每經(jīng)記者：孫磊 每經(jīng)編輯：余婷婷

“AI（人工智能）工具可劃分為信息工具、輔助工具和生產(chǎn)工具三個層級。我覺得人工智能變成生產(chǎn)工具，才是真正人工智能爆發(fā)的時刻。”理想汽車董事長、CEO李想在5月7日晚的《理想AI Talk第二季》中，分享了他對于人工智能的最新思考，VLA司機大模型的作用、訓練方法和挑戰(zhàn)，這距離他上一季談及人工智能已經(jīng)過去了130多天。

圖片來源：企業(yè)供圖

李想表示：“判斷Agent（智能體）是否真正智能，關鍵在于它是否成為生產(chǎn)工具。只有當人工智能變成生產(chǎn)工具，才是其真正爆發(fā)的時刻。就像人類會雇用司機，人工智能技術最終也會承擔類似職責，成為真正的生產(chǎn)工具。”

就理想汽車而言，其研發(fā)的VLA司機大模型則是以“司機Agent”的產(chǎn)品形態(tài)呈現(xiàn)。“用戶可通過自然語言與司機Agent溝通，跟人類司機怎么說，就跟司機Agent怎么說。簡單通用的短指令由端側的VLA直接處理，復雜指令則先由云端的VL基座模型解析，再交由VLA處理。”理想汽車方面表示。

此外，李想還回應了“有人覺得輔助駕駛應該被叫停”的問題。“經(jīng)過多年，從規(guī)則算法到端到端+VLM（視覺語言），再到現(xiàn)在真正邁入VLA階段，現(xiàn)在比較像‘黎明前的黑暗’。我覺得黎明馬上就要來了。但是會先經(jīng)歷一個黑暗的過程，之所以有黑暗是因為要迎來黎明。”李想說。

VLA是端到端+VLM的合體

所謂“VLA”，即視覺語言動作模型（Vision-Language-Action Model）。最早由DeepMind于2023年提出，應用在機器人領域，輸入給定的文本和視覺數(shù)據(jù)，輸出機器人可執(zhí)行的動作，天然便帶有AI與物理世界交互的基因。

與當前理想汽車使用的“著重于圖像和場景的理解，作為智駕決策規(guī)劃輸入，讓車輛行為更合理”的VLM模型不同，VLA模型會將端到端與多模態(tài)大模型結合得更徹底，能夠根據(jù)感知直接生成車輛的運動規(guī)劃和決策，更加接近“圖像輸入、控制輸出”的端到端智駕理想狀態(tài)。

在業(yè)內(nèi)看來，VLA模型可看成是端到端+VLM的合體，其遇到一些復雜的交通規(guī)則、潮汐車道、長時序推理等特殊場景時，會比過往理解、應對得更好。“對于理想汽車而言，VLA是一個司機大模型，像人類的司機一樣去工作的一個模型。”李想說。

據(jù)悉，就推理時長而言，在傳統(tǒng)rule-based（基于規(guī)則）方案下，智能輔助駕駛只能推理1秒鐘路況信息然后做出決策控制；端到端1.0階段系統(tǒng)能夠推理出未來7秒的路況，而VLA模型則能對幾十秒路況進行推理。

李想透露，達到VLA模型階段并非突變的過程，而是進化的過程，經(jīng)歷了三個階段：第一階段，理想汽車自2021年起自研依賴規(guī)則算法和高精地圖的輔助駕駛，類似“昆蟲動物智能”。第二階段，理想汽車自2023年起研究，并于2024年正式推送的端到端+VLM輔助駕駛，接近“哺乳動物智能”。

“在端到端的基礎上，到第三階段，VLA將開啟‘人類智能’階段。它能通過3D和2D視覺的組合，完整地看到物理世界，而不像VLM僅能解析2D圖像。同時，VLA擁有完整的腦系統(tǒng)，具備語言、CoT（Chain of Thought，思維鏈）推理能力，既能看，也能理解并真正執(zhí)行行動，符合人類的運作方式。”李想說。

有觀點認為，伴隨著VLA模型的出現(xiàn)，理想汽車或放棄端到端技術。對此，李想表示：“沒有放棄，端到端是VLA的基礎。如果你把端到端想象成一個個具身智能執(zhí)行的環(huán)節(jié)，那它其實就是VLA的A（action行動）的部分。只是我要多語言的部分，還要更多更強的3D vision和高清2D vision的部分。”

“現(xiàn)階段VLA是能力最強的架構”

值得注意的是，VLA近來一直受到自動駕駛領域的熱捧，除理想汽車外，元戎啟行等企業(yè)也在該領域進行布局。有行業(yè)人士表示，VLA模型對智能輔助駕駛的演進意義重大，在L2輔助駕駛到L4自動駕駛的飛躍中，VLA可能會成為關鍵跳板；另一方面，VLA模型也可能成為智能駕駛走向更廣闊的具身智能行業(yè)的連接點。

“目前的L2、L2+組合駕駛輔助仍屬于輔助工具階段，而VLA能夠讓AI真正成為司機，成為交通領域的專業(yè)生產(chǎn)工具。對理想汽車而言，未來的VLA就是一個像人類司機一樣工作的司機大模型。”李想說，“我自己認為VLA（司機大模型）能夠解決全自動駕駛，至于VLA是否是效率最高的方式還要打個問號。但現(xiàn)階段VLA是能力最強的架構。”

值得一提的是，行業(yè)也存有共識，VLA模型的上車難度不小——將端到端與VLM模型二合一后，車端模型參數(shù)變得更大，既要有高效實時推理能力，同時還要有大模型認識復雜世界并給出建議的能力，對車端芯片硬件有相當高的要求。

“理想汽車有編譯團隊，有芯片的能力，有板子設計能力，有操作系統(tǒng)能力。所以我們是能夠把兩個Orin-X帶寬做到足夠的大，它同樣可以跑同等規(guī)模的VLA的模型。”李想表示，“我自己還是認為，規(guī)模小的時候可能無所謂，規(guī)模大的時候基本功和能力永遠是無法逾越的。”

值得注意的是，李想的這番言論也折射出當前智能輔助駕駛行業(yè)的一個現(xiàn)狀——技術路徑的快速迭代升級與競爭態(tài)勢的加速轉(zhuǎn)變，對那些尚未在端到端解決方案領域建立優(yōu)勢的企業(yè)而言，形成了更高的準入壁壘，使得后來者居上的可能性顯著降低。

“今天很多企業(yè)做端到端都很吃力，是因為在規(guī)則算法的時候都沒做好。”李想說，“如果你規(guī)則算法都做不好，你根本不知道怎么去做端到端；如果你端到端沒有做到一個非常極致的水平，你連VLA怎么去訓練都不知道。”

“美國很多頂級的公司，像蘋果、特斯拉，他們基本功特別扎實，這個是我們真正要去學的。尤其是在今天這種內(nèi)卷環(huán)境下，包括外部不確定的環(huán)境下，這時候更是每個企業(yè)扎扎實實練基本功最好的時候。而且到了人工智能時代，基本功就更是不可跳躍的。”李想補充道。