新華財經北京5月8日電（康耕甫） 近日，在理想汽車推出的《理想AI Talk第二季》中，公司董事長兼CEO李想分享了自己對於人工智能的最新思考，VLA司機大模型的作用、訓練方法和挑戰等。他認爲，判斷Agent（智能體）是否真正智能，關鍵在於它是否成爲生產工具。只有當人工智能變成生產工具，纔是其真正爆發的時刻。

　　李想將AI工具分爲三個層級，分別是信息工具、輔助工具和生產工具。目前，大多數人將AI作爲信息工具使用，但信息工具常伴隨大量無效信息、無效結果和無效結論，僅具參考價值。成爲輔助工具後，AI可以提升效率，例如現在的輔助駕駛，但仍需人類參與。未來，AI發展爲生產工具後，將能獨立完成專業任務，顯著提升效率與質量。

　　VLA的實現是進化的過程

　　目前的L2、L2+組合駕駛輔助仍屬於輔助工具階段，而VLA（Vision-Language-Action Model，視覺語言行動模型）能夠讓AI真正成爲司機，成爲交通領域的專業生產工具。

　　VLA的實現不是一個突變的過程，是進化的過程，經歷了三個階段，對應了理想汽車輔助駕駛的三個階段。第一階段，理想汽車自2021年起自研依賴規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，並於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”。

　　端到端模型在處理複雜問題時存在侷限，雖可藉助VLM視覺語言模型輔助，但VLM使用開源模型，使其在交通領域的能力有限。同時端到端模型也難以與人類溝通。爲了解決這些問題並提升用戶的智能體驗，理想汽車自2024年起開展VLA研究，並在多項頂級學術會議上發表論文，夯實了理論基礎。

　　在端到端的基礎上，到第三階段，VLA將開啓“人類智能”的階段。它能通過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，具備語言、CoT（Chain of Thought，思維鏈）推理能力，既能看，也能理解並真正執行行動，符合人類的運作方式。

　　VLA訓練過程對齊人類價值觀

　　VLA的訓練分爲預訓練、後訓練和強化訓練三個環節，類似於人類學習駕駛技能的過程。預訓練相當於人類學習物理世界和交通領域的常識，通過大量高清2D和3D Vision（視覺）數據、交通相關的Language（語言）語料，以及與物理世界相關的VL（Vision-Language，視覺和語言）聯合數據，訓練出雲端的VL基座模型，並通過蒸餾轉化爲在車端高效運行的端側模型。

　　後訓練相當於人類去駕校學習開車的過程。隨着Action（動作）數據的加入——即對周圍環境和自車駕駛行爲的編碼，VL基座變爲VLA司機大模型。得益於短鏈條的CoT，以及Diffusion擴散模型對於他車軌跡和環境的預測，VLA具備實時性的特點，實現了在複雜交通環境中的博弈能力。

　　強化訓練類似於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，甚至超越人類駕駛水平。強化訓練包含兩部分：一是通過RLHF（Reinforcement Learning from Human Feedback，基於人類反饋的強化學習）完成安全對齊，使模型遵守交通規則，貼閤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，遵守交通規則。經過預訓練、後訓練和強化訓練後，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）”的產品形態呈現，用戶可通過自然語言與司機Agent溝通，跟人類司機怎麼說，就跟司機Agent怎麼說。簡單通用的短指令由端側的VLA直接處理，複雜指令則先由雲端的VL基座模型解析，再交由VLA處理。

　　還需解決安全性和模型黑盒難題

　　除了提升專業能力，VLA司機大模型還需解決安全性和模型黑盒的問題。

　　模型能力越強，越需要職業性約束，以確保能力下限。爲了保障VLA司機大模型能夠實現職業司機般的安全和舒適，避免學習加塞等違規行爲，理想汽車在強化訓練環節投入大量資源，並於2024年底組建超過100人的超級對齊團隊，相當於爲司機Agent注入職業素養。

　　爲解決模型的黑盒問題，理想汽車結合重建和生成兩種路徑，打造了真實、符合物理世界規律的世界模型，覆蓋所有交通參與者和要素。基於世界模型的仿真能力，VLA可以在世界模型中低成本、準確地驗證現實問題，提升解決問題的效率，有效應對模型黑盒帶來的挑戰。

　　判斷司機Agent是否是個好司機，有三個關鍵標準：專業能力、職業能力和構建信任的能力。VLA司機大模型提升了專業能力，超級對齊增強了職業能力，VLA通過理解自然語言、具備記憶能力提升了構建信任的能力。

（文章來源：新華財經）