近期，新能源車圈出現了一個不尋常的變化——各家都把自己的“自動駕駛”宣傳改為“輔助駕駛”。
究其原因，是4月16日，工信部的一次會議強調，汽車生產企業需明確系統功能邊界和安全響應措施，禁止誇大和虛假宣傳。
而在這場會議之前，理想汽車的ceo李想就已經呼籲，媒體和行業應該統一自動駕駛的標準，在推廣上克制，在技術上投入。
前不久，2025理想ai talk第二季播出，節目中李想更是談到了一個輔助駕駛的行業痛點：
大模型有了，輔助駕駛也有了，但專門適配輔助駕駛的大模型呢？
在今年英偉達2025春季gtc大會上，理想汽車vla司機大模型，正式亮相。
在李想看來，vla模型是解決ai與輔助駕駛交互難題最有效的方法。
在產品形態呈現上，它既是智能體，又是專屬司機。
在傳統輔助駕駛企業聚焦感知算法時，理想vla司機大模型選擇的路線是：
攻佔行業里的“技術無人區”。
在過去一年中，智能駕駛領域的技術經歷了一次深刻的變革，其代表，就是端到端架構成為輔助駕駛領域的技術熱點。
所謂“端到端”，區別於之前市場上技術路徑——模塊化規則（rule-based）。
模塊化規則把輔助駕駛系統分成感知、決策、執行三個大類，通過激光雷達等傳感器，先感知周圍有什麼，再做個決策，再告訴汽車怎麼做。
三個模塊，每一層傳遞都有信息損耗，而且，流程很呆板，會遇到很多錯誤。
而 “端到端” 就是把三個核心模塊整合在一起，傳感器端收集信息，輸出的是形式軌跡，全都由一個模型實現，中間沒有任何規則。
舉個例子，車在自動駕駛時，遇到一輛大貨車靠近，按照模塊化規則，大概率就是剎車減速。
但人開車不會那麼笨，而是會想自己是不是開太慢了？或者大貨車要變道？然後一腳油門，遠離貨車。
端到端，就是像人類一樣，將傳統輔助駕駛的感知-預測-規劃-控制這些子模塊全部神經網絡化，用先進的算法模型，來取代傳統的算法和人工編寫的規則。
在國內，去年7月，理想在行業內率先實現了全國無圖 noa（導航輔助駕駛），同時推出了全球首創的端到端（快系統）+vlm（慢系統）架構，並於去年10月完成全面落地，備受行業關注。
在李想看來，理想汽車的輔助駕駛技術演進分為三個階段：
第一階段（昆蟲級智能），是2021年，和同行一樣，依賴規則算法和高精地圖，去做輔助駕駛。
但李想清楚，僅憑目前市場上百萬參數的規模，車企面對複雜路況，很容易束手無策，距離真正的自動駕駛，距離太遠。
所以在第二個階段（哺乳動物級智能），理想開始主動引入端到端+vlm架構，實現全場景端到端能力，擺脫地圖依賴。
真正讓高級輔助駕駛成為用戶放心、好用的一個選擇，而不是宣傳上的噱頭。
如今，李想更是提出，要實現“人類級智能”的第三個階段。
而這一躍遷的核心，就在於將ai大模型和算法、語音交互等多模態進行融合，讓汽車可以通過視覺感知理解3d物理世界（如車道線、動態物體），語言模型解析指令語義，再結合擴散模型生成擬人化駕駛軌跡，形成“感知-思考-行動”閉環。
簡單點說，就是突破端到端的局限，讓汽車學會像人一樣思考。
理想vla司機大模型就是這樣的一個產物，它將空間智能、認知智能統一在一個模型里，並賦予了模型的3d空間理解、邏輯推理和行為生成能力，讓自動駕駛能夠感知、思考和適應環境。
它既是一個能與用戶、理解用戶意圖的智能體，也是一名聽得懂、看得見、找得到的專屬司機。
區別於現在很多車企輔助駕駛系統和語音大模型的應用割裂，理想汽車打破端到端+vlm兩個獨立模型的上限天花板，並不是簡單地將端到端模型和vlm模型兩者結合在一起，所有模塊都是全新設計。而這在行業內，還是第一次。因為目前市場上還沒有一輛智能車，既有大模型對話，又突破了多模態協同效率。
李想解釋說：“（vla）訓練過程就像人類司機成長。”
司機的成長，一是駕校階段，二是常年的訓練，尤其是高強度的訓練，要經歷複雜路況等等。
vla的訓練也是分為預訓練、後訓練和強化訓練三個環節，預訓練相當於人類在學習科目一的基本知識，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，訓練出雲端的vl基座模型，並通過蒸餾轉化為在車端高效運行的端側模型。
後訓練相當於去駕校學習真實開車的過程，強化訓練則類似於人類在社會中實際開車練習。經過預訓練、後訓練和強化訓練後，vla司機大模型即可部署至車端運行。
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。
當然，僅僅從技術開拓無人區，還並不能滿足李想的預想。
既然大模型要像人一樣開車，也要像人一樣遵守道德和法律。
只有做到車技下限能力的可控，才能真正讓自動駕駛成為一種可靠的選擇。
而提升agi產品的下限能力關鍵就在於使其符合人類的利益，將自動駕駛表現與人類習慣對齊。
為此，理想又在“價值對齊無人區”開闢了一個新戰場。
理想加入輔助駕駛倫理概念，將交通法規、社會公序良俗轉化為機器可執行的約束規則。
比如說，有些彎道限速60時，其他車輛保持60碼的速度，但自動駕駛的車受到固定算法的限制，用30碼的速度開，如此一來，不僅對車輛造成危險，對很多車主來說，也是件頭疼的事。
這個時候，理想vla司機大模型就會自動學習，與其他車輛進行速度對齊，以60碼的速度行駛，也更符合法規常識。
此外，在惡劣天氣下，當激光雷達、攝像頭被遮擋或污染時，vla司機大模型也會及時、準確地告知用戶。
那麼，理想是怎麼實現這種對齊的呢？
基於人類反饋的強化學習（rlhf），以人類是否接管作為反饋，進行強化訓練，跟人類駕駛對齊。在模型上限不變的情況下，理想汽車從舒適性、安全性、邏輯選擇變道等層面入手，使其盡量與人類習慣保持一致。
比如，vla會在轉彎時像人類一樣自動減速，或者在併線時留出足夠的安全距離。
這套超級對齊系統，能夠基於對人類駕駛行為的深度學習，實時進化，並自動觸發模型微調，將輔助駕駛的表現與人類駕駛表現對齊，讓vla“開得比人類更好”。
挺進無人區是件艱難的事情，但李想也坦言，vla的成功離不開中國ai的崛起。
他表示，deepseek、通義千問等模型的出現讓中國ai水平迅速接近美國。
其中，deepseek所秉持的開源精神尤為令人振奮，“獨行快，眾行遠”，這也促使了理想開源星環os。
李想稱：“這不是出於公司戰略考量，deepseek給我們那麼大幫助，我們應該為社會貢獻點什麼。”
面對目前行業智能汽車“重複造輪子”的困境，理想的“做點什麼”，就是打破模型和模型，輔助駕駛和輔助駕駛之間的生態壁壘。
在2025的中關村論壇年會上，李想就公開宣布，理想汽車將成為全球首家將汽車操作系統開源的汽車企業。將自家的理想星環os，主動開放給友商。
相較大量傳統車企仍在使用的行業頭部閉源autosar操作系統，星環os的核心性能、安全性、成本效率、適配性和靈活性等指標，都實現了行業領先。
比如，對於最新的ai學習芯片，理想星環的適配周期大概需要4周的時間，相比於使用autosar時節省了約5個月的時間。
大幅提升了其他廠商推出新品的時間，也緩解了友商遭遇芯片荒的情況。
再以目前市場最關注的輔助駕駛的安全場景為例，傳統aeb的自動緊急制動有很長的調度延時。
而理想星環os實現了全域的系統架構設計，能夠優化調度，相比傳統的autosar響應時間，速度快了1倍，穩定性提高了5倍。
體現在具體的功能上，在高速路上120的時速進行aeb的制動，大概可以縮短7米的制動距離。
這要放在別的車企，可能就是一個宣傳賣點。
但理想卻選擇打破傳統技術黑箱，開放格局，加速推動行業擺脫對傳統閉源系統的依賴，實現生態共榮。
當其他車企在輔助駕駛的“已知大陸"深耕時，理想汽車開啟了一個新的時代：
在"無人區"建立新的創新矩陣，並重新定義了輔助駕駛的進化路徑，這或許就是中國科技企業突破“創新達爾文陷阱”的一種可能——在無人區播下技術種子，用開放協作催熟果實，最終讓整個產業向新維度漂移。
