經觀汽車
2025年5月8日，距離「AI Talk」第一季播出已有130天，面對鏡頭，理想汽車創始人李想坦言：「人工智慧發展得這麽快，但我每天的工作時間並沒有減少。」這一句話，道出了他對AI技術落地路徑的冷靜思考，也預示著理想汽車在智慧化道路上的階段躍遷。
在這場持續數小時的訪談中，李想系統性地闡述了他對AI工具分級的理解——從資訊工具、輔助工具，到生產工具。而在理想的語境中，生產工具意味著AI真正進入價值創造的核心。這場技術演化的關鍵，正在從模型的堆疊走向具象能力的整合與釋放。
過去四個月，中國本土大模型迎來了突飛猛進的發展。李想在談話中頻頻提及DeepSeek——這一國產大模型體系，在技術架構、推理能力和工程效率上的表現，讓理想汽車決策層重新評估了其VLA（視覺-語言-行動）戰略的實施路徑。
「DeepSeek給了我們一個巨大的推動力。」李想坦承，原本計劃在年底完成的基座模型，因DeepSeek的開源提前了九個月完成基礎設施建設。
也正是出於這種「被幫助之後的反饋機制」，理想汽車選擇開源自研四年的星環OS整車作業系統。「我們受到了那麽大的幫助，應該給社會做一些貢獻。」李想說。
他提到，在過去的春節期間，理想團隊圍繞DeepSeek展開了全面研究，從模型的MoE（混合專家）結構、訓練效率、到部署難度，進行了詳盡評估。「這不是簡單的‘借用’，而是站在巨人的肩膀上再進一層。」他說。
從規則到端到端，再到VLA
李想認為，人工智慧走向生產力的關鍵在於Agent能力的釋放，即AI不再只是輔助人類思考和判斷，而是能夠獨立完成專業工作，承擔「替代性」的角色。理想汽車當前的VLA戰略，正是對這一目標的路徑設計。
VLA，即「視覺-語言-行動」模型，是理想汽車提出的輔助駕駛大模型方案。李想將VLA的發展劃分為三個階段：
第一階段是以規則演算法為主的「昆蟲智慧」，高度依賴地圖和預設規則，類似螞蟻在路徑上的機械執行。
第二階段是當前正在推進的端到端模型，透過大數據學習形成對行為的模仿，類似「哺乳動物式」的感知和反應，雖不完全理解物理世界，但能完成一定泛化任務。
第三階段，即VLA階段，則是李想眼中「類人智慧」的起點。它不僅能夠看懂導航界面、辨識3D場景，還能進行語意推理（Chain of Thought），具備主動判斷和行動的能力。「這是我們的‘司機大模型’。」李想說。
為了達成這一目標，理想汽車正在訓練一個32B規模（即320億參數規模）的VL（視覺-語言）基座模型。
李想詳細介紹了訓練的三個關鍵部份：
首先，是視覺方面的token和語料。理想在模型中納入了大量3D視覺數據，即來自物理世界的三維資訊，同時還引入了高畫質2D影像數據，分辨率相比開源多模態模型提升了10倍，以解決當前2D視覺模態解析度不足、辨識距離有限的問題。
其次，是語言部份的輸入。模型訓練加入了大量與交通、駕駛行為相關的語言語料，以強化其在實際場景中的語意理解能力。
第三個關鍵點，是視覺與語言的聯合語料（VL語料）。李想強調，這一部份極易被忽視，但對VLA至關重要。聯合語料指的是影像資訊與語言語意同時存在於一個數據單元中，比如導航地圖與車輛對其的語意理解共同輸入模型，幫助模型建立起從視覺到語言再到行動之間的深度聯結能力。
「過去的VLM（視覺-語言模型）大多只是能看圖說話，但理解不了世界。我們要的是一個能看懂真實世界、理解物理規則、具備行動意圖的大模型。」李想指出。
在談及基座模型的研發投入時，李想表示：「我們今年的訓練卡采購量，是原定計劃的三倍。」這一擴張級別，反映出理想汽車在自研基礎模型上的戰略押註。
盡管DeepSeek的開源帶來了加速效應，李想並未對自研路徑抱有任何僥幸心理。他反復強調：「沒有任何捷徑。如果規則演算法做不好，根本不知道怎麽走端到端。端到端不做到極致，就沒法訓練好VLA。」
這也解釋了為什麽理想汽車仍然堅持構建自己的基座模型，而不是完全依賴第三方平台。「我們的任務不僅僅是對話生成。我們要的是對多模態世界的理解，是真正為汽車場景服務的智慧體。」李想說。
談及行業格局，李想將DeepSeek比作「Linux時刻」，而理想追逐的，則是「安卓時刻」。
「語言模型只是底座，真正的爆發在於將其部署於特定領域，釋放出完整的套用能力。」他表示，在交通領域，理想希望借由VLA構建出具備認知、推理和行動能力的類人駕駛模型。
這一願景背後，是理想汽車從底層作業系統到多模態大模型全面自研的技術鏈閉環。而在產業層面，這也意味著一場從傳統規則驅動到智慧體驅動的範式躍遷正在發生。
李想認為，輔助駕駛行業當前正處於「黎明前的黑暗」。爭議與困境並存，但這正是新範式到來的前夜。「我最願意解決的就是別人解決不了的問題。」他說。
在理想汽車的路徑圖中，AI不再是一個效率工具，而是一個系統性、可延伸、可以承擔主角的「生產工具」。在這個定義之下，VLA不僅是技術躍遷的起點，更是理想汽車試圖重塑人車關系、重塑交通智慧產業的路徑嘗試。
