2024年底，理想汽車CEO李想在理想AI Talk第一季上表示，基座模型到一定時刻，一定會變成VLA（視覺語言行動模型）。2024年10月，理想汽車才開始推送端到端+VLM（視覺語言模型）智駕方案，年底就表示要押注VLA，可能會給用戶否定原方案的感覺。

2025年5月7日，理想AI Talk第二季上，李想再次強(qiáng)調(diào)，端到端+VLM的能力不足，現(xiàn)階段VLA是最強(qiáng)架構(gòu)，只有VLA的能力可以接近人類，甚至超越人類。這一次，李想詳細(xì)講解了VLM的不足，以及理想汽車是如何訓(xùn)練VLA的。

（圖源：理想）

李想舉例，VLM對于位置的判斷非常糟糕，如果是兩三個ETC出入口，還能作出準(zhǔn)確判斷，但若遇到了京承高速這種十幾個ETC的高速出入口，VLM模型就不知道怎么判斷了，而且問題出在模型架構(gòu)，即便喂更多語料給VLM都無法解決這個問題。

VLA的訓(xùn)練分為VL（視覺語言）基座預(yù)訓(xùn)練、輔助駕駛后訓(xùn)練、輔助駕駛強(qiáng)化學(xué)習(xí)三個部分。其中預(yù)訓(xùn)練相當(dāng)于人類通過視覺數(shù)據(jù)、語言數(shù)據(jù)、視覺語言聯(lián)合數(shù)據(jù)學(xué)習(xí)和認(rèn)知物理世界、交通知識，訓(xùn)練出VL模型基座。

（圖源：直播截圖）

后訓(xùn)練則相當(dāng)于人類在駕校學(xué)習(xí)開車，通過Action（動作）數(shù)據(jù)對周圍環(huán)境和自車駕駛行為編碼，將VL模型基座訓(xùn)練成VLA司機(jī)大模型。同時，VLA采用短思維鏈的特性，搭配Diffusion擴(kuò)散模型對于他車軌跡和環(huán)境的預(yù)測，令其實時性更強(qiáng)，在復(fù)雜交通環(huán)境下依然具備較強(qiáng)的通行能力。

強(qiáng)化訓(xùn)練則相當(dāng)于我們?nèi)粘ｉ_車，可以通過RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)），訓(xùn)練大模型對于交通規(guī)則的理解能力，并使VLA更符合用戶的駕駛習(xí)慣。

最終產(chǎn)品會以司機(jī)Agent（智能體）的形式呈現(xiàn)，可以理解人類自然語意，用戶怎么指揮，車就怎么開。理想公布的測試視頻中，司機(jī)Agent可以根據(jù)語音指令，在不退出NOA的情況下切換路線，或者根據(jù)用戶指令在高速出入口走人工通道。

（圖源：直播截圖）

VLA并未擺脫端到端智駕方案的黑盒問題，為此理想在2024年底組建了超過1000人的超級對齊團(tuán)隊，并構(gòu)建了仿真世界模型，可在虛擬世界中驗證司機(jī)Agent的專業(yè)能力、職業(yè)能力和構(gòu)建信任的能力。原本依靠人類司機(jī)驗證，一萬公里成本高達(dá)17萬元到18萬元，仿真世界中1萬公里驗證成本僅4000多元。

理想汽車車表示，由于英偉達(dá)Orin-X芯片無法直接運行語言模型，端到端+VLM對于部分企業(yè)而言仍是不小的挑戰(zhàn)。理想擁有編譯團(tuán)隊，自研了底層推理引擎，使芯片可通過INT4（4比特整型）量化的方式運行VLM，理想在智駕技術(shù)領(lǐng)域的原創(chuàng)性，高于理想汽車核心競爭力之一的增程技術(shù)。

不過理想汽車表示，VLA的實現(xiàn)不是突變過程，而是從規(guī)則算法到端到端大模型及端到端+VLM，再到VLA的進(jìn)化過程，唯有夯實基礎(chǔ)，才能實現(xiàn)VLA。這也解釋了為何理想會在推送端到端+VLM方案后，又押注VLA，基于規(guī)則算法和端到端+VLM的技術(shù)積累，理想才跨步到了VLA階段。

對于近期輔助駕駛車型接連出現(xiàn)事故，消費者失去信任，甚至有網(wǎng)友呼吁叫停輔助駕駛的情況，理想則認(rèn)為更像是黎明前的黑暗，技術(shù)不會停止向前發(fā)展。

的確，輔助駕駛車型出現(xiàn)事故，只會讓車企在研究技術(shù)時更加謹(jǐn)慎，增加驗證頻次，不會導(dǎo)致車企因噎廢食，技術(shù)領(lǐng)域的競爭將更加激烈。一直處于國內(nèi)輔助駕駛技術(shù)第一梯隊的理想，也許能夠通過VLA方案，為行業(yè)帶來新的思路與方向。