李想「不想造車」的背後，其實是想造「司機 Agent」

分類：汽車

瀏覽數：5727

2025-05-08

李想認為，理想汽車的智能化原創性已超增程。

作者｜曹思頎周永亮
編輯｜靖宇

五個月前，李想高調地宣布了將 all in ai，表示理想要從一家智能汽車公司，轉型邁向一家人工智慧科技公司。

而這次，李想帶著全新的 vla（vision-language-action）模型走到了公眾面前。此前，vla 已經在 3 月的英偉達 gtc 大會上首次發布，它是理想汽車去年在輔助駕駛領域「端到端+vlm」的雙系統架構上進化而來的新架構。

智能化，既是理想近年來最希望打造的標籤，也是重點投入研發的方向。理想 2025 年產品的核心點都主要圍繞智能化升級升級展開，李想曾在內部說：

「理想的智駕原創性，超過了增程」。

因此，推出全新的 vla 架構模型，李想希望讓輔助駕駛進化出類似人類司機的能力。在李想看來，vla 是理想的「司機大模型」（或「司機 agent」），他希望這個模型/智能體能像人類司機一樣工作，將來也能像人類司機那樣創造商業價值。

在 demo 演示視頻里，理想的這個「司機 agent」展示了和人類司機類似的智能能力：不僅具備現有的優秀輔助駕駛能力，而且還能直接通過語音的方式和人類駕駛員高效交互。

在通過高速收費站時，直接說出「走人工」三個字，系統就可以從 etc 收費通道轉向人工收費通道；在日常駕駛和泊車環節，也可以通過「前方掉頭」、「c 區停車」、「靠邊停車」等簡單指令，調整行車或泊車的路線，達到了我們日常和網約車或代駕司機溝通的水準。

輔助駕駛再進化：從「雙系統」到 vla

經過了十幾年的發展，輔助駕駛經歷了多次迭代。其架構演進大致可分為模塊化⽅案（2022 年之前）、端到端感知（2023 年）、vlm+e2e （2024 年）。

總的來說，自動駕駛大腦的設計從「各自為政」的小團隊，進化到「邊看邊學」的超級學生，再到「常識+行動」的嘗試。

如今，輔助駕駛又來到新的十字路口—— vla。這也是理想 ai talk 第二季的重點。基於此，李想認為，輔助駕駛處於「黎明前的黑暗」，黎明馬上就要來了。

其實，2025 年 3 月的英偉達 gtc 大會上，理想就發布了下一代自動駕駛架構 vla。這裡稍微介紹一下，vla 最早是由 google deepmind 在 2023 年 7 月提出的用於機器人控制的模型，其以大語言模型為基礎，模型在接收攝像頭的原始數據和語言指令後，可以直接輸出控制信號，完成各種複雜的操作。

對於理想汽車而言，李想表示，vla 是一個「司機大模型」，它像人類司機一樣工作。同時，李想強調，vla 的誕生不是突變，而是進化。

簡單說，vla 並非拋棄端到端，而是將其作為 vla 行動（a）部分的基礎。只有做好規則演算法，才能知道如何做端到端，只有把端到端做到極致水平，才有機會去做 vla，這個過程沒有捷徑。

他詳細闡述了訓練 vla 的四個步驟，這有點像人類學開車的過程。

vla 司機大模型的訓練和推理過程 | 圖片來源：直播截圖

第一步是預訓練，就像去駕校前先學交規、認路標，這一步的目標是讓ai擁有對世界和交通的基礎認知。理想先訓練了一個 vl（視覺和語言）基座模型。然後，它會被「壓縮」（蒸餾）成一個更小、能更快運行的模型（約 32b 參數），這樣它才能流暢地跑在汽車裡的車端晶元上。

第二步是後訓練，像在駕校里跟著教練練車。工程師讓 ai 觀看大量人類司機開車的視頻，學習模仿他們的操作。把會「看」和「聽」的模型，跟學會了「行動」的模型結合起來，形成一個初級的 vla「端到端」模型。

第三步是強化訓練，像拿到駕照後，在社會上不斷磨練提升，成為經驗豐富的「老司機」。這個過程要經過兩個考驗：第一，參考大量人類司機的駕駛數據。當它做得好時得到「鼓勵」，做得不好的時候，比如讓人類接管了，得到「反饋」。

同時，理想汽車搭建了一個非常逼真的虛擬「交通世界」，有點像一個超高水平的模擬器，讓ai在裡面自己練習。

最後，有了這個 vla「司機大腦」後，理想汽車還設計了一個「司機agent」。用戶可以像跟你自己的司機說話一樣，用自然語言告訴車想去哪、怎麼開，agent 會把你的指令傳達給 vla，讓它去執行。

不過，李想也表示，vla（司機大模型）能夠解決到全自動駕駛，但未來可能還有效率更高的架構。雖然目前的 transformer 是能力最強的架構，甚至有機會超過人類，但它對算力的要求還是很高。這也意味著 vla 可能並非終極解決方案，未來的技術演進仍充滿變數。

擁抱開源，感謝 deepseek

deepseek 的出現，加速了 ai 領域的進化，也影響了理想在 ai 領域的研發進程。

在原有的計劃里，理想原計劃在今年 9 月先推出一個足夠好的語音模型（即 vla 里的「l」部分），在此基礎上再繼續訓練 vla 模型。deepseek 的出現讓理想看到了「站在巨人肩膀上」的機會。

據李想回憶，今年 1 月 deepseek r1 模型發布並開源後，他很快就和 cto 謝炎、基座模型負責人陳偉達成了共識。團隊內部認為應該以此為基礎，加速 vla 研發進展，並研究如何在晶元上也跑到同樣的訓練和推理的效率。

李想說，公司「擁抱 deepseek 的過程比想像得快」。而更加令人意外的是，李想披露了公司開源自研四年的整車操作系統——理想星環 os，其核心動因並非戰略考量，而是受到 deepseek 開源精神的鼓舞，「說白了純粹是感謝 deepseek」。

李想在 ai talk 中發表觀點 | 圖片來源：直播截圖

當然，ai 的研究和投入也在繼續。李想說，2025 年理想購買的訓練卡比預期大概「多了 3 倍」。

目前，理想正在訓練兩個基座大模型，分別是：

一個用於「理想同學」app 的模型基座，參數量約為 300b（3000 億），使用場景是用在類似豆包、kimi 的語音模型應用上
vl（vision+language）模型底座，參數量大約在 32b（320 億），為 vla 模型的訓練基座

在李想看來，vla 模型是一條 deepseek、openai、waymo 等公司都沒有走過的「無人區」，和目前通用語言模型最大的不同之處就在於，訓練 vla 模型，需要加入足夠過視覺和語言聯合的語料，即三維圖像和模型對世界的理解語義要同時產生的，而這樣的模型並沒有原始數據。

在春節之後理想的第一次例會上，李想將 deepseek 的出現比作 linux 的推出，並表示理想要追逐人工智慧的「安卓時刻」。理想希望可以在專業和垂直領域裡，訓練出一個專用大模型，以提升垂直領域的 ai 能力，並最終交付價值。

在訪談最後，李想也提到了競爭對手特斯拉。他表示目前特斯拉 fsd 在國內的模型水平，並不代表特斯拉的真實實力，「大概在用 v12.5 以前的模型」。但整體來看，他依然認為特斯拉 fsd 系統的基本功很紮實，是理想真正需要學習的能力。

「基本功」也是這場 ai talk 中李想反覆提到的高頻辭彙。他認為「不可能不做前面的積累，直接吃到第 10 個包子」。他認為在內卷的環境下，更要重視基本功，否則創新會變成曇花一現。

而人工智慧，顯然是當下李想和他的團隊認可並正在大力投入的那個方向。

*頭圖來源：理想 ai talk 第二季

本文為極客公園原創文章，轉載請聯繫極客君微信 geekparkgo

汽車分類資訊推薦