當理想汽車純電SUV i8亮相時，外界的目光大多還是聚焦在它的造型、內(nèi)飾乃至是價格上——一如往常。但少有人意識到，在這輛車的方向盤背后，搭載著一套足以改寫理想輔助駕駛技術(shù)版圖的核心系統(tǒng)：VLA司機大模型。它并非一次簡單的功能升級，而是理想汽車在過去五年里跨越兩個技術(shù)時代——從人工規(guī)則時代，到人工智能時代——所積累的全部心血的結(jié)晶。

這種技術(shù)變革往往比外觀設(shè)計更隱形，卻也更驚險。五年前，理想輔助駕駛團隊還在為一個個Corner Case頭疼——在雨夜、在橋洞、在施工路段，算法像“昆蟲”一樣，依賴既定規(guī)則和地圖。要讓一臺車學會“像人一樣思考”，這條路并不比造出一輛全新電動車容易多少。

更具戲劇性的是，理想每次都沒有選擇更穩(wěn)妥的路線。行業(yè)內(nèi)，很多廠商仍在用“規(guī)則+地圖”的傳統(tǒng)架構(gòu)兢兢業(yè)業(yè)完善功能，而理想?yún)s在內(nèi)部掀起了一場自我革命：徹底告別地圖依賴，轉(zhuǎn)向端到端大模型，甚至押注比端到端更激進的VLA司機大模型。其間的風險和質(zhì)疑可想而知——從團隊內(nèi)部的工程挑戰(zhàn)，到外部對“舒適度、安全性”的質(zhì)疑，幾乎每一個版本迭代都像一次“無人區(qū)探險”。

也正因為有這樣的背景，理想i8搭載的VLA輔助駕駛系統(tǒng)并不僅僅是一套功能的升級，而是一段技術(shù)路線變革的結(jié)果。為了理解VLA的意義，就必須回望理想這五年在輔助駕駛技術(shù)架構(gòu)上的轉(zhuǎn)變與抉擇：

為什么要一再推翻已有成果，每一次切換解決了什么難題，它又把整個行業(yè)推向了怎樣的未來？

工程師的駕駛手冊：用規(guī)則圈養(yǎng)的智能機器

要理解這場技術(shù)革命的起點，就必須回到2021年。那時的輔助駕駛，本質(zhì)上是工程師為汽車編寫的一本詳盡"駕駛手冊"。每一種路況、每一個交通場景，都需要人為設(shè)定應對規(guī)則：前車剎車時減速多少？變道時保持多大安全距離？紅綠燈倒計時如何響應？

理想汽車的工程師們就像一群嚴謹?shù)慕坦?，試圖為一臺機器制定出涵蓋所有可能情況的行駛規(guī)范。他們選擇了輕圖、無圖的技術(shù)路線，甚至在2022年就做出了一個在當時看來相當激進的決定：用視覺感知取代角毫米波雷達。

這個決定現(xiàn)在看來頗具前瞻性，但在當時卻充滿爭議。畢竟，大多數(shù)車企還在用各種雷達為系統(tǒng)提供"安全感"，理想?yún)s選擇了以視覺為主的路線。

然而，規(guī)則時代的美好愿景很快就撞上了現(xiàn)實的墻壁。問題出現(xiàn)在人類認知的局限性上：沒有人能夠預見所有可能的駕駛場景，更無法為每一種變化制定完美的應對策略。

最典型的困境被理想汽車自動駕駛研發(fā)高級副總裁郎咸朋博士形象地概括為"按下葫蘆起來瓢"——當工程師解決了一個場景的問題時，往往會在另一個場景中產(chǎn)生新的麻煩。就像給一個機器人設(shè)定"遇到障礙物就停車"的規(guī)則，看似安全，但如果每遇到路邊停車就剎停，在擁堵路段就變成了災難。

更深層的問題在于，決定系統(tǒng)性能的核心因素是"人"——工程師的經(jīng)驗、編程水平和算法能力。即便是最優(yōu)秀的工程師，面對無窮無盡的長尾場景也會感到力不從心。一些復雜的交通情況，根本無法用簡單的規(guī)則來描述和解決。

經(jīng)過三年的拼搏，理想汽車的全場景MPI（平均接管里程）達到了約12公里的水平。

這在規(guī)則時代已經(jīng)是相當不錯的成績，但團隊內(nèi)部很清楚，這條技術(shù)路線正在接近天花板。要想實現(xiàn)真正的突破，必須尋找新的出路。

端到端的覺醒：從規(guī)則到模仿的躍遷

2024年中期，理想汽車做出了一個在當時看來頗為冒險的決定：徹底告別規(guī)則時代，擁抱端到端大模型。這個決策的背后，是對技術(shù)本質(zhì)的深刻反思。

如果說規(guī)則時代是"告訴車輛怎么做"，那么端到端就是"讓車輛學會怎么做"。技術(shù)邏輯發(fā)生了根本性轉(zhuǎn)變：不再是工程師預設(shè)各種應對方案，而是讓AI通過學習大量人類駕駛數(shù)據(jù)，模仿人類開車的技巧。這就像從"填鴨式教育"轉(zhuǎn)向了"啟發(fā)式學習"。

端到端技術(shù)帶來的效果是立竿見影的。2024年7月，第一個端到端版本的MPI就達到了十幾公里，一舉超越了規(guī)則時代三年的積累。這個結(jié)果讓團隊既興奮又意外——原來AI的學習能力如此強大。

更令人振奮的是數(shù)據(jù)增長帶來的性能飛躍。隨著訓練數(shù)據(jù)從100萬clips增加到200萬、再到1000萬clips，MPI呈現(xiàn)出指數(shù)級增長。到2025年初，當數(shù)據(jù)量達到1000萬clips時，MPI突破了100公里大關(guān)。從12公里到120公里，實現(xiàn)了10倍增長，僅僅用了7個月時間。

這種提升速度在規(guī)則時代是完全無法想象的。就像一個學生從不及格突然躍升到優(yōu)秀，端到端的表現(xiàn)讓整個團隊看到了AI時代的無限可能。

但就在團隊為這個成績感到欣喜時，一個新的問題悄然浮現(xiàn)。

從2025年3月到7月底的數(shù)據(jù)來看，盡管團隊投入了5個月時間進行優(yōu)化，模型性能只提升了兩倍左右。增長速度明顯放緩了。

原因并不復雜——當數(shù)據(jù)量超過1000萬clips后，單純增加數(shù)據(jù)量已經(jīng)無法帶來顯著提升。就像學生考試，從不及格到及格很容易，但從80分提升到90分就需要更多技巧和努力。有價值的駕駛數(shù)據(jù)變得越來越稀缺。

更嚴重的是，團隊發(fā)現(xiàn)無論如何調(diào)整數(shù)據(jù)配比，端到端系統(tǒng)總是會出現(xiàn)一些令人困惑的問題：

比如出現(xiàn)了一些違反常理的行為——車輛可能在需要左轉(zhuǎn)的車道上臨時變道避讓，但隨后發(fā)現(xiàn)無法順利插回原車道，陷入了自己給自己制造的困境。

它的決策不夠聰明——面對前方大貨車阻擋上匝道的情況，車輛會選擇先切換到旁邊車道，但這樣做反而給后續(xù)并線制造了更多麻煩，而不是簡單跟隨前車通過。

這導致了駕乘人員的安全感出現(xiàn)不足，影響體驗。在橋洞等視線受阻的區(qū)域，人類司機會憑經(jīng)驗進行防御性減速，但端到端系統(tǒng)只有"看到"潛在危險才開始反應。

郎咸朋用了一個極其生動的比喻來總結(jié)端到端時代的根本困境："現(xiàn)在端到端的這套模仿學習并不具備深度的邏輯思考能力，就像猴子開車一樣。喂猴子一些香蕉，它可能會按照你的意圖做一些行為，但并不知道自己為什么要做這些行為，一敲鑼它就過來，一打鼓它就跳舞，但不知道為什么要跳舞。"

這個比喻道出了端到端技術(shù)的本質(zhì)困境：它頂多算是一個高級的"應激反應系統(tǒng)"，給定輸入就產(chǎn)生輸出，但背后缺乏真正的邏輯推理能力。

端到端+VLM：給"猴子"配上智囊團

認識到端到端缺乏深度思考能力后，理想汽車嘗試了一個看似合理的解決方案：端到端+VLM（視覺語言大模型）。這就像給一個反應很快但不善思考的司機配了一個智囊團——當遇到需要深度決策的復雜場景時，VLM可以提供更理性的分析和建議。

設(shè)想是很美好的。端到端負責基礎(chǔ)的感知和反應，VLM負責復雜情況下的決策思考，兩者結(jié)合應該能夠取長補短。

但現(xiàn)實很快就給了團隊當頭一棒。VLM的推理速度只有2-3Hz，根本無法滿足實時駕駛的需求。更致命的是，端到端模型完全"聽不懂"VLM在說什么。

郎咸朋的比喻再次一針見血："就像我們對猴子說人話一樣，你跟猴子說別跳了，或者說讓它往哪走，它很難理解人在說什么，因為它沒有思考能力。"

VLM可能提供了非常合理的決策建議，但端到端模型無法理解這些建議的含義，更無法將其轉(zhuǎn)化為實際的駕駛行為。這種"雞同鴨講"的狀況讓整個方案陷入了死胡同。

團隊面臨一個根本性問題：要么讓VLM變得更快（技術(shù)上極其困難），要么讓端到端變得更聰明（同樣困難）?；蛘?，尋找一個全新的技術(shù)路線。

郎咸朋又用了一個非常形象的比喻來描述端到端時代的困境：“猴子開車”。

在實際的測試中，"猴子開車"的問題在實際駕駛中表現(xiàn)為三種典型癥狀：

違反常理的行為：車輛可能會做出看似合理但實際不當?shù)臎Q策，比如在需要左轉(zhuǎn)的車道上臨時變道，但隨后又無法順利返回。

開車不夠聰明：面對復雜情況時，車輛無法做出最優(yōu)決策，比如在匝道前遇到大貨車時，不會選擇最合理的跟車策略。

安全感不足：缺乏人類司機天然具備的防御性駕駛意識，往往要等看到危險才開始反應，而不是提前預判和準備。

"現(xiàn)在端到端的這套模仿學習并不具備深度的邏輯思考能力，就像猴子開車一樣。喂猴子一些香蕉，它可能會按照你的意圖做一些行為，但并不知道自己為什么要做這些行為。"

一個大膽的VLA設(shè)想：讓機器會思考

面對端到端+VLM的困境，理想汽車團隊開始思考一個根本性問題：既然端到端模型聽不懂VLM的"人話"，那為什么不讓它直接學會"說人話"和"想人事"呢？

這個想法催生了VLA（Vision-Language-Action）司機大模型。VLA不是簡單的技術(shù)拼接，而是從架構(gòu)層面的重新設(shè)計，讓視覺、語言和行動三種能力在同一個模型中有機融合。

分開理解這三個字母并不困難，其中Vision（視覺）：通過各種傳感器和導航信息，讓模型對空間有精準的感知能力，就像給司機配備了最敏銳的眼睛。

Language（語言）：將復雜的空間信息進行高度壓縮和編碼，用語言的形式進行內(nèi)部表達。就像經(jīng)驗豐富的司機能夠用簡潔的話語準確描述復雜的交通狀況。

Action（行動）：基于對場景的理解，生成具體的駕駛行為。這里最大的創(chuàng)新是使用了Diffusion技術(shù)，能夠生成自然、平滑的行駛軌跡，而不是生硬的軌跡點連接。

此前我們已經(jīng)介紹過一次理想VLA技術(shù)的能力：比如在通過高速收費站時，可以直接說“走人工”，系統(tǒng)就可以從眾多的ETC收費通道中轉(zhuǎn)向人工收費通道。在日常的駕駛環(huán)節(jié)，也可以通過“前方掉頭”和“前進10米”的簡單指令，調(diào)整行車路線——就像是我們平時和代駕司機直接溝通的水準。

這也意味著VLA在嘗試理解物理世界。

VLA最大的突破在于解決了端到端時代的"溝通鴻溝"。由于整個模型都具備語言理解能力，人類可以直接用自然語言與VLA交互，這種交互與VLA內(nèi)部的決策邏輯是完全一致的。

當用戶說"開快點"時，這相當于給VLA的內(nèi)部決策系統(tǒng)發(fā)送了一個prompt指令；而VLA在分析路況、做出決策時，內(nèi)部也是通過類似的語言編碼進行推理的。這種一致性讓人機交互變得天然而流暢。

更重要的是，VLA不再依賴于模仿學習，而是轉(zhuǎn)向了強化學習。這意味著系統(tǒng)不僅能夠?qū)W習人類的駕駛行為，還能夠在虛擬環(huán)境中自我訓練，不斷改進和完善。

從技術(shù)上看，VLA的技術(shù)能力最終轉(zhuǎn)化為四個核心產(chǎn)品特性。第一思維能力：VLA具備了思維鏈推理能力，可以實時進行邏輯思考，不再是簡單的應激反應。其次溝通能力：用戶可以直接用語言與VLA交流，"開快點"、"往左轉(zhuǎn)"這樣的指令都能被理解和執(zhí)行。然后記憶能力：VLA能夠記住用戶的駕駛偏好，比如在某條路上習慣的行駛速度，并在下次經(jīng)過時主動調(diào)整。最后是自主學習能力：通過強化學習，VLA可以不斷自我迭代和提升。

也就是說，從這樣的一個技術(shù)邏輯來看，理想汽車能夠率先實現(xiàn)VLA，依托的是強大的技術(shù)基礎(chǔ)設(shè)施。在數(shù)據(jù)方面，從2020年開始，理想汽車就建立了完整的數(shù)據(jù)閉環(huán)，截至2025年7月已累計收集了12億公里的有效駕駛數(shù)據(jù)。

這些數(shù)據(jù)不是簡單的里程堆積，而是經(jīng)過精心分類和標注的寶貴資源。包括不同天氣、不同時間、不同道路類型的數(shù)據(jù)；各種車道類型如ETC車道、潮汐車道的數(shù)據(jù)；各種路口類型和交通狀況的數(shù)據(jù)。更重要的是，理想汽車還通過世界模型技術(shù)，將真實數(shù)據(jù)進行重建和生成，創(chuàng)造出更多稀缺場景的合成數(shù)據(jù)。

理想的技術(shù)第一性原理：以解決問題為導向的創(chuàng)新

其實從這里就可以發(fā)現(xiàn)。縱觀理想汽車五年的技術(shù)演進路徑，有一個清晰的內(nèi)在邏輯：每一次技術(shù)架構(gòu)的切換都是為了解決上一代技術(shù)無法克服的根本性問題，而非單純的技術(shù)炫耀或競爭考量。

從規(guī)則算法轉(zhuǎn)向端到端，是因為人工設(shè)計的規(guī)則無法覆蓋無窮無盡的長尾場景；從端到端轉(zhuǎn)向VLA，是因為模仿學習缺乏深度思考能力；從模仿學習轉(zhuǎn)向強化學習，是因為真實數(shù)據(jù)分布不均勻，有價值的數(shù)據(jù)稀缺。

這種"問題導向"的創(chuàng)新思維，讓理想汽車始終能夠抓住技術(shù)發(fā)展的核心矛盾，實現(xiàn)真正有意義的技術(shù)突破。

例如強化學習也讓VLA具備了自我迭代的能力。在仿真環(huán)境中，模型可以反復練習同一個困難場景，從最初的撞車到逐漸掌握安全通過的技巧，整個過程就像一個虛擬的駕校教練在24小時不間斷地指導練習。

傳統(tǒng)的實車測試存在無法復現(xiàn)、測試周期長、成本高昂的問題。理想汽車通過世界模型構(gòu)建了精確的仿真環(huán)境，可以做到場景的完全復現(xiàn)和快速迭代。2023年實車測試每公里成本約18元，而2025年上半年通過仿真測試，成本降到了5毛錢一公里，測試質(zhì)量還更高。

VLA時代，推理算力變得比訓練算力更加重要。理想汽車目前擁有13EFLOPS的算力規(guī)模，其中3EFLOPS用于推理，10EFLOPS用于訓練。這種配置反映了VLA技術(shù)的特點：需要大量的推理算力來運行世界模型，生成各種仿真場景供模型學習。

再好的模型如果不能部署到車輛上也毫無意義。理想汽車在工程化方面展現(xiàn)了強大的能力，成功將4B參數(shù)的MoE模型部署到Thor-U芯片上，并實現(xiàn)了FP8和INT8的推理優(yōu)化。

更令人印象深刻的是，VLA甚至可以部署到上一代的Orin-X芯片上。郎咸朋透露，他自己的2022款理想L9就搭載著VLA系統(tǒng)在日常使用。這種跨平臺的部署能力，體現(xiàn)了理想汽車在工程優(yōu)化方面的深厚功力。

理想汽車為VLA設(shè)定了一個雄心勃勃的目標：將MPI提升到1000公里。如果這個目標能夠?qū)崿F(xiàn)，意味著用戶可能兩三個月才需要接管一次，這將標志著輔助駕駛技術(shù)邁入了一個全新的時代。

規(guī)則時代耗費三年才達到的10公里MPI，成為了端到端時代的起點；端到端時代達到的200公里MPI，又將成為VLA時代的基礎(chǔ)。每一次技術(shù)跨越都不是推倒重來，而是站在巨人的肩膀上繼續(xù)攀登。

郎咸朋認為"上一代技術(shù)能力的上限，是下一代技術(shù)能力的起點。"這句話深刻地揭示了技術(shù)進步的本質(zhì)。

VLA大模型的出現(xiàn)，似乎也標志著我們正在從"機器輔助人類駕駛"的時代，邁向"機器理解人類需求并主動服務(wù)"的新紀元。當汽車不再只是一個交通工具，而是一個能夠思考、溝通、記憶和學習的智能伙伴時，出行的意義也將被重新定義。

最近，我們也實地體驗了一下理想汽車園區(qū)的“VLA巴士”：它的外形其實是一輛MEGA Home，但可以使用手機呼車，在坐上這輛MEGA Home后，前排并沒有司機，你完全可以使用語音告訴“理想同學”你想去的地點，它就能安全地把你送到目的地。

技術(shù)的進步永無止境，但方向和速度都同樣重要。理想汽車用五年時間證明了一個道理：只有真正以解決用戶問題為導向，以技術(shù)創(chuàng)新為驅(qū)動，才能在激烈的市場競爭中走出一條屬于自己的道路。

隨著技術(shù)的不斷迭代和完善，我們也有理由相信，真正意義上的"移動空間"和"智能出行"時代即將到來。