本站5月7日消息，理想汽車今日晚間推出“理想AI Talk第二季——理想VLA司機大模型，從動物進化到人類”，理想汽車董事長兼CEO李想分享了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，以及對于創業和個人成長的見解。
李想將AI工具分為三個層級，分別是信息工具、輔助工具和生產工具。
目前，大多數人將AI作為信息工具使用，但信息工具常伴隨大量無效信息、無效結果和無效結論，僅具參考價值。
成為輔助工具后，AI可以提升效率，例如現在的輔助駕駛，但仍需人類參與。
未來，AI發展為生產工具后，將能獨立完成專業任務，顯著提升效率與質量。
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工具。只有當人工智能變成生產工具，才是其真正爆發的時刻。就像人類會雇傭司機，人工智能技術最終也會承擔類似職責，成為真正的生產工具。”
代入到自動駕駛領域來看，李想表示，目前的L2、L2 組合駕駛輔助仍屬于輔助工具階段。
而VLA（Vision-Language-Action Model，視覺語言行動模型）能夠讓AI真正成為司機，成為交通領域的專業生產工具。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”。
VLA的實現不是一個突變的過程，是進化的過程，經歷了三個階段，對應理想汽車輔助駕駛的昨天、今天和明天。
第一階段，理想汽車自2021年起自研依賴規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（Vision Language Model，視覺語言模型）輔助駕駛，接近“哺乳動物智能”。
端到端模型在處理復雜問題時存在局限，雖可借助VLM視覺語言模型輔助，但VLM使用開源模型，使其在交通領域的能力有限。同時端到端模型也難以與人類溝通。
為了解決這些問題并提升用戶的智能體驗，理想汽車自2024年起開展VLA研究，并在多項頂級學術會議上發表論文，夯實了理論基礎。
第三階段，在端到端的基礎上，VLA將開啟“人類智能”的階段，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，具備語言、CoT（Chain of Thought，思維鏈）推理能力，既能看，也能理解并真正執行行動，符合人類的運作方式。
此外，李想還進一步分享了VLA的訓練細節和運作原理。
VLA訓練分為預訓練、后訓練和強化訓練三個環節，類似于人類學習駕駛技能的過程。
預訓練相當于人類學習物理世界和交通領域的常識，通過大量高清2D和3D Vision（視覺）數據、交通相關的Language（語言）語料，以及與物理世界相關的VL（Vision-Language，視覺和語言）聯合數據，訓練出云端的VL基座模型，并通過蒸餾轉化為在車端高效運行的端側模型。
后訓練相當于人類去駕校學習開車的過程。隨著Action（動作）數據的加入——即對周圍環境和自車駕駛行為的編碼，VL基座變為VLA司機大模型。
強化訓練類似于人類在社會中實際開車練習，目標是讓VLA司機大模型更加安全、舒適，對齊人類價值觀，甚至超越人類駕駛水平。
VLA司機大模型以“司機Agent（智能體）”的產品形態呈現，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。
李想強調：理想人工智能走的是無人區，做VLA這件事，Deepseek、OpenAI、谷歌、Waymo都沒有走過這條路，理想以前走的是汽車的無人區，以后走的是人工智能的無人區。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請第一時間聯系我們修改或刪除，多謝。
