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，李想再次強調，端到端+VLM的能力不足，現階段VLA是最強架構，只有VLA的能力可以接近人類，甚至超越人類。這一次，李想詳細講解了VLM的不足，以及理想汽車是如何訓練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，即便喂更多語料給VLM都無法解決這個問題。

VLA的訓練分為VL（視覺語言）基座預訓練、輔助駕駛后訓練、輔助駕駛強化學習三個部分。其中預訓練相當于人類通過視覺數據、語言數據、視覺語言聯合數據學習和認知物理世界、交通知識，訓練出VL模型基座。

（圖源：直播截圖）

后訓練則相當于人類在駕校學習開車，通過Action（動作）數據對周圍環境和自車駕駛行為編碼，將VL模型基座訓練成VLA司機大模型。同時，VLA采用短思維鏈的特性，搭配Diffusion擴散模型對于他車軌跡和環境的預測，令其實時性更強，在復雜交通環境下依然具備較強的通行能力。

強化訓練則相當于我們日常開車，可以通過RLHF（基于人類反饋的強化學習），訓練大模型對于交通規則的理解能力，并使VLA更符合用戶的駕駛習慣。

最終產品會以司機Agent（智能體）的形式呈現，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Agent可以根據語音指令，在不退出NOA的情況下切換路線，或者根據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人的超級對齊團隊，并構建了仿真世界模型，可在虛擬世界中驗證司機Agent的專業能力、職業能力和構建信任的能力。原本依靠人類司機驗證，一萬公里成本高達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Orin-X芯片無法直接運行語言模型，端到端+VLM對于部分企業而言仍是不小的挑戰。理想擁有編譯團隊，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，理想在智駕技術領域的原創性，高于理想汽車核心競爭力之一的增程技術。

不過理想汽車表示，VLA的實現不是突變過程，而是從規則算法到端到端大模型及端到端+VLM，再到VLA的進化過程，唯有夯實基礎，才能實現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，基于規則算法和端到端+VLM的技術積累，理想才跨步到了VLA階段。

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

的確，輔助駕駛車型出現事故，只會讓車企在研究技術時更加謹慎，增加驗證頻次，不會導致車企因噎廢食，技術領域的競爭將更加激烈。一直處于國內輔助駕駛技術第一梯隊的理想，也許能夠通過VLA方案，為行業帶來新的思路與方向。