作者 ｜ 王飛
郵箱 ｜ wf@pingwest.com
當(dāng)ChatGPT在2022年橫空出世，大模型技術(shù)掀起全球科技浪潮時，它開始改變了人工智能，慢慢又改變了語音對話，它進一步地試探進入到了交互領(lǐng)域，但很少有人能預(yù)見到，僅僅三年后，這股AI革命浪潮會深刻地改變汽車行業(yè)。
這場關(guān)乎智能汽車的革命浪潮以一種名為VLA的技術(shù)展開，也是以一種“Agent”的方式。
如果你關(guān)注智能輔助駕駛行業(yè)，應(yīng)該了解這兩年的熱詞“端到端”。
關(guān)于VLA，全名則為Vision-Language-Action，作為視覺-語言-行為三位一體的大模型架構(gòu)，不少業(yè)內(nèi)人士將VLA技術(shù)視為當(dāng)下“端到端”方案的進階版本——它將空間智能、語言智能和行為智能統(tǒng)一在一個模型里，由此它也擁有更高的場景推理能力與泛化能力。
簡而言之，有VLA賦能的車不再只是一個駕駛工具，而是一個能與用戶溝通、理解用戶意圖的智能體，通過語言模型和邏輯推理結(jié)合在一起之后，它能夠成為一個聽得懂、看得見、找得到，真正意義上的“司機Agent”。
自動駕駛技術(shù)正在經(jīng)歷的一場靜悄悄但深刻的范式轉(zhuǎn)移：從規(guī)則驅(qū)動向?qū)W習(xí)驅(qū)動，從分布式感知-決策-控制向端到端一體化架構(gòu)，再到今天VLA的多模態(tài)融合統(tǒng)一建模。技術(shù)不再只是模塊疊加的堆棧，也不再滿足于“看得見”和“聽得懂”，而是要求AI真正“行動起來”?！八緳CAgent”也擁有像人類司機一樣理解環(huán)境、做出判斷并立即執(zhí)行的能力——成為像人一樣在復(fù)雜世界中感知、理解、推理和行動的整體智能體。
放眼硅谷到北京，大洋彼岸的Waymo到理想，在這種多模態(tài)模型與機器人框架的技術(shù)趨勢中，理想汽車成為了中國車企中走在最前面的一位踐行者。
在2025理想AI Talk第二季活動上，理想汽車董事長兼CEO李想聚焦理想汽車最新推出的VLA司機大模型，不僅展示了“司機Agent”，更通過他本人對AI與人性的深度思考，勾勒出了智能汽車發(fā)展的新范式——
AI不應(yīng)該是簡單地將"汽車智能化"，而是真正實現(xiàn)"人工智能的汽車化"。
1
從NOA到VLA，理想為何要實現(xiàn)AI三段跳？
理想并非是突然轉(zhuǎn)向VLA的。在此之前，也經(jīng)歷了充足的技術(shù)積累。
實話說，李想此前在第一季AI Talk上首次提出公司未來是一家領(lǐng)先的人工智能企業(yè)的時候，很多人可能并沒有g(shù)et到他在表達什么。
但如果你觀摩了理想這連續(xù)的兩季AI Talk活動，大概能看出這家公司是如何奔向“連接物理世界和數(shù)字世界，成為全球領(lǐng)先的人工智能企業(yè)”企業(yè)愿景的。
在第一季AI Talk活動中，理想展示出了技術(shù)路徑其一：將公司汽車的銷量擠到中國市場的領(lǐng)先地位，賣出年銷量50萬輛的汽車，在車上全部部署上端到端技術(shù)、Mind GPT，隨后Mind GPT經(jīng)過1.0/2.0，然后到3o多模態(tài)智能體的迭代后，理想決定推出理想同學(xué)App，讓這個語音助手觸及到更多的人。
第二季AI Talk活動中，理想回顧了在輔助駕駛領(lǐng)域的發(fā)展歷程，我們也可以清晰地看到一條從量變到質(zhì)變的技術(shù)演進路線：2023年年底，全場景NOA的推送標(biāo)志著理想輔助駕駛從高速向城市場景的延展，為用戶帶來了更全面的智能輔助駕駛體驗。而2024年7月15日推送的無圖NOA功能，則首次實現(xiàn)了對先驗信息依賴的突破，讓車輛能夠在沒有高精度地圖的情況下依然保持良好的駕駛表現(xiàn)。
2024年10月23日，理想汽車推送的端到端+VLM功能，真正意義上實現(xiàn)了One Model一體化端到端模型的大規(guī)模實踐應(yīng)用，并首次將大模型部署至車端量產(chǎn)芯片。這一突破性進展不僅體現(xiàn)了理想在AI算法上的深厚積累，更展示了其在車規(guī)級硬件與大模型融合方面的獨特優(yōu)勢。
2025年3月18日，理想汽車正式發(fā)布下一代自動駕駛架構(gòu)VLA。這在業(yè)內(nèi)算是一次質(zhì)的飛躍——當(dāng)眾多汽車品牌仍在為L2級輔助駕駛技術(shù)優(yōu)化細(xì)節(jié)時，理想汽車卻完成了一場田徑運動中的"三級跳"，通過層層遞進取得成績，理想汽車的智能駕駛技術(shù)經(jīng)歷了從規(guī)則 如果從結(jié)果來驗證這其中的規(guī)律：從無圖NOA到端到端+VLM，再到VLA司機大模型，每一步都至關(guān)重要，且每一階段都是不可跨越。 比如NOA這一階段的核心在于感知能力和環(huán)境適應(yīng)性的提升，是連接規(guī)則算法和端到端模型的關(guān)鍵橋梁。 第二階段端到端+VLM功能，標(biāo)志著從規(guī)則驅(qū)動向數(shù)據(jù)驅(qū)動的根本轉(zhuǎn)變。 前兩個階段的技術(shù)沉淀，解決了兩個問題：一是前期沒有足夠的數(shù)據(jù)支撐模型訓(xùn)練；二是缺乏規(guī)則約束導(dǎo)致的安全風(fēng)險。 汽車駕駛不同于簡單的互聯(lián)網(wǎng)應(yīng)用，它直接關(guān)系到用戶的生命安全，需要在實際道路環(huán)境中反復(fù)驗證和迭代。 如果沒有通過前期收集的大量實際道路數(shù)據(jù)和規(guī)則算法的約束，成功訓(xùn)練出了穩(wěn)定可靠的端到端模型，并將其與VLM視覺語言模型結(jié)合，就無法初步實現(xiàn)了系統(tǒng)對環(huán)境的"理解"，只是簡單的"識別"。 理想的VLA從“輔助”到“智能體”的躍遷，建立在前三個階段所有技術(shù)積累的基礎(chǔ)之上。如果沒有規(guī)則算法打下的基礎(chǔ)，系統(tǒng)就無法理解基本駕駛規(guī)則；如果沒有無圖NOA階段鍛造的環(huán)境適應(yīng)能力，系統(tǒng)就無法應(yīng)對未知場景；如果沒有端到端+VLM階段的模型整合經(jīng)驗，VLA的三位一體架構(gòu)就無從談起。 從一定程度上來說，VLA技術(shù)的成功離不開中國本土AI市場的崛起。 另外，也正如DeepSeek在大模型領(lǐng)域的發(fā)展路徑所示，從構(gòu)建集群能力到基建、鏈路的優(yōu)化，通過這些前期的積累，才能實現(xiàn)低成本和高效率的AI應(yīng)用。DeepSeek不可能一步到位構(gòu)建出強大的大語言模型，而是經(jīng)歷了從基礎(chǔ)算法研究、數(shù)據(jù)收集清洗、模型架構(gòu)優(yōu)化到最終產(chǎn)品落地的完整過程。 李想也在活動上強調(diào)："如果規(guī)則算法都做不好，根本不知道怎么去做端到端；如果端到端沒有做到一個極致的水平，那連VLA怎么訓(xùn)練都無從談起。"這也再次證明，這個過程中沒有捷徑可走，每一步都是通往下一步的必要鋪墊。 1 司機Agent，VLA的實力 說了這么多，VLA到底可以實現(xiàn)什么樣的功能？ 前面提到，VLA（Vision-Language-Action）是視覺-語言-行為大模型，代表著機器人大模型的新范式。它將空間智能、語言智能和行為智能統(tǒng)一在一個模型中，賦予了系統(tǒng)強大的3D空間理解能力、邏輯推理能力和行為生成能力，讓自動駕駛系統(tǒng)真正具備感知、思考和適應(yīng)環(huán)境的能力。 在理想最新公布的demo視頻里，理想的這個“司機Agent”展示了其“能聽懂人話”且“直接執(zhí)行”的智能輔助駕駛能力： 比如在通過高速收費站時，可以直接說 “ 走人工 ” ，系統(tǒng)就可以從眾多的 ETC 收費通道中轉(zhuǎn)向人工收費通道。在日常的駕駛環(huán)節(jié)，也可以通過 “ 前方掉頭 ” 和 “ 靠邊停車 ” 的簡單指令，調(diào)整行車路線 —— 就像是我們平時和代駕司機直接溝通的水準(zhǔn)。 從技術(shù)原理上看，前文提到的端到端+VLM的階段，VLA并非簡單地將端到端模型和VLM模型結(jié)合在一起，而是所有模塊的全新設(shè)計與整合。 據(jù)介紹，其工作流程可概括為：3D空間編碼器通過語言模型處理后，與邏輯推理結(jié)合，給出合理的駕駛決策，并輸出一組action token（動作詞元）。這些action token是對周圍環(huán)境和自車駕駛行為的編碼，隨后通過diffusion（擴散模型）進一步優(yōu)化出最佳的駕駛軌跡。整個推理過程都發(fā)生在車端，并且實現(xiàn)了實時運行，這對計算效率和系統(tǒng)響應(yīng)速度提出了極高要求。 我們嘗試簡單類比解讀一下：
視覺智能（Vision）：就像人類駕駛員通過眼睛觀察道路情況，VLA通過車載攝像頭和傳感器"看見"周圍環(huán)境。但不同于傳統(tǒng)系統(tǒng)只是識別物體，VLA能夠理解場景的語義和空間關(guān)系。這就像是從"我看到一個紅色物體"升級到"我明白這是一個紅燈，需要停車，而且它位于前方十米處的十字路口"。
語言智能（Language）：如果說視覺智能是VLA的"眼睛"，那么語言智能就是它的"大腦"。通過強大的語言理解和推理能力，VLA可以處理復(fù)雜的人類指令，理解上下文，并將視覺信息與語言知識融合。比如當(dāng)你說"在前面路口掉頭"時，VLA不僅能識別出"路口"這個概念，還能將它與視覺中看到的道路匹配，理解"前面"這個相對位置，并執(zhí)行適當(dāng)?shù)耐＼嚥僮鳌?/p>
行為智能（Action）：這是VLA最與眾不同的部分，它不只是理解，還能采取行動。VLA將對環(huán)境的理解轉(zhuǎn)化為精確的駕駛決策，生成平滑、自然的駕駛軌跡。這就像一個經(jīng)驗豐富的司機，不僅知道何時轉(zhuǎn)彎，還知道如何以合適的速度和角度完成轉(zhuǎn)彎，使乘客感到舒適。
相對直觀地理解VLA的工作原理，可以盡可能地將其想象成一個高效的駕駛決策鏈條。
理想稱，理想輔助駕駛系統(tǒng)從"端到端+VLM雙模型分立"向"VLA三位一體架構(gòu)"的躍遷，本質(zhì)上是突破了多模態(tài)協(xié)同效率與物理世界建模能力的雙重瓶頸。
多模態(tài)協(xié)同效率問題可以理解為：之前的雙模型架構(gòu)就像兩個專家各自獨立工作——一個負(fù)責(zé)開車，一個負(fù)責(zé)理解指令，溝通效率低下。兩個模型工作頻率不同，聯(lián)合訓(xùn)練和優(yōu)化困難。想象一下兩個人合開一輛車，一個人負(fù)責(zé)方向盤，一個人負(fù)責(zé)油門和剎車，卻無法流暢溝通，這顯然會導(dǎo)致駕駛不協(xié)調(diào)。VLA則將這兩位專家的能力整合在一個大腦中，實現(xiàn)了無縫協(xié)作。
物理世界建模能力不足則更像是：基于千問等大模型的VLM雖然在互聯(lián)網(wǎng)2D圖文數(shù)據(jù)上訓(xùn)練充分，但對于3D世界的理解和專業(yè)駕駛知識存在短板。就像一個在模擬器上學(xué)習(xí)駕駛的人，缺乏真實道路的立體感和空間認(rèn)知。VLA通過專門的3D空間編碼技術(shù)和大量真實駕駛數(shù)據(jù)訓(xùn)練，彌補了這一不足。
從視頻上的效果來看，VLA能夠更好的處理人類駕駛行為的多模態(tài)性，可以適應(yīng)更多駕駛風(fēng)格。
這也是前文所提到的，語言模型和邏輯推理結(jié)合在一起之后，它能夠成為一個聽得懂、看得見、找得到，真正意義上的“司機Agent”。
“類似人和代駕的關(guān)系，人們怎么和代駕說，就怎么和司機Agent說?！?/p>
1
理想率先駛?cè)霟o人區(qū)
很明顯，VLA技術(shù)的突破，在汽車座艙和車輛駕駛層面進行了結(jié)合，也拉高了智能輔助駕駛系統(tǒng)的上限。
李想將智能輔助駕駛拆解成了三個發(fā)展階段，用自然界中不同的物種進行了形象的比喻：
第一階段，昆蟲動物智能。通過機器學(xué)習(xí)感知配合規(guī)則算法的分段式輔助駕駛解決方案，需要有既定的規(guī)則，同時依賴高精地圖，類似螞蟻的行動和完成任務(wù)的方式。
第二階段，哺乳動物智能。端到端階段通過大模型學(xué)習(xí)人類駕駛行為（類似馬戲團的動物），但其對物理世界的理解并不充分，此階段通過三維圖像判斷自身速度和軌跡以及在空間中所處的位置，足以應(yīng)對大部分泛化場景，但很難解決從未遇到過或特別復(fù)雜的問題，此時需要配合視覺語言VLM模型，但現(xiàn)有視覺語言模型在應(yīng)對復(fù)雜交通環(huán)境時只能起到輔助作用。
第三階段，人類智能。VLA階段可以實現(xiàn)類似人類觀察世界的方式，利用3D視覺和2D的組合構(gòu)建更真實的物理世界，VLA擁有自己的腦系統(tǒng)，進一步理解物理世界，還具備語言和思維鏈系統(tǒng)，也就是VLA的司機大模型。
這同時也對應(yīng)著李想本人對于AI工具的分級制度——信息工具、輔助工具和生產(chǎn)工具，"我覺得人工智能變成生產(chǎn)工具，然后才是真正人工智能爆發(fā)的時刻。"
一定程度上，這也是在強調(diào)，司機Agent——VLA技術(shù)有望成為具備這種生產(chǎn)工具特征的先驅(qū)者。
從人工智能行業(yè)來看，VLA是“機器人模型”的一種，是Physical AI的原型。在ChatGPT、Gemini等數(shù)字智能代表主導(dǎo)的軟件智能浪潮之后，AI的下一個風(fēng)口毫無疑問將是物理智能。汽車，作為最復(fù)雜的物理空間智能終端，是理想選擇的主要切入口。一旦VLA模式在車上跑通，空間智能+語言智能+行為智能三者的融合，一定程度也將為其他領(lǐng)域的機器人模型打下范式基礎(chǔ)。
OpenAI、DeepSeek等大模型公司雖強，但他們并未真正涉足汽車領(lǐng)域的空間智能與行為建模，更沒有語料、數(shù)據(jù)和場景去覆蓋家庭用戶與真實路況的多樣性。正因如此，理想選擇了自己下場，打造自己的基座模型。實打?qū)嵉刂v，Language層上借助DeepSeek，但空間智能和行為智能部分也得靠自己一步步打磨，嘗試建立閉環(huán)能力的雛形。
“交通工具”能否能成“空間機器人”尚未可知，但司機智能體確實是人工智能汽車化的無人區(qū)。
這場變革，不只是理想的突破，更是AI進化的必然。
正如手機并非因通話而被重新定義，而是因其成為“數(shù)字生活中樞”才改變了世界——今天的汽車，也將在VLA的驅(qū)動下，從“移動交通工具”進化為“移動智能空間”，成為AI與人的共生載體。
而這條從端到端走向VLA的進化之路，或許才剛剛開始。
點個愛心，再走 吧
熱門跟貼