在2024年12月的AI Talk上，理想汽車創(chuàng)始人李想主要討論的理想汽車在人工智能時代的愿景和長遠規(guī)劃等。
比如，他說“理想汽車未來要成為一家人工智能企業(yè)，要做的不是汽車的智能化，而是人工智能的汽車化”，“理想汽車的愿景是要通過人工智能技術(shù)將物理世界和數(shù)字世界進行融合，讓有限的空間實現(xiàn)無限的延伸，推動人工智能普惠到每一個家庭?！?/p>
他還把理想汽車實現(xiàn)這一愿景分為三個階段，理想汽車也根據(jù)三個階段的演進實行三步走戰(zhàn)略，這被認為是理想汽車面向人工智能時代轉(zhuǎn)型的路線圖。
AI Talk 第二季，李想主要分享了他對人工智能的一些新思考，以及這些思考如何落在理想汽車最新的產(chǎn)品和技術(shù)進展中。他還圍繞著“人工智能”這個話題談到了DeepSeek這家新興公司以及特斯拉、蘋果等科技行業(yè)的龐然大物。
他試圖通過這一次的AI Talk讓外界更加了解理想汽車的內(nèi)核，以及由內(nèi)在的企業(yè)價值向外延伸的社會責任。
輔助駕駛的十字路口
在一系列驚人事故之后，相關(guān)部門叫停了車企在輔助駕駛的激進宣傳，甚至還有人要求叫停輔助駕駛。
李想把這段時間稱為“黎明前的黑暗”：“我覺得黎明馬上就要來了。但是會先經(jīng)歷一個黑暗的過程，之所以有黑暗是因為要迎來黎明。我覺得這是今天這么一個階段。”
此前，理想汽車用增程方案解決電池續(xù)航不足、電池原材料成本高昂的問題；隨著純電車型推出的5C技術(shù)也是理想汽車面向純電汽車充電慢、等待時間長的問題。
業(yè)界早已形成共識，在自動駕駛的不同階段，L3為有監(jiān)督智能駕駛，不是L2輔助駕駛的延續(xù)，而是L4高度自動駕駛的先導程序。
輔助駕駛其實只實現(xiàn)了特定功能，而自動駕駛則關(guān)乎整體能力。傳統(tǒng)的L2輔助駕駛依賴上一代自動駕駛方案，通過預(yù)設(shè)條件來執(zhí)行不同場景下的智駕功能，無法窮盡所有的corner case（極端情況）。
理想汽車的解決方法就是借鑒人類駕駛技能提升的過程，用人工智能的方式實現(xiàn)汽車駕駛的智能化。
AI工具的三個層級
李想把人工智能工具分為三個層級，分別是信息工具、輔助工具和生產(chǎn)工具。當前絕大部分人仍將AI作為信息工具使用，但信息工具常伴隨大量無效信息、無效結(jié)果和無效結(jié)論，僅具參考價值。成為輔助工具后，AI可以提升效率，比如現(xiàn)在的L2\L2+輔助駕駛，但仍需人類參與。未來，AI發(fā)展為生產(chǎn)工具后，將能獨立完成專業(yè)任務(wù)，顯著提升效率與質(zhì)量。
對應(yīng)的，理想汽車的輔助駕駛也將經(jīng)歷三個階段，第一階段，理想汽車自2021年起自研依賴規(guī)則算法和高精地圖的輔助駕駛，類似“昆蟲動物智能”。第二階段，理想汽車自2023年起研究，并于2024年正式推送的端到端+VLM（Vision Language Model，視覺語言模型）輔助駕駛，接近“哺乳動物智能”。
端到端模型在處理復雜問題時存在局限，首先它是一個黑盒子，反應(yīng)到汽車和駕駛員上就是所謂的“端味”，實際上這意味著端到端模型對復雜路況的理解比較慢，比如復雜修路，規(guī)則算法可能會撞上去，而端到端可以處理，但效率還不夠高，可能就導致車輛停下來。另外一個問題是它無法和人溝通，這也是為什么現(xiàn)在端到端模型仍然需要人類駕駛員完全監(jiān)督。
VLM視覺語言模型是一個開源模型，在交通領(lǐng)域的能力有限。因此，理想汽車輔助駕駛的第三個階段是VLA（Vision-Language-Action Model，視覺語言行動模型）的應(yīng)用——讓AI真正成為司機，成為交通領(lǐng)域的專業(yè)生產(chǎn)工具，是一個像人類司機一樣工作的司機大模型。
從端到端+VLM到VLA的進化
在端到端的基礎(chǔ)上，VLA將開啟“人類智能”的階段，能通過3D和2D視覺的組合，完整地看到物理世界，而不像VLM僅能解析2D圖像。同時，VLA擁有完整的腦系統(tǒng)，具備語言、思維鏈推理能力，既能看，也能理解并真正執(zhí)行行動，符合人類視覺系統(tǒng)和大腦的運作方式。
VLA的訓練分為預(yù)訓練、后訓練和強化訓練三個環(huán)節(jié)，類似于人類學習駕駛技能的過程。預(yù)訓練相當于人類學習物理世界和交通領(lǐng)域的常識，通過大量高清2D和3D 視覺數(shù)據(jù)、交通相關(guān)的語言語料，以及與物理世界相關(guān)的VL（Vision-Language，視覺和語言）聯(lián)合數(shù)據(jù)，訓練出云端的VL基座模型，并通過蒸餾轉(zhuǎn)化為在車端運行的端側(cè)模型。
后訓練就像人類去駕校學習開車的過程。隨著動作數(shù)據(jù)的加入——即對周圍環(huán)境和自車駕駛行為的編碼，VL基座變?yōu)閂LA司機大模型。得益于短鏈條的思維鏈推理，以及Diffusion擴散模型對于他車軌跡和環(huán)境的預(yù)測，VLA具備實時性的特點，實現(xiàn)了在復雜交通環(huán)境中的博弈能力。
強化訓練相當于人類在社會中實際開車練習，目標是讓VLA司機大模型更加安全、舒適，對齊人類價值觀，最終目標是超越人類駕駛水平。強化訓練包含兩部分：一是通過RLHF（Reinforcement Learning from Human Feedback，基于人類反饋的強化學習）完成安全對齊，使模型遵守交通規(guī)則，貼合中國用戶的駕駛習慣；二是將純強化學習模型放入世界模型中訓練，提升舒適性，避免碰撞事故，遵守交通規(guī)則。經(jīng)過預(yù)訓練、后訓練和強化訓練后，VLA司機大模型即可部署至車端運行。
VLA司機大模型以“司機Agent（智能體）”的產(chǎn)品形態(tài)呈現(xiàn)，用戶可通過自然語言與司機Agent溝通，跟人類司機怎么說，就跟司機Agent怎么說。簡單通用的短指令由端側(cè)的VLA直接處理，復雜指令則先由云端的VL基座模型解析，再交由VLA處理。
2024年底，理想汽車組建了超過100人的超級對齊團隊，這個團隊的主要工作就是為司機Agent注入職業(yè)素養(yǎng)，就像專門的培訓員，把一名普通的網(wǎng)約車司機培養(yǎng)成一名高級且全面的專業(yè)司機。
另外，為了解決VLA司機大模型底層的端到端的模型黑盒問題，理想汽車利用重建和生成兩種路徑，打造了真實、符合物理世界規(guī)律的世界模型，覆蓋所有交通參與者和要素。基于世界模型的仿真能力，VLA可以在世界模型中低成本、準確地驗證現(xiàn)實問題，提升解決問題的效率，有效應(yīng)對模型黑盒帶來的挑戰(zhàn)。
最終，用戶可以從三個維度評價司機Agent：專業(yè)能力、職業(yè)能力和構(gòu)建信任的能力。這些正是解決了端到端大模型主導的輔助駕駛系統(tǒng)產(chǎn)生的其他問題，在車輛和用戶之間建立起信任。
巨額自研投入+對外合作學習
目前，理想汽車超100億的年研發(fā)投入已有接近一半聚焦于人工智能，并建立了四支AI團隊，分別在輔助駕駛、理想同學、智能商業(yè)和智能工業(yè)等領(lǐng)域解決不同的問題。
在VLA上，理想汽車原本的計劃是今年9月能夠做一個非常好的語言模型出來，然后再往下訓練VLA。“但是站在今天來預(yù)測，我不認為我們做出來的語言模型能力會比DeepSeek更強。而且后者開源非常徹底?！?/p>
理想汽車的CTO謝炎和理想汽車基座模型負責人陳偉都堅持認為，“理想汽車應(yīng)該站在巨人的肩膀上，加速VLA中L（語言）的部分。”這是李想本人也沒有想到的。
“我們在人工智能戰(zhàn)略小組里不停討論，我和謝炎也通了很多電話，其實我后來發(fā)現(xiàn)我們都不糾結(jié)，因為不管是什么，我們最終的目標都是為用戶推出最佳體驗的產(chǎn)品和服務(wù)?！崩钕胝f，因為DeepSeek開源，理想汽車的VLA研發(fā)時間縮短了9個月，這背后意味著巨大的收益。
也是在DeepSeek開源的影響下，李想和謝炎都認為，理想汽車也能對社會做一些貢獻，所以他們決定把自研整車操作系統(tǒng)理想星環(huán)OS開源——理想在這套操作系統(tǒng)研發(fā)上花了4年時間。
5月8日，理想汽車再次用非常蘋果的風格發(fā)布了理想L系列智能煥新版，而蘋果也是李想經(jīng)常掛在嘴邊的一家科技公司——它并不是一家被認為是引領(lǐng)了人工智能的公司。李想認為，面向人工智能時代，理想汽車更需要向蘋果和特斯拉這樣的公司學習，包括學習他們扎實打好基本功和管理規(guī)?；哪芰?。
“在人工智能時代，基本功是不可跳躍的。”李想說。
