今年三月，在NVIDIA 2025春季GTC大會上，理想汽車自動駕駛技術研發負責人賈鵬介紹了他們最新的成果：MindVLA大型模型。
該模型是一個擁有22億參數的Vision-Language-Action Model (VLA)。賈鵬進一步表示，他們已經成功將該模型部署在車輛上。理想汽車認為，VLA模型是解決AI與物理世界互動挑戰的最有效方法。
過去一年，端到端架構已成為智慧駕駛領域的技術熱點，推動車企從傳統的模組化規則設計轉向整合系統。先前領先的基於規則演算法的車企面臨轉型之痛，而後來者則抓住了機會，取得了競爭優勢。
理想汽車就是一個很好的例子。
理想汽車去年在智慧駕駛方面的進展可謂迅速。7月，它率先實現了全國範圍內的無地圖NOA (Navigation on Autopilot)，並推出了一種獨特的「端到端（快速系統）+ VLM（慢速系統）」架構，在業界引起了廣泛關注。
今晚，隨著理想汽車AI Talk第二季的播出，我們更深入地了解了李想所說的「人工智慧公司」。
「駕駛員大型模型」也是你的司機
理想汽車CEO李想在去年12月的第一季AI Talk中首次提到了VLA，當時他與騰訊新聞的首席技術作家張小軍進行了對話。當時他說：
我們理想汽車在做理想同學和自動駕駛，其實按照行業標準是分開的，而且還是在早期階段。我們在做的Mind GPT其實是一個大型語言模型；我們在做的自動駕駛，我們內部叫行為智能，但是按照李飛飛（史丹佛大學終身教授，前Google首席科學家）的定義，它叫做空間智能。只有你真的大規模做了之後，你才會知道這兩個一定有一天會被連通起來。我們內部稱之為VLA (Vision Language Action Model)。
李想認為，基礎模型一定會在某個時刻變成VLA。原因是，語言模型只能透過語言和認知來理解三維世界，這顯然是不夠的。「它需要真正基於向量，使用Diffusion (擴散模型)，並使用生成方法（來理解世界）。」
可以說，VLA的誕生不僅是大膽嘗試將語言智能和空間智能深度整合，也是理想汽車對「智能汽車」概念的重新詮釋。
李想在今晚的AI Talk中進一步定義：「VLA是一個駕駛員大型模型，像人類駕駛員一樣工作。」它不僅僅是一種技術，更是一個可以與用戶自然交流並做出獨立決策的智慧夥伴。
那麼，VLA究竟是什麼？核心其實很簡單：透過整合視覺感知、自然語言理解和動作生成能力，車輛變成了一個可以與人交流並做出自己決策的「駕駛代理」。
想像一下，你坐在車裡，隨意說一句：「我今天有點累，開慢一點」，車輛不僅會理解你的意思，還會調整速度，甚至選擇更平穩的路線。這種自然而流暢的互動，正是VLA想要實現的。李想透露，所有短指令都由車輛直接處理，而複雜指令則由雲端的32億參數模型解析，確保了效率和智能。
實現這個目標並不容易。VLA的特殊之處在於它連接了視覺、語言和動作三個維度。用戶的一個簡單指令可能涉及對周圍環境的即時感知、對語言意圖的準確理解以及對駕駛行為的快速調整。三者缺一不可。
而VLA的厲害之處在於，它可以讓這三者無縫協同工作。
從視覺到現實，VLA的研發是一片未知的領域。李想坦言：「視覺和動作數據的獲取是最困難的。沒有一家公司可以替代。」
要了解VLA的技術背景，我們還必須了解理想汽車智慧駕駛的演進歷程。
李想說，早期的系統是「昆蟲級」智能，只有數百萬個參數，由規則和高精度地圖驅動，遇到複雜的路況就無能為力。後來，端到端架構和視覺語言模型使技術躍升到「哺乳動物級」，擺脫了對地圖的依賴，全國無地圖NOA成為現實。
事實上，這一步已經讓理想汽車走在了行業前列，但他們顯然並不滿足於此。在李想看來，VLA的出現標誌著理想汽車的智慧駕駛技術進入了一個新的「人類智能」階段。
與之前的系統相比，VLA不僅可以感知3D物理世界，還可以進行邏輯推理，甚至生成接近人類水平的駕駛行為。
舉一個簡單的例子，假設你在擁擠的街道上說「找個地方掉頭」，VLA不會機械地執行指令，而是會綜合考慮路況、交通流量和交通規則，找到最合理的時機和地點來完成掉頭。
李想說，VLA可以透過生成數據快速適應新的場景，甚至可以在三天內優化對首次遇到的複雜道路維修的反應。這種靈活性和判斷力是VLA的核心優勢。
理想汽車的老師是DeepSeek
支撐VLA的是理想汽車獨立開發的複雜而精密的技術系統。該系統使汽車不僅能「理解」世界，還能像人類駕駛員一樣思考和行動。
首先是3D Gaussian representation技術，它使用許多「高斯點」來創建3D物體。每個點都包含其自身的位置、顏色和大小信息。該技術使用自監督學習來訓練一個強大的3D空間理解模型，使用大量的真實數據。有了它，VLA可以像人類一樣「理解」周圍的世界，知道障礙物在哪裡，可通行區域在哪裡。
接下來是Mixture of Experts (MoE) 架構，它由專家網路、門控網路和組合器組成。當模型參數超過數千億時，傳統方法會讓所有神經元都參與每次計算，這是一種資源浪費。MoE架構中的門控網路會根據不同的任務調用不同的專家，以確保激活參數不會顯著增加。
談到這一點，李想也稱讚了DeepSeek：
DeepSeek使用了人類的最佳實踐……當他們在做DeepSeek V3的時候，V3也是一個MoE，一個671B的模型。我認為MoE是一個非常好的架構。它相當於將一群專家組合在一起，每一個都是一種專家能力。
最後，理想汽車將Sparse Attention引入到VLA中，用外行話來說，這意味著VLA會自動調整關鍵區域的注意力權重，從而提高終端側的推理效率。
李想說，在這個新基礎模型的訓練過程中，理想汽車的工程師花費了大量的時間來尋找最佳的數據比例，整合了大量的3D數據和與自動駕駛相關的文字和圖像數據，並降低了文學和歷史數據的比例。
從感知到決策，VLA借鑒了人類思維的快慢組合模式。它可以快速輸出簡單的動作決策，例如緊急避讓，也可以使用短思考鏈來「慢慢思考」以應對更複雜的場景，例如臨時規劃一條繞過施工區域的路線。為了進一步提高實時性能，VLA還引入了推測推理和平行解碼技術，充分利用車載晶片的計算能力，以確保決策過程快速而不混亂。
在生成駕駛行為時，VLA使用Diffusion模型和Reinforcement Learning from Human Feedback (RLHF)。Diffusion模型負責生成優化的駕駛軌跡，而RLHF則使這些軌跡更接近人類習慣，既安全又舒適。例如，VLA會在轉彎時自動減速，或者在合併車道時保持足夠的安全距離。這些細節反映了對人類駕駛行為的深入學習。
世界模型是另一項關鍵技術。理想汽車透過場景重建和生成，為強化學習提供了一個高品質的虛擬環境。李想透露，世界模型已將每1萬公里的驗證成本從17萬至18萬元降至4000元。它允許VLA在模擬中不斷優化，並輕鬆應對複雜的場景。
說到訓練，VLA的成長過程也相當有組織。整個過程分為三個階段：預訓練、後訓練和強化學習。李想說：「預訓練就像學習知識，後訓練就像在駕校學習駕駛，而強化學習就像社會實踐。」
在預訓練階段，理想汽車為VLA創建了一個視覺語言基礎模型，塞滿了豐富的3D視覺數據、2D高清圖像和與駕駛相關的語料庫，讓它首先學會「看」和「聽」；訓練後，添加動作模組，生成4-8秒的駕駛軌跡，模型從32億個參數擴展到40億個。
強化學習分為兩個步驟：首先，使用RLHF來對齊人類習慣，分析接管數據，並確保安全性和舒適性；然後，使用純粹的強化學習進行優化，基於G值（舒適度）、碰撞和交通規則反饋，使VLA「比人類駕駛得更好」。李想提到，這個階段是在世界模型中完成的，模擬真實的交通場景，效率遠勝於傳統的驗證。
這種訓練方法不僅保證了技術的先進性，也使得VLA在實際應用中足夠可靠。
李想承認，VLA的成功離不開業界標竿的啟發。DeepSeek的MoE架構不僅提高了訓練效率，也為理想汽車提供了寶貴的經驗。他感嘆：「我們站在巨人的肩膀上，加速VLA的研發。」這種開放的學習態度讓理想汽車在無人區走得更遠。
從「資訊工具」到「生產工具」
目前，AI產業正在經歷從「資訊工具」到「生產工具」的深刻轉型。隨著大型模型技術的成熟，AI不再僅限於處理數據和提供建議，而是開始具備獨立決策和執行任務的能力。
李想在AI Talk第二季中提出，AI可以分為資訊工具（如搜索）、輔助工具（如語音導航）和生產工具。他強調：「人工智慧成為生產工具的那一刻，才是真正爆發的時刻。」隨著大型模型技術的成熟，AI不再僅限於處理數據，而是開始具備獨立決策和執行任務的能力。
這種趨勢在「具身智能」的概念中尤其明顯——AI系統被賦予物理實體，能夠感知、理解和與環境互動。
理想汽車的VLA模型正是這一趨勢的生動實踐。透過整合視覺、語言和動作智能，它將汽車轉變為一個可以自主駕駛並與用戶自然互動的智能代理，完美地詮釋了「具身智能」的核心概念。
只要人類聘請專業司機，人工智慧就可以成為一種生產工具。當人工智慧成為一種生產工具時，人工智慧將真正爆發。
李想的這番話闡明了VLA的核心價值——它不再是一個簡單的輔助工具，而是一個可以獨立執行任務和承擔責任的「駕駛代理」。這種轉變不僅提高了汽車的實用價值，也為AI在其他領域的應用開闢了想像空間。
李想對AI的思考始終具有一種跳脫框架的視角。他還提到：「VLA不是一個突變的過程，而是一個演化的過程。」這句話準確地概括了理想汽車的技術路徑——
從早期的規則驅動，到端到端突破，再到今天的VLA的「人類智能」水平。這種演化的思維不僅使VLA在技術上更具可行性，也為業界提供了一個參考範式。與一些盲目追求顛覆的嘗試相比，理想汽車務實的道路可能更適合複雜的中國市場。
從技術到信念，理想汽車的AI探索並非一帆風順。李想坦言：「我們在AI領域經歷了很多挑戰，就像黎明前的黑暗，但我們相信，只要我們堅持不懈，我們就會看到光明。」VLA的研發面臨著諸如計算能力瓶頸和數據倫理等問題，但理想汽車透過自研基礎模型和世界模型，逐漸迎來了他們的技術黎明。
李想也在採訪中提到，VLA的成功離不開中國AI的崛起。
他說，DeepSeek和通義千問等模型的出現，使中國的AI水平迅速接近美國。其中，DeepSeek秉持的開源精神尤其令人鼓舞，這直接促使理想汽車開源星環OS。李想說：「這並非出於公司戰略考慮。DeepSeek給了我們這麼多幫助，我們應該為社會貢獻一些東西。」
在追求技術突破的同時，理想汽車並未忽視AI技術的安全和倫理問題。VLA引入的「超級對齊」技術透過Reinforcement Learning from Human Feedback (RLHF)使模型的行為更接近人類習慣。數據顯示，VLA的應用使高速MPI (平均介入里程) 從240公里增加到300公里。
更重要的是，理想汽車強調構建「具有人類價值觀的AI」，並將道德和信任視為技術發展的基石。從更宏觀的角度來看，VLA的意義在於它重新定義了汽車公司的角色。
過去，汽車是工業時代的交通工具；今天，它們正在演變成人工智慧時代的「空間機器人」。李想在AI Talk中提到：「理想汽車過去走在汽車的無人區，未來將走在人工智慧的無人區。」理想汽車的這種轉型為汽車產業的商業模式帶來了新的想像空間。
當然，VLA的發展並非沒有挑戰。計算能力的持續投入、數據倫理以及消費者對自動駕駛的信任建立，都是理想汽車需要面對的問題。此外，AI產業的競爭也日益激烈。國內外巨頭如Tesla、Waymo和OpenAI都在加速多模態模型的佈局。理想汽車需要在技術迭代和市場推廣方面保持領先地位。「我們沒有捷徑，只能深耕細作，」李想說。
毫無疑問，VLA的落地將是一個關鍵節點。
理想汽車計劃在2025年7月與純電動SUV理想汽車i8同步發布VLA，並在2026年實現量產。這不僅是對技術的全面考驗，也是對市場的重要試金石。