理想汽车近期在其“理想AI Talk第二季”活动中，隆重推出了名为“理想VLA司机大模型”的创新技术，这一举措由理想汽车董事长兼CEO李想亲自揭晓，他同时分享了关于人工智能的深度见解、VLA司机大模型的具体作用、其独特的训练方法以及所面临的挑战，还谈到了创业和个人成长的感悟。
李想将AI工具的发展划分为三个层次：信息工具、辅助工具和生产工具。他指出，当前大多数人使用AI的方式还停留在信息工具层面，这类工具往往伴随着大量无效的信息和结论，仅作为参考使用。当AI进化为辅助工具时，如当前的辅助驾驶系统，能够显著提升效率，但仍需人类的介入。
李想强调，AI真正的突破点在于成为生产工具，这是衡量AI是否真正智能的关键。他比喻说，就像人类会雇佣司机一样，AI技术也终将承担类似的职责，成为真正的生产工具。只有当AI在生产领域独立承担专业任务，并能显著提升效率与质量时，才算迎来了真正的爆发。
在自动驾驶领域，李想认为当前的L2、L2+级别的组合驾驶辅助仍然属于辅助工具阶段。而理想汽车所研发的VLA（视觉语言行动模型）则致力于将AI推向生产工具的新高度，让AI成为交通领域的专业生产工具，如同一位真正的司机。
VLA的实现是一个逐步进化的过程，经历了三个关键阶段。从2021年开始，理想汽车自研依赖规则算法和高精地图的辅助驾驶，这可以比作“昆虫动物智能”。随后，从2023年起，理想汽车开始研究并在2024年正式推出了端到端+VLM（视觉语言模型）辅助驾驶，这标志着向“哺乳动物智能”的迈进。然而，端到端模型在处理复杂问题和与人类沟通方面存在局限。
为了解决这些问题，理想汽车自2024年起开始研究VLA，并在多项顶级学术会议上发表论文，奠定了坚实的理论基础。VLA在端到端的基础上，开启了“人类智能”的阶段。它能够通过3D和2D视觉的组合，完整地感知物理世界，并拥有完整的脑系统，具备语言、CoT（思维链）推理能力，既能看，也能理解并真正执行行动，这符合人类的运作方式。
李想还详细分享了VLA的训练细节和运作原理。VLA的训练过程分为预训练、后训练和强化训练三个环节，这与人类学习驾驶技能的过程颇为相似。预训练相当于人类学习物理世界和交通领域的常识，通过大量高清视觉数据和语言语料，训练出云端的VL基座模型。后训练则如同人类去驾校学习开车，随着动作数据的加入，VL基座变为VLA司机大模型。强化训练则类似于人类在社会中实际开车练习，目标是让VLA司机大模型更加安全、舒适，并符合人类的价值观。
VLA司机大模型以“司机Agent”的形式呈现，用户可以通过自然语言与司机Agent进行沟通，就像与人类司机交流一样。简单通用的短指令由车端的VLA直接处理，而复杂指令则先由云端的VL基座模型解析，再交由VLA处理。
李想自豪地表示，理想汽车在人工智能领域走的是一条无人区之路。在研发VLA的过程中，他们没有追随Deepseek、OpenAI、谷歌、Waymo等科技巨头的脚步，而是选择了自己的道路。理想汽车以前在汽车领域走的是无人区，现在，他们在人工智能领域也同样在开拓新的道路。
