2025年5月7日，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(jìn)化到人類”，理想汽車董事長兼CEO李想重點分享了對于人工智能的最新思考，VLA司機大模型的作用、訓(xùn)練方法和挑戰(zhàn)，以及對于創(chuàng)業(yè)和個人成長的見解。

李想將AI工具分為三個層級，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(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)的時刻。就像人類會雇傭司機，人工智能技術(shù)最終也會承擔(dān)類似職責(zé)，成為真正的生產(chǎn)工具?！?/p>

VLA的實現(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，視覺語言行動模型）能夠讓AI真正成為司機，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就是一個像人類司機一樣工作的司機大模型”。

VLA的實現(xiàn)不是一個突變的過程，是進(jìn)化的過程，經(jīng)歷了三個階段，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”。

端到端模型在處理復(fù)雜問題時存在局限，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，理想汽車自2024年起開展VLA研究，并在多項頂級學(xué)術(shù)會議上發(fā)表論文，夯實了理論基礎(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，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訓(xùn)練過程模擬人類學(xué)習(xí)，對齊人類價值觀

VLA的訓(xùn)練分為預(yù)訓(xùn)練、后訓(xùn)練和強化訓(xùn)練三個環(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(yù)測，VLA具備實時性的特點，實現(xiàn)了在復(fù)雜交通環(huán)境中的博弈能力。

強化訓(xùn)練類似于人類在社會中實際開車練習(xí)，目標(biāo)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(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)練和強化訓(xùn)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(fù)雜指令則先由云端的VL基座模型解析，再交由VLA處理。

編輯：牛朝閣