李想谈VLA：我们走的是无人区

5月7日，理想汽车推出“理想AI Talk第二季”，理想汽车董事长兼CEO李想分享了理想汽车对人工智能与VLA司机大模型的思考。

李想认为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。

“我认为Agent（智能体）是否智能，最重要的评判条件是它是否是个生产工具，它是否真正能替代我去完成专业的工作，它是否真的在产生有效的生产力、真正改变我们的工作的成果、减少我们的工作时长。”李想表示，“只有当人工智能变成生产工具，才是其真正爆发的时刻。就像人类会雇用司机，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。”

李想认为，VLA（Vision-Language-Action Model，视觉语言行动模型）对于理想汽车来说，是一个司机大模型，是一个让AI像人类司机一样去工作的模型。

VLA的实现不是一个突变的过程，而是进化的过程，经历了三个阶段：

第一阶段是“昆虫动物智能”，为算法和高精地图的辅助驾驶，2021年，理想汽车开始了这一阶段。“这一阶段需要通过机器学习感知，配合规则算法，需要依赖高精地图，就像蚂蚁行动和完成任务的方式。”李想分析，“这一阶段的效率比较低，规则算法的整个规模只有几百万参数，那么小的脑子，完成复杂的事基本不可能。”

第二阶段为“哺乳动物智能”，为端到端+VLM（Vision Language Model，视觉语言模型）辅助驾驶。理想汽车自2023年起研究，并于2024年正式推送的端到端+VLM。“端到端比较像哺乳动物的智能，比如马戏团的动物向人类学习骑自行车，端到端就是学习人类的各种行为开车。”李想表示，“但端到端对物理世界并不理解，它可以应付大部分泛化问题，但应对没有学过的、特别复杂的状况就会遇到问题。所以我们要配合VLM，但VLM也只能起到非常有限的辅助作用。”

第三阶段为“人类智能”阶段。“它会像人类一样，利用3D视觉和2D的组合去看整个真实的物理世界，它能读懂导航软件，而不是像VLM那样，只看到一张图片。他拥有自己的整个脑系统，不但能看到物理世界，还能够理解物理世界。它有它的language（语言），有它的CoT（思维链），具备推理能力，可以像人类一样执行行动。执行一些复杂动作，在汽车自动驾驶领域称之为VLA的司机大模型。”李想解释。

VLA的训练将经历分为预训练、后训练和强化训练三个环节。

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。

既然VLA的能力如此之高，可否越过端到端直接实现？“没有可能。”李想打了个形象的比喻，一般人们可能吃到第十个包子就饱了，但没有办法跳过前面的包子直接吃到第十个包子。

据李想介绍，VLA司机大模型以“司机Agent（智能体）”的产品形态呈现，部署至车端运行。李想认为VLA能够解决全自动驾驶，将成为现阶段能力最强的架构，甚至有机会超越人类开车的能力。

不过能力越强，责任越大。李想认为判断司机Agent是不是个好司机与评判员工的标准相同：“第一，看他的专业能力；第二看他的职业性；第三看他与别人构建信任的能力。”VLA司机大模型提升了专业能力，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，司机Agent职业能力的实现则依靠超级对齐。

为了保障VLA司机大模型能够实现职业司机般的安全，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。

在谈到VLA训练过程中，哪个步骤最难时，李想坦言无法预测。“因为我们前面没有任何人走过这条路。DeepSeek也没走过这条路，OpenAI也没有走过这条路，谷歌、Waymo也没有走过这条路。我们其实走的是一个无人区。”

创业路上的苦多于甜，不过李想表示将会保持高中时的思维方式：“遇到问题，解决问题，解决别人不愿解决的问题，解决消费者最大的问题。”