將純強化學習模型放入世界模型中訓練，提升舒適性，避免碰撞事故，遵守交通規(guī)則。經(jīng)過預訓練、后訓練和強化訓練后，VLA司機大模型即可部署至車端運行。

　　VLA司機大模型以“司機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Agent溝通，跟人類司機怎么說，就跟司機Agent怎么說。簡單通用的短指令由端側(cè)的VLA直接處理，復雜指令則先由云端的VL基座模型解析，再交由VLA處理。

　　李想表示：模型能力越強，越需要職業(yè)性約束，以確保能力下限。為了保障VLA司機大模型能夠?qū)崿F(xiàn)職業(yè)司機般的安全和舒適，避免學習加塞等違規(guī)行為，理想汽車在強化訓練環(huán)節(jié)投入大量資源，并于2024年底組建超過100人的超級對齊團隊，相當于為司機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、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?；谑澜缒Ｐ偷姆抡婺芰?，VLA可以在世界模型中低成本、準確地驗證現(xiàn)實問題，提升解決問題的效率，有效應對模型黑盒帶來的挑戰(zhàn)。

　　判斷司機Agent是否是個好司機，有三個關(guān)鍵標準：專業(yè)能力、職業(yè)能力和構(gòu)建信任的能力。VLA司機大模型提升了專業(yè)能力，超級對齊增強了職業(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。

　　不過理想透露，在在輔助駕駛方面，由于英偉達Orin-X芯片無法直接運行語言模型，端到端+VLM的輔助駕駛方案對部分企業(yè)來說仍具挑戰(zhàn)。而理想汽車依托自有編譯團隊，自研底層推理引擎，使芯片可通過INT4（4比特整型）量化的方式運行VLM。同時，憑借芯片、控制器設計和自研汽車操作系統(tǒng)等綜合能力，理想汽車實現(xiàn)了讓雙Orin-X芯片和Thor-U芯片運行同等規(guī)模的VLA司機大模型。李想表示，大型企業(yè)的基本功和能力永遠無法被逾越。

　　對于特斯拉FSD進入了中國，李想也發(fā)表了自己的看法，我們認為，我們自己一個判斷的話，從實測過來的話，他們大概在用12.5之前的模型，這個模型并不是特斯拉真實能力，距離特斯拉真實能力還有巨大的差距。盡管還不是最強的版本，李想也夸贊了FSD，認為其基本功是非常扎實的，它的整個的感知的距離、運行的幀率、車輛的整個的控制的穩(wěn)定性。

　　此外，李想還提到：得益于DeepSeek的開源，理想汽車在VLA司機大模型的語言能力研發(fā)上提速顯著，節(jié)省了近9個月的時間和數(shù)億元成本。并想表示：“我們可以站在巨人的肩膀上，但它只是其中的一部分。”。

　　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值的美好片段，用來激勵自己保持正能量。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。

　　回顧幾次創(chuàng)業(yè)經(jīng)歷，李想表示，從高中創(chuàng)辦個人網(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，不斷向他人學習。不同的是，如今面臨的問題更復雜、服務的用戶群體更多、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，也沒什么可后悔的。”（文：太平洋汽車 吳啟星）