首页新闻资讯正文

理想汽车的AI路线图：从端到端走向VLA，走一条行业没人走过的路

11 新闻资讯 2025年05月10日

2025年5月7日，理想汽车举办「AI Talk 第二季」并就VLA司机大模型等一系列内容展开。在当下自动驾驶行业普遍陷入“功能瓶颈”与“用户信任焦虑”之时，VLA不仅是一项技术成果，更是一种战略宣言。此前，由ChatGPT带动的大模型浪潮逐渐从语言走向多模态之后，VLA的出现也可以被视为一场在垂直场景中“自我闭环”的工程性尝试，它不仅标志着理想汽车正式跨入人工智能核心研发阵地，也将自动驾驶从“功能层”推到了“智能协作层”。

自动驾驶，从功能堆叠到智能协作

过去几年，整个智能驾驶行业在“端到端”和“规则算法”之间来回摇摆。技术社区争论模型结构，资本市场押注落地节奏，而用户层面则在体验不稳定与安全焦虑中渐趋疲劳。

理想VLA的意义在于，它不是对已有路线的加强版，而是结构性的方向重建。VLA全称为Vision-Language-Action，即视觉-语言-行为三位一体的大模型体系。它具备三种能力融合输出的能力：看清世界（3D空间建模）、理解语义（语言智能）、做出合理决策（行为生成），最终让驾驶系统从“被动反应”转为“主动协同”。这不是更聪明的工具，而是一个有基本判断力的智能体。换句话说，VLA不仅是“开得更好”，而且是“开得像人”。

技术进化路径背后，是对工程规律的坚持

VLA不是天降成果，而是理想从规则系统、端到端架构、再到多模态融合长期积累的结果。在理想汽车内部，VLA的研发并不是跨越式推进，而是经过工程逻辑深度打磨的自然演进。

李想在AI Talk中明确表达：“VLA不是突变，而是进化。”这个观点背后的意思是——理想从一开始就没有打算跳过模型阶段或捷径式追赶，而是清楚每一步架构演化的技术条件和数据支撑要求。从规则到端到端+VLM，再到VLA，是基于场景、数据体系、工程结构三者耦合之后的结果，而不是某种参数堆叠下的偶然成功。

值得注意的是，VLA并非现有多模态模型的叠加。理想重构了推理链路、推理方式和输出路径，引入action token机制、diffusion轨迹预测，以及投机推理与强化学习联合优化，以适配自动驾驶场景中的实时性、稳定性与安全性。这是一套“为车而生”的AI结构，而非从通用AI平台迁移而来的兼容方案。

理想不谈“AI”，只谈怎么落地

理想汽车在技术叙事中有意淡化“AI能力”的渲染，转而强调系统结构、行为一致性与用户信任。

VLA模型在技术架构上具备高复杂度，但其落地思路相对清晰：VLA将部署在车端运行，并具备独立空间理解、语言交互与轨迹控制能力。配合理想自研的星环OS及自动驾驶控制系统，理想意图构建的是一套从AI底座模型、到智能决策链路、再到系统调度的闭环生态。这意味着，理想并不把AI视作独立功能层，而是产品核心结构的一部分。正如理想在AI Talk中强调的，只有当AI跨域了信息工具、辅助工具之后，真正成为生产工具，才是人工智能爆发的时刻，而理想在做的辅助驾驶，正在一步步走向生产工具。

“司机智能体”的战略含义

自动驾驶行业发展到今天，依然未能摆脱“高上限、低下限”的结构困境。系统在封闭测试场景中表现优异，却在真实环境中常常暴露“不像人”的不稳定行为——忽视潜规则、不合时宜的变道、对行人意图判断失误等，都是典型问题。

VLA的设计目的之一，是通过“超级对齐”手段，解决行为与人类驾驶逻辑不一致的问题。理想通过引入大量用户接管数据、驾驶偏好样本以及城市驾驶中的长尾工况数据，用RLHF *** 将系统行为与人类习惯进行结构性对齐，降低用户的不安全感与陌生感。这种“像人开车”的一致性，是理想赋予VLA最重要的评价标准之一。

VLA的战略价值，也不仅限于自动驾驶。其技术架构本质上是一种通用型物理世界智能体模型（Physical AI），这让理想在汽车这一高复杂度、多变量场景中率先跑通“空间-语言-行为”的智能融合逻辑，也为未来AI在机器人、智能家居等场景的延展埋下了路径。