然而，也有不少人认为，人们尚未充分认识到理想 i8 的核心优势。理想汽车同步发布了 VLA 驾驶员大模型，并计划将其同步升级至所有 AD Max 车型，涵盖 Thor-U 平台和 Orin-X 平台。这意味着，不仅 i8 的用户，大量理想汽车的车主也将在第一时间体验到 VLA 驾驶员大模型的智能驾驶能力。
VLA 司机大模型有何独特之处？今天，我们将结合上周基于 i8 的 VLA 司机大模型的试驾体验，简要探讨这一问题。
BEV → 端到端 + VLM → VLA
可以说，理想在过去几年中，每年都在智能驾驶领域有重大进展。前年推出了 BEV 技术，去年则是端到端 + VLM，而今年则推出了 VLA。对于不了解内情的人来说，可能会觉得理想每年都在推出新的概念，让人感觉需要不断“深造”才能跟上。然而，实际上这三年的进展是循序渐进的，每一步都在同一条技术路线上稳步提升。
VLA 代表了三个层面的结合，分别是：V 代表 Vision（视觉），L 代表 Language（语言），A 代表 Action（行动）。若要打通这三代路径，BEV 的本质是鸟瞰视图，对应视觉层面的大模型。而端到端 + VLM 则是两者的融合，端到端结合了视觉和行动两个层面的大模型，VLM 则是视觉语言大模型。简而言之，在这一阶段，VLA 的三个层面均已出现，但尚未在单一维度内实现完整结合。
因此，端到端与 VLM 的结合本质上是模仿学习。李想本人也将这一双系统架构比喻为“猴子开车”，尽管智能驾驶能力得到了显著提升，但仍未能达到顶级职业司机的水平。而 VLA 则采用了强化学习的方法，解决了端到端模仿学习缺乏深度逻辑思维的问题，打破了端到端与 VLM 之间的沟通障碍。以端到端与 VLM 的上限为起点，VLA 进一步提升了整体智能驾驶的表现。
思考、沟通、记忆与自我学习
在这一能力的加持下，VLA 司机大模型在思考、沟通、记忆和自我学习四个方面均有所提升，在实际路面表现中，于某些场景下展现出与以往不同的特点。
例如，最直观的一个感受是，VLA 司机大模型在大屏上能够展示完整的 CoT 推理过程。理想汽车的工程师也反馈，即使没有 CoT，直接让模型进行决策也是完全可行的。然而，理想汽车希望在决策较为复杂或路口场景较为丰富的情况下，展示模型的多步骤思考和决策过程，以此与用户建立沟通和信任。
此外，VLA 司机大模型在理解语义指令方面确实有了显著提升。在实际试驾过程中，令人印象深刻的是，在完成靠边停车后，用户还可以提出“向前再行驶 XX 米”等具体要求，这展示了 VLA 司机大模型对距离的精准判断和控制能力。实际上，人眼对距离的判断往往不如模型准确。在试驾过程中，就曾出现过我希望车辆向前移动 30 米，但实际 30 米处已有其他障碍物占据的情况。
在 workshop 的演示中，有一个类似的场景：我们可以通过语音助手向 VLA 司机大模型发出指令，例如「在蓝色车前方靠边停一下」。这一指令展示了 VLA 在三个层面的统一调度能力，无论是颜色识别、距离判断还是周围障碍物的识别，VLA 均表现出色，令人满意。
同样地，在记忆功能方面，理想是通过语音助手实现诸如「在这条路上以后保持 XX 速度」的指令，并能够记住这一路段。这并不意味着该功能已经完美无缺。在一次研讨会上，一位媒体老师提出了一个有趣的问题：如果用户在这条路上设置的记忆指令是保持 70 公里/小时的速度，而这条路非常长且路况复杂多变，那么这个记忆指令是会完整适配整条路，还是仅在特定路段生效呢？
当然，大家不必过于担心。在 VLA 司机大模型中，根据实际路面情况做出判断是必备技能。记住，喜好是一方面，而确保安全则是更为重要的指标。
因此，在许多情况下，面对 VLA 司机大模型，我们确实可以通过简单的语音指令实现驾驶，这与 VLA 司机大模型旨在成为更优秀的家庭司机的理念相契合。然而，如果驾驶可以通过语音指令完成，后排乘客或同乘者是否也能通过语音助手参与驾驶过程呢？针对这一问题，理想汽车早已做出了预防措施，通过语音定位技术，屏蔽了除主驾驶座以外的其他座位发出的所有与驾驶相关的指令。
数据、算法、算力与工程能力
在研讨会中，理想自动驾驶高级算法专家詹锟反复强调了四点：数据、算法、算力和工程能力。这四点对于理想率先推出 VLA 具有重要意义。
在销量增长的推动下，理想汽车的有效数据已在上个月达到了12亿公里。凭借海量的用户行驶数据，理想汽车具备强大的数据生成能力，能够在仿真环境中创建无数的Corner Case，从而全面提升模型训练和评估的效率，缩短测试周期，降低测试成本。同时，13 EFLOPS的强大算力为这种复杂的训练和仿真提供了坚实的算力支持。
一项数据清晰地展示了理想在研发 VLA 司机大模型方面的效率优势：2023 年，理想在自动驾驶评测上的成本为每公里 18.4 元；去年，这一成本已降至 4.84 元/公里；而今年上半年，成本进一步压缩至 0.53 元/公里。此外，今年上半年，通过仿真测试，理想已完成超过 4000 万公里的评测，这一数字是去年全年的 8 倍。
在此基础上，我们自然会产生这样的好奇：VLA 司机大模型的上限究竟在哪里？詹锟认为，这取决于模型、芯片和数据三者的共同进化。随着大模型推理效率的提升和芯片算力的增强，VLA 在处理未知场景时的 Few-shot 能力将日益增强。或许不久的将来，它就能识别全国各地各种不同的红绿灯信号，并准确判断大部分交警的手势，成为一名真正的资深司机。
