在人工智能技术持续突破的浪潮下，理想汽车CEO李想在今晚的#理想AI Talk第二季#上详解其自主研发的VLA（视觉语言行动模型）架构，并称其为“司机大模型”。这一技术被视为自动驾驶领域迈向“生产工具”的关键一步，或将彻底改变人车交互逻辑。

我让AI帮忙整理提炼了一下有关AI和VLA的内容如下：

一、从“机器”到“司机”：VLA如何模拟人类驾驶？

传统自动驾驶技术长期受限于规则算法和端到端模型的“机械性”——前者依赖高精地图和预设规则，后者虽能学习人类行为，却难以理解物理世界。李想将这两类技术比作“昆虫”和“哺乳动物”，而VLA的目标是成为“人类司机”。

VLA的核心架构分为三阶段训练：

1. 预训练：融合3D视觉、高清2D图像及交通语义数据，构建对物理世界的理解基座；
2. 后训练：模仿驾校学习，通过短思维链（CoT）快速决策行动（Action）；
3. 强化训练：结合人类反馈（RLHF）与世界模型仿真，确保驾驶“职业性”（安全、合规、舒适）。

“它最终要像人类一样，既能看懂导航地图，也能在小区里自主漫游。”李想举例称，面对道路施工等复杂场景，VLA可像人类司机般灵活应对，而非僵化停摆。

二、开源力量：DeepSeek如何加速理想汽车AI进程？

中国AI企业DeepSeek的开源模型成为理想VLA开发的催化剂。李想坦言：“原计划年底自研的语言模型，因DeepSeek V3开源提前了9个月。”理想汽车由此将自研操作系统“理想星环OS”开源，形成技术回馈生态。

关键合作亮点：

• 架构借鉴：采用DeepSeek的MoE（混合专家模型），优化训练效率；
• 工程突破：自研FP8浮点运算，解决大模型在车端芯片的部署难题；
• 成本革命：借助开源模型，VLA的万公里验证成本从17万元降至4000元。

三、安全对齐：AI司机的“职业性”从何而来？

“模型能力越强，越需要约束其‘胡来’的可能性。”李想透露，理想汽车已组建100人规模的“超级对齐团队”，从三方面确保AI司机可靠性：

1. 舒适性：通过加速度（G值）量化乘坐体验；
2. 合规性：实时检测交通规则遵守情况；
3. 安全性：在世界模型中预演数亿公里极端场景。

团队甚至模拟了“新手司机加塞”等危险行为，通过强化学习剔除不良驾驶习惯。“我们要训练的不是赛车手，而是职业司机。”李想强调。

四、行业变局：自动驾驶进入“生产力工具”时代

李想将VLA定义为“生产工具”，而非辅助功能。这一转变意味着：

• 用户体验重构：用户可通过自然语言与AI司机交互（如“一直走中间车道”）；
• 商业模式创新：未来或推出“司机订阅服务”，价格仅为人类司机的1/5；
• 技术竞争升维：车企需具备芯片优化、操作系统等全栈能力，单点创新难持续。

对于特斯拉FSD入华，李想评价其“基本功扎实”，但当前版本尚未释放真正实力。“真正的较量在端到端架构与VLA之间展开。”

五、挑战与未来：全自动驾驶还有多远？

尽管VLA被寄予厚望，李想仍保持审慎：

• 技术迭代：Transformer架构的效率瓶颈待突破，未来或出现更优方案；
• 长尾难题：极端场景仍需“规则算法+AI”混合处理（如ETC车道精准定位）；
• 行业协作：专业领域需独立开发Agent（如医疗、法律），通用模型难通吃。

“我们正经历黎明前的黑暗。”李想表示，2025年VLA将支撑理想汽车实现城市NOA全场景覆盖，而真正的“全自动驾驶”需等待法律与社会共识。

结语：AI重构人车关系

从“开车”到“与AI司机共处”，理想汽车的VLA架构不仅是一次技术跃进，更预示着交通领域的生产力革命。当李想说出“我们其实是在造司机”时，或许人类与机器协同驾驶的时代已悄然临近。