李想「不想造车」的背后，其实是想造「司机 Agent」

分类：汽车

浏览数：5727

2025-05-08

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。

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。

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。

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」。

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

汽车分类资讯推荐