理想汽車創始人李想近期分享了公司在自動駕駛領域的最新進展，特別是關于VLA（視覺語言行動模型）的應用。他形象地比喻，VLA對于理想汽車而言，就像是一個活生生的“司機大模型”，其運作方式正日益接近人類司機的思維與操作模式。
李想透露，理想汽車在智能駕駛技術的探索之路上，已經歷了三個關鍵階段。首個階段始于2021年，當時主要依賴于機器學習來感知環境，并結合后端的一系列規則算法來完成諸如規劃、控制及執行等任務。這一階段的技術發展是分步驟、模塊化的，雖然有效，但距離“類人”的智能駕駛仍有較大差距。
緊接著，第二個階段在2023年啟動研究，并于2024年正式推出了“端到端”系統。這一階段的重大突破在于，系統不再僅僅依賴單個模塊的獨立判斷，而是將整個駕駛過程整合得更加連貫和統一，從而能夠更高效地應對復雜路況，展現出更加自然的駕駛行為。
目前，理想汽車正全力推進第三階段的發展，即VLA模型的應用。這一模型標志著智能駕駛技術邁入了一個嶄新的高度。與以往的技術相比，VLA不僅僅停留在圖像識別的層面，而是能夠像人類一樣，通過3D視覺與2D圖像的結合，來“理解”真實世界的物理結構。它不僅能夠“看到”道路和車輛周圍的情況，還能“理解”導航軟件的運行邏輯，這是傳統的視覺語言模型VLM所無法比擬的。VLM只能識別圖片內容，而無法真正理解場景背后的深層邏輯。
VLA模型的核心優勢在于其擁有類似人類的“大腦系統”。它不僅能夠觀察外部環境，還能理解和推理出正在發生的事情。VLA具備自己的“語言”和“思維鏈”，能夠進行多步驟的推理，從而做出更加符合實際情境的決策。這種能力使得VLA在面對突發情況或復雜路況時，能夠像經驗豐富的老司機一樣迅速反應，并采取恰當的操作。
