理想 VLA：好的人工智能要有边界、有道德

2025 年 5 月 7 日，理想汽车推出 “理想 AI Talk 第二季 —— 理想 VLA 司机大模型，从动物进化到人类”，理想汽车董事长兼 CEO 李想重点分享了对于人工智能的最新思考，VLA 司机大模型的作用、训练方法和挑战，以及对于创业和个人成长的见解。

李想将 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。未来，AI 发展为生产工具后，将能独立完成专业任务，显著提升效率与质量。

李想表示：“判断 Agent（智能体）是否真正智能，关键在于它是否成为生产工具。只有当人工智能变成生产工具，才是其真正爆发的时刻。就像人类会雇佣司机，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。”

VLA 的实现不是突变的过程，是进化的过程

目前的 L2、L2 + 组合驾驶辅助仍属于辅助工具阶段，而 VLA（Vision - Language - Action Model，视觉语言行动模型）能够让 AI 真正成为司机，成为交通领域的专业生产工具。对理想汽车而言，未来的 VLA 就是一个像人类司机一样工作的司机大模型”。

VLA 的实现不是一个突变的过程，是进化的过程，经历了三个阶段，对应理想汽车辅助驾驶的昨天、今天和明天。第一阶段，理想汽车自 2021 年起自研依赖规则算法和高精地图的辅助驾驶，类似 “昆虫动物智能”。第二阶段，理想汽车自 2023 年起研究，并于 2024 年正式推送的端到端 + VLM（Vision Language Model，视觉语言模型）辅助驾驶，接近 “哺乳动物智能”。

端到端模型在处理复杂问题时存在局限，虽可借助 VLM 视觉语言模型辅助，但 VLM 使用开源模型，使其在交通领域的能力有限。同时端到端模型也难以与人类沟通。为了解决这些问题并提升用户的智能体验，理想汽车自 2024 年起开展 VLA 研究，并在多项顶级学术会议上发表论文，夯实了理论基础。

在端到端的基础上，到第三阶段，VLA 将开启 “人类智能” 的阶段。它能通过 3D 和 2D 视觉的组合，完整地看到物理世界，而不像 VLM 仅能解析 2D 图像。同时，VLA 拥有完整的脑系统，具备语言、CoT（Chain of Thought，思维链）推理能力，既能看，也能理解并真正执行行动，符合人类的运作方式。

VLA 训练过程模拟人类学习，对齐人类价值观

VLA 的训练分为预训练、后训练和强化训练三个环节，类似于人类学习驾驶技能的过程。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。经过预训练、后训练和强化训练后，VLA 司机大模型即可部署至车端运行。

VLA 司机大模型以 “司机 Agent（智能体）” 的产品形态呈现，用户可通过自然语言与司机 Agent 沟通，跟人类司机怎么说，就跟司机 Agent 怎么说。简单通用的短指令由端侧的 VLA 直接处理，复杂指令则先由云端的 VL 基座模型解析，再交由 VLA 处理。黄历网：https://www.jimingbao.com.cn/