借著端到端+VLM架構(gòu)，理想汽車實(shí)現(xiàn)了在輔助駕駛上的逆襲。

嘗到新技術(shù)架構(gòu)甜頭的理想汽車，希望更進(jìn)一步，引入更新的技術(shù)架構(gòu)，來夯實(shí)自己在輔助駕駛、自動(dòng)駕駛領(lǐng)域的優(yōu)勢，甚至希望成為引領(lǐng)者。

那就是VLA（視覺、語言、行動(dòng)）大模型，理想汽車將其命名為司機(jī)大模型。

5月7日晚，理想汽車舉行了“理想Al Talk第二季 李想面對面”線上活動(dòng)。理想汽車創(chuàng)始人、CEO李想再度現(xiàn)身討論AI及AI在輔助駕駛、智能駕駛和汽車上的應(yīng)用思路。

李想認(rèn)為，“今天輔助駕駛的這些規(guī)則算法、端到端跟人類差距還是太大了。”而司機(jī)大模型能力是最強(qiáng)的，“是最接近人類的，甚至有機(jī)會(huì)超過人類能力的一種”。

“我自己認(rèn)為VLA（司機(jī)大模型）能夠解決到全自動(dòng)駕駛。”

李想沒有透露具體的司機(jī)大模型支持的輔助駕駛系統(tǒng)上車時(shí)間。只是表示，比此前預(yù)計(jì)的9月要提前。

按照理想汽車透露的信息，理想純電SUV理想i8將于7月發(fā)布上市，并且搭載VLA（司機(jī)大模型）。

01

司機(jī)大模型有多厲害？

輔助駕駛系統(tǒng)發(fā)展到今天，對于行業(yè)、對于理想汽車，都可以說是一個(gè)節(jié)點(diǎn)。

就行業(yè)而言，由于一些飽受關(guān)注的事故影響，輔助駕駛系統(tǒng)的安全性受到質(zhì)疑。

就理想汽車而言，盡管端到端+VLM雙系統(tǒng)開行業(yè)先河，并且將理想智駕拉到行業(yè)前列，引起一些技術(shù)路線追隨者，但是其輔助駕駛產(chǎn)品依舊是輔助工具。

本質(zhì)上，這兩個(gè)問題都可以歸結(jié)為——輔助駕駛系統(tǒng)的能力依舊不足。

李想提及了此前規(guī)則架構(gòu)、端到端架構(gòu)的兩個(gè)問題。

一是對復(fù)雜東西的理解，比如復(fù)雜的修路，“如果是規(guī)則算法可能就會(huì)撞上了，如果是端到端可能停下來，但它不知道該怎么干了。”

另一方面是無法跟人溝通。“今天端到端怎么做？就跟猴子一樣，你影響不了它，對吧？”

但VLA架構(gòu)不一樣。面對復(fù)雜場景，司機(jī)大模型能輕松解決，因?yàn)樗欣斫饽芰ΑＴ谟?xùn)練階段，VLA架構(gòu)模型即便沒有經(jīng)歷過真實(shí)場景的學(xué)習(xí)，也可以通過生成數(shù)據(jù)來訓(xùn)練。

在溝通方面，司機(jī)大模型作為Agent（智能體），可以理解語言，司機(jī)可以給出指令，比如讓它一直在中間行駛，直到下一個(gè)路口，再比如靠邊停車，或者“到C3區(qū)停車”。

而且，端到端架構(gòu)的系統(tǒng)與導(dǎo)航配合出現(xiàn)問題時(shí)無法妥善處理，司機(jī)大模型卻能在小區(qū)等開放空間漫游并與導(dǎo)航調(diào)整后匯合。

因?yàn)椋緳C(jī)大模型看得懂導(dǎo)航軟件運(yùn)行，具備思維鏈和推理能力，像人類司機(jī)一樣執(zhí)行駕駛行動(dòng)，最終能像全職司機(jī)一樣工作，實(shí)現(xiàn)全自動(dòng)駕駛。

02

司機(jī)大模型如何訓(xùn)練？

司機(jī)大模型為什么理解世界，聽懂司機(jī)指令，并且還能成為駕駛“專家”呢？

還要從VLA模型的架構(gòu)特點(diǎn)和訓(xùn)練方式說起。

李想認(rèn)為，VLA架構(gòu)是逐漸進(jìn)化而來的，具備了很多“像人類一樣的”能力：

• 它能用3D的vision（視覺）和2D的組合，去看整個(gè)真實(shí)的物理世界，也包含它能夠去看懂導(dǎo)航軟件”。
• 它有自己的整個(gè)腦系統(tǒng)，不但要看到物理世界，還能夠理解這個(gè)物理世界。
• 它有它的language（語言），然后它也有它的CoT（思維鏈），有推理的一個(gè)能力。
• 它能夠像人類一樣的，真正地去執(zhí)行這樣的行動(dòng)……

這些能力來自何處？

李想表示，司機(jī)大模型需要四個(gè)步驟來訓(xùn)練。

步驟一，訓(xùn)練一個(gè)VL（視覺和語言）的基座模型。“我們目前在訓(xùn)的，當(dāng)前的這個(gè)版本，是一個(gè)32B的，就是320億云端的一個(gè)基座模型。”

這一模型和過去的模型的差異在于，要放入更多視覺的語料，其中就包括3D上的視覺語料、高清的2D的視覺語料。而此前的多模態(tài)的開源VLM（視覺語言模型）里邊，2D視覺語料的清晰度太低，所以看的距離不夠。

在語言模型方面，要放入跟交通、駕駛相關(guān)的足夠多的這方面的語料。

此外，還必須放入很多VL（視覺和語言）聯(lián)合的語料，就是三維圖像和對世界的理解語義要同時(shí)產(chǎn)生的。“比如我舉一個(gè)例子，我要把導(dǎo)航的地圖和車輛對導(dǎo)航地圖的理解一起放進(jìn)去。”

李想也回應(yīng)了為什么要做基座模型。

他說，理想汽車的VLA模型，即便是V（vision視覺）和L（language語言）部分也和通用大模型不一樣，需要涉及到更專業(yè)的車領(lǐng)域、交通領(lǐng)域、面向家庭用戶的語義語料，此外還需要把VL（視覺和語言）的組合語料放進(jìn)去訓(xùn)練。“那這些無論是OpenAI還是DeepSeek，它都沒有這樣的數(shù)據(jù)，它們也沒有這樣的場景和需求，也不去解決這樣的問題，那只能我自己來做了。”

他也強(qiáng)調(diào)，DeepSeek的開源加速了理想基座大模型的開發(fā)進(jìn)度。“好處是說VLA（視覺語言行動(dòng)模型）里邊的這個(gè)language（語言），我可以站在巨人的肩膀上，但是它只是我其中的一部分。”

李想在這里透露，理想汽車把基座模型的團(tuán)隊(duì)從智駕系統(tǒng)開發(fā)團(tuán)隊(duì)拆開，并且加大了投入，“訓(xùn)練卡比團(tuán)隊(duì)的預(yù)期應(yīng)該多買了3倍。”

這一基座模型訓(xùn)練出來之后，需要蒸餾成一個(gè)3.6B（即36億）端側(cè)（即上車）的蒸餾模型。“因?yàn)槲乙ＷC它運(yùn)行速度足夠得快，然后無論是兩個(gè)Orin-X還是Thor-U上能夠流暢地運(yùn)行。”

步驟二是做后訓(xùn)練，要把a(bǔ)ction（行動(dòng)）放進(jìn)來，從VL模型變成VLA模型，仍然是一種模仿學(xué)習(xí)。“特別像你去駕校學(xué)開車……這個(gè)時(shí)候大概模型規(guī)模就會(huì)從3.2B大概擴(kuò)大到接近4B，大概這么一個(gè)規(guī)模。”

步驟三是強(qiáng)化訓(xùn)練，“比較像人到社會(huì)上開車了”。強(qiáng)化學(xué)習(xí)一部分先做RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)），包括人類接管的反饋。強(qiáng)化學(xué)習(xí)另一個(gè)部分是純粹的RL（強(qiáng)化學(xué)習(xí)），“是（拿RL模型放到）我們的世界模型來做訓(xùn)練。這塊兒的目的什么呢？就是開得比人類更好。”

當(dāng)這三個(gè)步驟完成了以后，VLA（司機(jī)大模型）能夠跑在車端的模型其實(shí)就產(chǎn)生了。

步驟四，搭建一個(gè)司機(jī)的Agent（智能體），能夠聽懂司機(jī)的語音指令。“如果是一些短指令，通用的短指令VLA（司機(jī)大模型）直接就處理了，不需要再經(jīng)過云端。如果是一些復(fù)雜的指令，其實(shí)先要到云端的32B那里，VL（視覺和語言）處理完以后，（因?yàn)樗斫饨煌ǖ囊磺校麄€(gè)交給VLA（司機(jī)大模型）來進(jìn)行處理，大概這么運(yùn)行的一個(gè)過程。”

最終，李想認(rèn)為，“說白了它最后的一個(gè)好處是說它能夠像人類司機(jī)一樣去理解物理世界，能夠像人類司機(jī)一樣去開車，去處理復(fù)雜的問題，也能像人類司機(jī)一樣跟其他人類進(jìn)行溝通。這是最后我們交付到用戶那里的產(chǎn)品。”

03

還有沒有更強(qiáng)的架構(gòu)？

自特斯拉引入端到端技術(shù)架構(gòu)之后，探索智能駕駛輔助系統(tǒng)的企業(yè)，紛紛模仿。

但是，特斯拉不再舉辦AI DAY之后，業(yè)界無法再跟隨。此后，理想汽車提出了端到端+VLM的雙系統(tǒng)架構(gòu)，被一些企業(yè)學(xué)習(xí)模仿。

再往后呢？

在機(jī)器人領(lǐng)域，VLA架構(gòu)被廣泛討論。和智能駕駛輔助領(lǐng)域，理想汽車和元戎啟行都提出VLA作為下一代架構(gòu)。

李想認(rèn)為，交通領(lǐng)域應(yīng)該是VLA最早實(shí)現(xiàn)應(yīng)用的。

第一，因?yàn)榻煌ㄒ?guī)則清楚，雖然復(fù)雜但具備確定性。

第二，車有三個(gè)方向的自由度需要控制，而機(jī)器人的上來就是40多個(gè)自由度，那個(gè)挑戰(zhàn)就更大了。

第三，在交通領(lǐng)域還能做特別好的強(qiáng)化，“大家在使用的過程中不滿意的時(shí)候就接管了”。

理想汽車自從自研智能駕駛輔助系統(tǒng)以來，已經(jīng)迭代了數(shù)個(gè)技術(shù)架構(gòu)。會(huì)不會(huì)明年又換一個(gè)？

李想表示，司機(jī)大模型是能力最強(qiáng)的架構(gòu)，能解決到全自動(dòng)駕駛，但是，不一定是效率最高的架構(gòu)。VLA基于 Transformer，而Transformer 架構(gòu)不一定是效率最高的，未來大概率會(huì)出現(xiàn)更高效的架構(gòu)，因?yàn)楫?dāng)前VLA對算力要求較高。

未來還沒來，當(dāng)前社會(huì)和行業(yè)對于輔助駕駛有不少負(fù)面評價(jià)，李想說，“比較像黎明前的黑暗吧。我覺得黎明馬上就要來了。”