文｜王磊

裁剪｜秦章勇

设想的AI Talk 第二季，时隔130天后，终于转头。

最新一季访谈中，李想不仅谈到了对东说念主工智能的最新想考，以及当下赞助驾驶的情况，还触及了DeepSeek、特斯拉、苹果等广阔AI公司。

在李想看来，目下赞助驾驶诚然处于十字街头，但对设想影响不大，今天的赞助驾驶就像正处于清早前的昏黑时刻，赞助驾驶行业遭受了问题，恰正是设想评释我方价值所在的时刻。

早在第一季，李想在访谈上就建议了我方的不雅点，设想是一家东说念主工智能企业，咱们要作念的不是汽车的智能化，而是东说念主工智能的汽车化。

面向东说念主工智能期间，设想的逻辑是当AI成为出产器具时，东说念主工智能才会迎来爆发时刻。

如今，东说念主工智能的汽车化，设想一经有了具象的体现——VLA 司机大模子。

李想也坦言，作念 VLA司机大模子，像走向一个无东说念主区，Deepseek 莫得走过这条路，OpenAl 莫得走过这条路，谷歌、Waymo 也莫得走过这条路。

访谈刚运转，李想就抛出一个事实——诚然东说念主工智能国内发展很快，但我方每天的责任时刻并莫得减少，照旧在加多。

这是因为大多数东说念主还把AI算作念信息器具，李想合计AI只是作为信息器具是不完好的，某种进度上，脚下的 AI 仍然是在作念熵增，会加多大齐的无效信息、无效扫尾、无效论断。

正视AI的器具属性，亦然李想在往时的几个月，在里面跟好多东说念主要点策动的问题。

李想把AI器具分为三个层级，辨别是信息器具、赞助器具和出产器具，作为信息器具时，仅具备参考价值。

若是把AI视为赞助器具，不错造就着力，比如当今的赞助驾驶功能，或者用语音的风景来进行导航，翻开好意思团或者听歌等，它会让咱们的着力更高，但仍然离不开咱们。

什么时候，能的确转换咱们的责任的着力以及减少责任时长，就会变成出产器具，也即是Agent（智能体）的出身，在李想看来，其时才是东说念主工智能的确爆发的时刻。

“判断Agent（智能体）是否的确智能，要害在于它是否成为出产器具。就像东说念主类会雇佣司机，东说念主工智能本事最终也会承担访佛职责，成为的确的出产器具。”

为了招待这个时刻，设想的“VLA司机大模子”应时而生，也不错称为司机 Agent，在李想看来，VLA司机大模子即是成为交通范围专科的出产器具。

其实在一个月前，设想汽车的下一代自动驾驶架构VLA就一经亮相了，VLA是视觉-言语-行为大模子，它将空间智能、言语智能和行为智能斡旋在一个模子里，赋予了模子强大的3D空间解析、逻辑推理和行为生成才略，让自动驾驶能够感知、想考和稳妥环境。

是以它既是一个能与用户、解析用户意图的智能体，亦然又名听得懂、看得见、找取得的专属司机。

而李想但愿这个智能体，能像东说念主类司机相似责任，来日也能像东说念主类司机那样创造买卖价值。

在访谈中，设想还展示了搭载了VLA司机大模子的 demo 演示视频，在视频里，设想的这个“司机 Agen”展示了和东说念主类司机访佛的智能才略，不仅具备现存的优秀赞助驾驶才略，而况还能径直通过语音的风景和东说念主类驾驶员高效交互。

比如在通过高速收费站时，径直说出“走东说念主工”三个字，系统就不错从 ETC 收费通说念转向东说念主工收费通说念，在日常驾驶和泊车关节，也不错通过“前哨掉头”、“C 区泊车”、“靠边泊车”等简短提醒，调遣行车或泊车的路子。

换句话讲，东说念主类和VLA之间访佛东说念主和代驾的联系，东说念主们怎么和代驾说，就怎么和司机Agent说。

在主抓东说念主发问试驾VLA（司机大模子）的车有莫得惊喜时刻时，李想颇为“凡尔赛”地示意，挺难有什么惊喜时刻，因为当你把它算作念一个东说念主看待时，它所呈现出的阐扬就很正常。

天然，当平常用户第一次看到 VLA 的测试视频的时候，照旧会骇怪于它的阐扬。

在谈及VLA司机大模子的时候，李想挑升先感谢了DeepSeek，正是因为当初DeepSeek的开源，才让VLA推出的速率比原来的预期要快。

按照李想的说法，其里面正本计算要到本年年底才智作念出能够餍足需求的言语模子，但DeepSeek一开源，短暂就加快了9个月的时刻。

不外DeepSeeK的开源只是加快了 VLA（视觉言语行为模子）的L（language 言语）的部分，像VL（视觉和言语）的组合语料，无论是OpenAI照旧DeepSeek，齐莫得这样的数据，也莫得这样的场景和需求，只可我方来作念。

按照李想的话说，“我不错站在巨东说念主的肩膀上，可是它只是我其中的一部分”。

其更是在访谈上直言，我方之是以将自研的整车操作系统设想星环OS给开源了，一方面是出于对DeepSeeK的感谢，一方面亦然因为受到了那么大的匡助，是以我方合计应该对社会作念点什么孝顺，不让行业这样卷。

VLA就像一个「司机大模子」，不错像东说念主类司机相似责任，不外 VLA 的出身不是突变，而是进化，毕竟“莫得目的径直吃第十个包子”。

所有经由资格了三个阶段，对应了设想汽车赞助驾驶的昨天、今天和来日。

第一阶段，李想将其比方为“虫豸动物智能”：通过机器学习感知互助规则算法的分段式赞助驾驶处理决策，有既定的规则，同期还依赖高精舆图，访佛蚂蚁完成任务的风景。

只是百万量级的参数天然无法完成更复杂的事情，因此需要不休地加松手例则，造成访佛“有轨交通”的神志。

这对应了设想汽车自2021年起，通过自研依赖规则算法和高精舆图的赞助驾驶决策。

而第二阶段则对应了设想汽车自2023年起议论，并于2024年戒备推送的端到端+VLM（Vision Language Model，视觉言语模子）赞助驾驶。

李想将其称之为“哺乳动物智能”阶段：通过端到端大模子学习东说念主类驾驶行为，比如马戏团里的一些动物像东说念主类学习怎么骑自行车，它们能学会东说念主类的多样行为，但其本人对物理天下的解析并不充分。

因此需要通过三维图像判断自身速率和轨迹以及在空间中所处的位置，诚然足以应酬大部分泛化场景，但很难处理从未遭受过或绝顶复杂的问题，此时需要互助视觉言语VLM模子，但现存视觉言语模子在应酬复杂交通环境时只可起到赞助作用。

在端到端的基础上，才智来到第三阶段，也即是李想说的“东说念主类智能”的阶段，给出的谜底即是VLA司机大模子。

它能通过3D和2D视觉的组合，完整地看到物理天下，而不像VLM仅能解析2D图像。同期，VLA领有完整的脑系统，具备言语、CoT（Chain of Thought，想维链）推理才略，既能看，也能解析并的果然践行为，得当东说念主类的运作风景。

李想还列举了端到端+VLM（视觉言语模子）架构可能无法处理，但VLA（视觉言语行为模子）不错处理的corner case（长尾案例）。

至于如何考验VLA，李想也作念了谨慎的弘扬，所有经由就像东说念主学会如何开车相似。

第一步是预考验，这一步的场合是让AI领有对天下和交通的基础领略，就像东说念主先学习多样交规常识相似。

这一步放入实足多的Language，Vision的语料和token（词元）。其中Vision包含两个部分，一部分是物理天下的3D Vision，另一部分是高清2D Vision，然后再放入VL（视觉和言语）汇集的数据，举例将导航舆图和车辆对导航舆图的解析同期放入考验围聚。

从而造成一个VL的基座模子，然后会被“蒸馏”成一个更小、能更快运行的约 32B 端侧的模子，保证它运行速率实足得顺畅。

第二步是后考验，在VL的基础上加入Action，Action部分的后考验访佛东说念主类去驾校学开车，能够径直从视觉到解析再到输出，造成一个低级的 VLA「端到端」模子。

李想还强调，不会作念长想维链，一般是两步到三步，不然永劫延会无法餍足安全性。另外，当 Action 完成后，VLA 还会左证性能作念4-8秒的扩散模子（difussion），展望轨迹和环境。

第三步属于强化学习，主要分为两部分，一是RLHF，基于东说念主类反应的强化学习，会参考大齐东说念主类司机的驾驶数据，当它作念得好时取得饱读吹，作念得不好的时候，会取得反应。

同期，设想汽车搭建了一个相等传神的编造“交通天下”，有点像一个超高水平的模拟器，让AI在里面我方训诲，这部分属于纯正的强化学习。

在考验方针上，设想和会过G值来判断赞助驾驶的舒坦性，同期作念碰撞的反应，还有交通规则的反应。

不出丑出，第三步，就很是于东说念主类拿到驾照后，来到社会上来开车来强化我方的驾驶技巧。当这三个要领完成了以后，VLA 能够跑在车端的模子其实就产生了。

但还莫得完事，这时诚然有了VLA司机大模子，但还无法作念到东说念主类跟VLA的交互，这时候设想就需要搭建一个司机 Agent（智能体），用天然言语教赞助驾驶系统应该如何开车。

若是是一些短提醒，通用的短提醒VLA司机大模子径直就处理了，不需要再经过云表。若是是一些复杂的提醒，其实先要到云表的 32B 的基座模子那儿，VL（视觉和言语）处理完以后，再所有交给VLA司机大模子来进行处理。

在李想看来，VLA是现阶段才略最强的架构，它的才略是最接近东说念主类的，致使有契机进步东说念主类。但不一定是最终极的架构。

“是否是一个着力最高的风景，是否灵验率更高的架构出现，这些还要打个问号，我合计卤莽率照旧会有下一代架构的。”

就像他说的那样，前边莫得任何东说念主走过这条路，设想其实走的是一个无东说念主区。

“设想以前走的是汽车的无东说念主区凯时体育游戏app平台，以后走的是东说念主工智能的无东说念主区。”