并非標(biāo)準(zhǔn)答案

相比其他車企每次在新品發(fā)布會(huì)上相對(duì)正式地談?wù)撟约旱闹悄芑瘧?zhàn)略，理想汽車每次都會(huì)單開(kāi)一個(gè)訪談，來(lái)面對(duì)面溝通自己對(duì)智能輔助駕駛的思考。

去年，理想汽車針對(duì)國(guó)內(nèi)特殊的交通環(huán)境，比如很多車道和區(qū)域都具備動(dòng)態(tài)可變性，也會(huì)有潮汐車道和可調(diào)車道，提出智駕模型不僅需要很好的決策規(guī)劃，更需要常識(shí)和邏輯推理能力。

為此，理想比較創(chuàng)新地提出了“系統(tǒng)一”和“系統(tǒng)二”的概念模型，引發(fā)了廣泛的討論和激辯。

而今，理想汽車推出VLA，即“視覺(jué)-語(yǔ)言-行動(dòng)”模型，能用這么短時(shí)間做到技術(shù)上再次創(chuàng)新，李想也坦言是”踩著巨人的肩膀”。

他表示，“DeepSeek給了我們一個(gè)巨大的推動(dòng)力。原本計(jì)劃在年底完成的基座模型，因DeepSeek的開(kāi)源提前了九個(gè)月完成基礎(chǔ)設(shè)施建設(shè)?！?/p>

VLA并非理想首創(chuàng)

雖然說(shuō)理想汽車將VLA以更大的傳播度帶到了大眾視野，但VLA并非是理想汽車行業(yè)首創(chuàng)。

如果溯源的話，VLA最早由DeepMind于2023年提出，應(yīng)用在機(jī)器人領(lǐng)域，旨在通過(guò)視覺(jué)、語(yǔ)言與動(dòng)作的端到端整合，實(shí)現(xiàn)AI與物理世界的交互。

去年9月，元戎啟行也公開(kāi)提出了VLA模型，將其定義為“端到端2.0版本”。而且元戎啟行CEO周光表示，“這套系統(tǒng)上來(lái)以后城區(qū)智駕才能真正達(dá)到好用的狀態(tài)”。

今年，智平方在機(jī)器人領(lǐng)域推出的GOVLA（全域全身VLA）模型，即具備從桌面到開(kāi)放環(huán)境，從單臂到全身協(xié)同，從簡(jiǎn)單任務(wù)到長(zhǎng)程推理能力的“視覺(jué)-語(yǔ)言-行動(dòng)”模型，也進(jìn)一步體現(xiàn)了VLA的先進(jìn)性。

因此，有人提出2025是VLA元年。那VLA究竟是什么，又有什么魔力能夠成為這么多企業(yè)的嚴(yán)選路徑呢？

這不得不提到之前的“智駕香餑餑”，即“端到端”。眾所周知，端到端是通過(guò)海量數(shù)據(jù)訓(xùn)練出來(lái)的大模型，但其本質(zhì)上是一個(gè)“黑盒子”，讓我們沒(méi)有辦法理清為何系統(tǒng)做出某種決策，這就導(dǎo)致其可解釋性很差，進(jìn)而可能引發(fā)一些安全上的隱患。有其當(dāng)其遇見(jiàn)一些罕見(jiàn)未知場(chǎng)景時(shí)，模型的決策將變得不可預(yù)測(cè)，以致于車輛可能出現(xiàn)一些危險(xiǎn)行為。

為了彌補(bǔ)這一點(diǎn)，VLM模型應(yīng)運(yùn)而生，也就是理想去年推出的“系統(tǒng)一”+“系統(tǒng)二”，但端到端+VLM的技術(shù)架構(gòu)也有一些弊端。

首先，由于端到端和VLM是兩個(gè)不同的模型，運(yùn)行于不同的頻率內(nèi)，這也導(dǎo)致整體的聯(lián)合訓(xùn)練和優(yōu)化是非常困難的。并且，VLM是基于LLM大模型而來(lái)，其數(shù)據(jù)源來(lái)自于海量的圖文數(shù)據(jù)，這就導(dǎo)致VLM對(duì)于3D空間的理解先天不足。

除此之外，還有一些客觀原因，比如說(shuō)Orin-X和Thor- U的內(nèi)存帶寬和算力趕不上服務(wù)器GPU，這時(shí)候再去做一些推理預(yù)測(cè)，就顯得格外吃力。

有了這些問(wèn)題，就會(huì)有新的解決方案來(lái)應(yīng)對(duì)，而這個(gè)新的方案，就是VLA（與VLM看上去僅有一個(gè)字母的差異）。

VLA：能夠自己思考的模型

VLA是視覺(jué)語(yǔ)言動(dòng)作大模型，將空間智能、語(yǔ)言智能和行為智能統(tǒng)一在一個(gè)模型里，那么，模型就可以更全面地理解物理世界。比如說(shuō)，在自動(dòng)駕駛中，VLA不僅能識(shí)別紅綠燈，還能理解其語(yǔ)義內(nèi)容，如“紅燈需停車”，并生成對(duì)應(yīng)的剎車動(dòng)作。

同時(shí)，VLA也引入了類人推理邏輯，具備語(yǔ)言、CoT（Chain of Thought，思維鏈）推理能力，能了解多重路況信息，在和其他車輛不斷博弈中，做出安全的最優(yōu)解。

為了實(shí)現(xiàn)這一功能，理想汽車不僅需要喂給模型大量高清的 2D、3D 圖像數(shù)據(jù)，以及與交通相關(guān)的文字資料，還有很多對(duì)世界的理解語(yǔ)義。比如，將導(dǎo)航的地圖、車輛對(duì)導(dǎo)航地圖的理解、看到導(dǎo)航人類做了一個(gè)什么判斷等等全部放進(jìn)去。

這個(gè)過(guò)程就相當(dāng)于人類學(xué)習(xí)物理世界和交通領(lǐng)域的常識(shí)，需要一個(gè)好的基本功。

接下來(lái)，就會(huì)進(jìn)入后訓(xùn)練，這時(shí)會(huì)向模型投入Action數(shù)據(jù)，也就是汽車行駛時(shí)的各種操作和周圍環(huán)境變化的數(shù)據(jù)。有了這些數(shù)據(jù)，基礎(chǔ)模型就升級(jí)成 VLA 司機(jī)大模型。

這個(gè)模型還具備“思維發(fā)散”的能力，能自主預(yù)判接下來(lái)的行駛軌跡和環(huán)境變化，這也提升了其在復(fù)雜交通環(huán)境中的博弈能力。

之后會(huì)進(jìn)入強(qiáng)化訓(xùn)練階段，類似于人類在社會(huì)中實(shí)際開(kāi)車練習(xí)，通過(guò)收集人類反饋，比如說(shuō)什么情況下司機(jī)會(huì)接管，目標(biāo)是讓VLA司機(jī)大模型更加安全、舒適，對(duì)齊人類價(jià)值觀，甚至超越人類駕駛水平。

而李想也透露下一步的計(jì)劃，當(dāng)技術(shù)逐步落地后，降低成本也將成為其重要目標(biāo)。

寫在最后

雖然大家都說(shuō)汽車行業(yè)很卷，但卷不是目的，好才是目標(biāo)。

在智能輔助駕駛的宣傳逐漸降溫后，人們?cè)诠蠢展适逻@件事上，也更加謹(jǐn)慎了。

但另一方面，技術(shù)仍在冰面下悄然演進(jìn)，技術(shù)路徑有共識(shí)，但也絕非毫無(wú)多元色彩。就像今天聊到的VLA，從愿景來(lái)看，確實(shí)有可能讓智能輔助駕駛變得更加可靠，以及更加安全。

保持敬畏，亦保持期待，請(qǐng)相信智能輔助駕駛的發(fā)展會(huì)更穩(wěn)，以及更有信心。

本文作者為踢車幫 晞貝