2025年5月7日，理想汽車舉辦「AI Talk 第二季」并就VLA司機(jī)大模型等一系列內(nèi)容展開。在當(dāng)下自動駕駛行業(yè)普遍陷入“功能瓶頸”與“用戶信任焦慮”之時，VLA不僅是一項(xiàng)技術(shù)成果，更是一種戰(zhàn)略宣言。此前，由ChatGPT帶動的大模型浪潮逐漸從語言走向多模態(tài)之后，VLA的出現(xiàn)也可以被視為一場在垂直場景中“自我閉環(huán)”的工程性嘗試，它不僅標(biāo)志著理想汽車正式跨入人工智能核心研發(fā)陣地，也將自動駕駛從“功能層”推到了“智能協(xié)作層”。

自動駕駛，從功能堆疊到智能協(xié)作

過去幾年，整個智能駕駛行業(yè)在“端到端”和“規(guī)則算法”之間來回?fù)u擺。技術(shù)社區(qū)爭論模型結(jié)構(gòu)，資本市場押注落地節(jié)奏，而用戶層面則在體驗(yàn)不穩(wěn)定與安全焦慮中漸趨疲勞。

理想VLA的意義在于，它不是對已有路線的加強(qiáng)版，而是結(jié)構(gòu)性的方向重建。VLA全稱為Vision-Language-Action，即視覺-語言-行為三位一體的大模型體系。它具備三種能力融合輸出的能力：看清世界（3D空間建模）、理解語義（語言智能）、做出合理決策（行為生成），最終讓駕駛系統(tǒng)從“被動反應(yīng)”轉(zhuǎn)為“主動協(xié)同”。這不是更聰明的工具，而是一個有基本判斷力的智能體。換句話說，VLA不僅是“開得更好”，而且是“開得像人”。

技術(shù)進(jìn)化路徑背后，是對工程規(guī)律的堅(jiān)持

VLA不是天降成果，而是理想從規(guī)則系統(tǒng)、端到端架構(gòu)、再到多模態(tài)融合長期積累的結(jié)果。在理想汽車內(nèi)部，VLA的研發(fā)并不是跨越式推進(jìn)，而是經(jīng)過工程邏輯深度打磨的自然演進(jìn)。

李想在AI Talk中明確表達(dá)：“VLA不是突變，而是進(jìn)化?！边@個觀點(diǎn)背后的意思是——理想從一開始就沒有打算跳過模型階段或捷徑式追趕，而是清楚每一步架構(gòu)演化的技術(shù)條件和數(shù)據(jù)支撐要求。從規(guī)則到端到端+VLM，再到VLA，是基于場景、數(shù)據(jù)體系、工程結(jié)構(gòu)三者耦合之后的結(jié)果，而不是某種參數(shù)堆疊下的偶然成功。

值得注意的是，VLA并非現(xiàn)有多模態(tài)模型的疊加。理想重構(gòu)了推理鏈路、推理方式和輸出路徑，引入action token機(jī)制、diffusion軌跡預(yù)測，以及投機(jī)推理與強(qiáng)化學(xué)習(xí)聯(lián)合優(yōu)化，以適配自動駕駛場景中的實(shí)時性、穩(wěn)定性與安全性。這是一套“為車而生”的AI結(jié)構(gòu)，而非從通用AI平臺遷移而來的兼容方案。

理想不談“AI”，只談怎么落地

理想汽車在技術(shù)敘事中有意淡化“AI能力”的渲染，轉(zhuǎn)而強(qiáng)調(diào)系統(tǒng)結(jié)構(gòu)、行為一致性與用戶信任。

VLA模型在技術(shù)架構(gòu)上具備高復(fù)雜度，但其落地思路相對清晰：VLA將部署在車端運(yùn)行，并具備獨(dú)立空間理解、語言交互與軌跡控制能力。配合理想自研的星環(huán)OS及自動駕駛控制系統(tǒng)，理想意圖構(gòu)建的是一套從AI底座模型、到智能決策鏈路、再到系統(tǒng)調(diào)度的閉環(huán)生態(tài)。這意味著，理想并不把AI視作獨(dú)立功能層，而是產(chǎn)品核心結(jié)構(gòu)的一部分。正如理想在AI Talk中強(qiáng)調(diào)的，只有當(dāng)AI跨域了信息工具、輔助工具之后，真正成為生產(chǎn)工具，才是人工智能爆發(fā)的時刻，而理想在做的輔助駕駛，正在一步步走向生產(chǎn)工具。

“司機(jī)智能體”的戰(zhàn)略含義

自動駕駛行業(yè)發(fā)展到今天，依然未能擺脫“高上限、低下限”的結(jié)構(gòu)困境。系統(tǒng)在封閉測試場景中表現(xiàn)優(yōu)異，卻在真實(shí)環(huán)境中常常暴露“不像人”的不穩(wěn)定行為——忽視潛規(guī)則、不合時宜的變道、對行人意圖判斷失誤等，都是典型問題。

VLA的設(shè)計(jì)目的之一，是通過“超級對齊”手段，解決行為與人類駕駛邏輯不一致的問題。理想通過引入大量用戶接管數(shù)據(jù)、駕駛偏好樣本以及城市駕駛中的長尾工況數(shù)據(jù)，用RLHF方法將系統(tǒng)行為與人類習(xí)慣進(jìn)行結(jié)構(gòu)性對齊，降低用戶的不安全感與陌生感。這種“像人開車”的一致性，是理想賦予VLA最重要的評價標(biāo)準(zhǔn)之一。

VLA的戰(zhàn)略價值，也不僅限于自動駕駛。其技術(shù)架構(gòu)本質(zhì)上是一種通用型物理世界智能體模型（Physical AI），這讓理想在汽車這一高復(fù)雜度、多變量場景中率先跑通“空間-語言-行為”的智能融合邏輯，也為未來AI在機(jī)器人、智能家居等場景的延展埋下了路徑。

理想正在在走一條沒有對手走過的路

自動駕駛不是效率問題，而是信任問題。這句話在AI Talk里雖未被明確說出，但貫穿始終。當(dāng)前的AI行業(yè)，概念更新迅速，但多數(shù)企業(yè)的產(chǎn)品進(jìn)展依然停留在“集成層”。理想選擇自研全棧大模型、重構(gòu)車端架構(gòu)、搭建閉環(huán)系統(tǒng)，這種高投入、高工程復(fù)雜度的方式在短期看不討好，但卻是真正走向智能化產(chǎn)品形態(tài)的必要路徑。

VLA不是終點(diǎn)，也不是一次性技術(shù)亮相，而是理想將AI內(nèi)化為產(chǎn)品骨架之后的第一次結(jié)構(gòu)釋放。它未必是標(biāo)準(zhǔn)答案，但提供了值得行業(yè)觀察與深度理解的另一種可能。