李想「不想造车」的背后，其实是想造「司机 Agent」

头像

极客公园

2025-05-07 23:18发布于广东极客公园官方账号

AI划重点 · 全文约2539字，阅读需8分钟

1.理想汽车CEO李想宣布将All in AI，转型迈向人工智能科技公司，推出全新VLA(Vision-Language-Action)模型。

2.VLA模型基于大语言模型，具有类似人类司机的智能能力，可通过语音与人类驾驶员高效交互。

3.为此，理想汽车正在训练两个基座大模型，分别为用于语音模型的模型基座和用于VLA模型的视觉与语言基座。

4.除此之外，李想表示，虽然VLA模型能解决全自动驾驶问题，但未来可能还有效率更高的架构。

5.最后，李想提到竞争对手特斯拉，认为其FSD系统的基本功很扎实，是理想真正需要学习的能力。

以上内容由腾讯混元大模型生成，仅供参考

图片

李想认为，理想汽车的智能化原创性已超增程。

作者｜曹思颀 周永亮
编辑｜靖宇

五个月前，李想高调地宣布了将 All in AI，表示理想要从一家智能汽车公司，转型迈向一家人工智能科技公司。
而这次，李想带着全新的 VLA（Vision-Language-Action）模型走到了公众面前。此前，VLA 已经在 3 月的英伟达 GTC 大会上首次发布，它是理想汽车去年在辅助驾驶领域「端到端+VLM」的双系统架构上进化而来的新架构。
智能化，既是理想近年来最希望打造的标签，也是重点投入研发的方向。理想 2025 年产品的核心点都主要围绕智能化升级升级展开，李想曾在内部说：
「理想的智驾原创性，超过了增程」。
因此，推出全新的 VLA 架构模型，李想希望让辅助驾驶进化出类似人类司机的能力。在李想看来，VLA 是理想的「司机大模型」（或「司机 Agent」），他希望这个模型/智能体能像人类司机一样工作，将来也能像人类司机那样创造商业价值。
在 demo 演示视频里，理想的这个「司机 Agent」展示了和人类司机类似的智能能力：不仅具备现有的优秀辅助驾驶能力，而且还能直接通过语音的方式和人类驾驶员高效交互。
在通过高速收费站时，直接说出「走人工」三个字，系统就可以从 ETC 收费通道转向人工收费通道；在日常驾驶和泊车环节，也可以通过「前方掉头」、「C 区停车」、「靠边停车」等简单指令，调整行车或泊车的路线，达到了我们日常和网约车或代驾司机沟通的水准。

01

辅助驾驶再进化：从「双系统」到 VLA

经过了十几年的发展，辅助驾驶经历了多次迭代。其架构演进大致可分为模块化⽅案（2022 年之前）、端到端感知（2023 年）、VLM+E2E （2024 年）。
总的来说，自动驾驶大脑的设计从「各自为政」的小团队，进化到「边看边学」的超级学生，再到「常识+行动」的尝试。
如今，辅助驾驶又来到新的十字路口—— VLA。这也是理想 AI Talk 第二季的重点。基于此，李想认为，辅助驾驶处于「黎明前的黑暗」，黎明马上就要来了。
其实，2025 年 3 月的英伟达 GTC 大会上，理想就发布了下一代自动驾驶架构 VLA。这里稍微介绍一下，VLA 最早是由 Google DeepMind 在 2023 年 7 月提出的用于机器人控制的模型，其以大语言模型为基础，模型在接收摄像头的原始数据和语言指令后，可以直接输出控制信号，完成各种复杂的操作。
对于理想汽车而言，李想表示，VLA 是一个「司机大模型」，它像人类司机一样工作。同时，李想强调，VLA 的诞生不是突变，而是进化。
简单说，VLA 并非抛弃端到端，而是将其作为 VLA 行动（A）部分的基础。只有做好规则算法，才能知道如何做端到端，只有把端到端做到极致水平，才有机会去做 VLA，这个过程没有捷径。
他详细阐述了训练 VLA 的四个步骤，这有点像人类学开车的过程。
图片VLA 司机大模型的训练和推理过程 | 图片来源：直播截图
第一步是预训练，就像去驾校前先学交规、认路标，这一步的目标是让AI拥有对世界和交通的基础认知。理想先训练了一个 VL（视觉和语言）基座模型。然后，它会被「压缩」（蒸馏）成一个更小、能更快运行的模型（约 32B 参数），这样它才能流畅地跑在汽车里的车端芯片上。
第二步是后训练，像在驾校里跟着教练练车。工程师让 AI 观看大量人类司机开车的视频，学习模仿他们的操作。把会「看」和「听」的模型，跟学会了「行动」的模型结合起来，形成一个初级的 VLA「端到端」模型。
第三步是强化训练，像拿到驾照后，在社会上不断磨练提升，成为经验丰富的「老司机」。这个过程要经过两个考验：第一， 参考大量人类司机的驾驶数据。当它做得好时得到「鼓励」，做得不好的时候，比如让人类接管了，得到「反馈」。
同时，理想汽车搭建了一个非常逼真的虚拟「交通世界」，有点像一个超高水平的模拟器，让AI在里面自己练习。
最后，有了这个 VLA「司机大脑」后，理想汽车还设计了一个「司机Agent」。用户可以像跟你自己的司机说话一样，用自然语言告诉车想去哪、怎么开，Agent 会把你的指令传达给 VLA，让它去执行。
不过，李想也表示，VLA（司机大模型）能够解决到全自动驾驶，但未来可能还有效率更高的架构。虽然目前的 Transformer 是能力最强的架构，甚至有机会超过人类，但它对算力的要求还是很高。这也意味着 VLA 可能并非终极解决方案，未来的技术演进仍充满变数。

02

拥抱开源，感谢 DeepSeek

DeepSeek 的出现，加速了 AI 领域的进化，也影响了理想在 AI 领域的研发进程。
在原有的计划里，理想原计划在今年 9 月先推出一个足够好的语音模型（即 VLA 里的「L」部分），在此基础上再继续训练 VLA 模型。DeepSeek 的出现让理想看到了「站在巨人肩膀上」的机会。
据李想回忆，今年 1 月 DeepSeek R1 模型发布并开源后，他很快就和 CTO 谢炎、基座模型负责人陈伟达成了共识。团队内部认为应该以此为基础，加速 VLA 研发进展，并研究如何在芯片上也跑到同样的训练和推理的效率。
李想说，公司「拥抱 DeepSeek 的过程比想象得快」。而更加令人意外的是，李想披露了公司开源自研四年的整车操作系统——理想星环 OS，其核心动因并非战略考量，而是受到 DeepSeek 开源精神的鼓舞，「说白了纯粹是感谢 DeepSeek」。
图片李想在 AI Talk 中发表观点 | 图片来源：直播截图
当然，AI 的研究和投入也在继续。李想说，2025 年理想购买的训练卡比预期大概「多了 3 倍」。
目前，理想正在训练两个基座大模型，分别是：

  • 一个用于「理想同学」App 的模型基座，参数量约为 300B（3000 亿），使用场景是用在类似豆包、KIMI 的语音模型应用上

  • VL（Vision+Language）模型底座，参数量大约在 32B（320 亿），为 VLA 模型的训练基座

在李想看来，VLA 模型是一条 DeepSeek、OpenAI、Waymo 等公司都没有走过的「无人区」，和目前通用语言模型最大的不同之处就在于，训练 VLA 模型，需要加入足够过视觉和语言联合的语料，即三维图像和模型对世界的理解语义要同时产生的，而这样的模型并没有原始数据。
在春节之后理想的第一次例会上，李想将 DeepSeek 的出现比作 Linux 的推出，并表示理想要追逐人工智能的「安卓时刻」。理想希望可以在专业和垂直领域里，训练出一个专用大模型，以提升垂直领域的 AI 能力，并最终交付价值。
在访谈最后，李想也提到了竞争对手特斯拉。他表示目前特斯拉 FSD 在国内的模型水平，并不代表特斯拉的真实实力，「大概在用 V12.5 以前的模型」。但整体来看，他依然认为特斯拉 FSD 系统的基本功很扎实，是理想真正需要学习的能力。
「基本功」也是这场 AI Talk 中李想反复提到的高频词汇。他认为「不可能不做前面的积累，直接吃到第 10 个包子」。他认为在内卷的环境下，更要重视基本功，否则创新会变成昙花一现。
而人工智能，显然是当下李想和他的团队认可并正在大力投入的那个方向。
*头图来源：理想 AI Talk 第二季
本文为极客公园原创文章，转载请联系极客君微信 geekparkGO