理想汽車 VLA 的三個為什么？

InfoRich 2025-05-10 發(fā)布于上海

展開全文

理想成功，全靠油箱 - 這是理想汽車當前最想證明給大家-“這是錯誤的”。

不得不說，理想非常精準的抓住汽車電氣化轉型時候的一個機會，找到技術跨越鴻溝的梯子 - 可油可電而且技術實現相對簡單的增程式，發(fā)電機發(fā)電給電池充電，汽車其他所有結構都類似于純電汽車結構。具體可以點擊我們之前文章《理想汽車憑什么獲得新勢力銷量第一并在港股融資》查看。

理想從當時的三個新勢力中脫穎而出，把其他兩個勢力甩的遠遠的，成為消費者和資本都追捧的寵兒。最近理想廣泛推廣的VLA也成了大家追捧的熱門詞，所以本文圍繞以下三個方面構建內容，幫助大家全方位理解理想的VLA。

理想汽車為什么這個時候推出VLA?
理想汽車VLA能夠給智能輔助駕駛帶來哪些產品亮點？
理想汽車VLA到底怎么樣？

被圍獵的理想

但從2022年開始，問界推出增程式并且一年后銷量直逼理想，如果說問界的銷量給理想造成巨大威脅是有華為加持的話。那么從2023年開始推出增程式的零跑，自此登上了新能源新勢力的榜單，并且在2025年初就成為繼理想汽車之后的第二家盈利的新勢力。于是，這兩年增程式一發(fā)不可收拾，不管新勢力和傳統勢力，不管中國品牌還是外資品牌都在這兩年會上增程式。

所以，理想汽車現在危機感重重，他急需尋求他的第二曲線 -- 最會讀懂趨勢的理想汽車必然找到的是AI人工智能，AI人工智能是怎么發(fā)展的？到了哪個節(jié)點？利用好它，從產品和營銷上狠狠的贏一把，樹立明確的有誘惑力和想象空間的產品標簽，讓投資者看到發(fā)展希望，讓消費者趨之若鶩。

熟悉我們之前文章《2025 CES 英偉達發(fā)布洞察：Agentic AI/Physical AI 快速落地，未來已來》的讀者肯定知道Physical AI/Agentic AI就是當前AI的趨勢和方向。

于是理想找到了新的標簽 - 在智能輔助駕駛方面將兩個熱門AI詞都用上的Physical Agent，落地的技術是 VLA ，如果還不知道VLA是啥點擊《2025年，自動駕駛即將開“卷”的端到端大模型 2.0 - VLA (Vision Language Action)》。

VLA落地的產品特點

理想將他的VLA稱為MindVLA。并表示MindVLA將為用戶帶來全新的產品形態(tài)和產品體驗，由MindVLA賦能的汽車是聽得懂、看得見、找得到的專職司機。

“聽得懂”是用戶可以通過語音指令改變車輛的路線和行為，例如用戶在陌生園區(qū)尋找超市，只需要通過理想同學對車輛說：“帶我去找超市”，車輛將在沒有導航信息的情況下，自主漫游找到目的地；車輛行駛過程中，用戶還可以跟理想同學說：“開太快了”“應該走左邊這條路”等，MindVLA能夠理解并執(zhí)行這些指令。

“看得見”是指MindVLA具備強大的通識能力，不僅能夠認識星巴克、肯德基等不同的商店招牌，當用戶在陌生地點找不到車輛時，可以拍一張附近環(huán)境的照片發(fā)送給車輛，擁有MindVLA賦能的車輛能夠搜尋照片中的位置，并自動找到用戶。

“找得到”意味著車輛可以自主地在地庫、園區(qū)和公共道路上漫游，其中典型應用場景是用戶在商場地庫找不到車位時，可以跟車輛說：“去找個車位停好”，車輛就會利用強大的空間推理能力自主尋找車位，即便遇到死胡同，車輛也會自如地倒車，重新尋找合適的車位停下，整個過程不依賴地圖或導航信息，完全依賴MindVLA的空間理解和邏輯推理能力。

總的一句話就是，和人一樣的交互，類似于一個專職司機，但理想的Physical Agent 和 VLA 到底怎么樣，必須先拆解其技術原理。

VLA 技術原理

具體VLA模型結構以及細節(jié)可以查看之前文章《理想智駕的VLA模型及其結構》，那么如何實現從工程上進行實現，具體有四個步驟：

首先，理想在云端訓練了一個基座模型，基座模型訓練的數據包含了三個部分數據，分別是vision（視覺）的數據，language（語言）的數據和VL（視覺和語言）聯合的數據。

這個基座模型參數量大概是32B(320億)，根據李想AI Talk演講信息，這個基座模型可能采用Deepseek開源蒸餾形成，最少也是借鑒結構方法理論，例如MoE（混合專家模型）,理想表示其模型有8個專家組成的MoE模型。

有了這個基座模型之后，就將其蒸餾成一個 3.6B（36億）參數量的滿足車端部署的車端小模型。

其次，后訓練，后訓練將蒸餾的小模型變成VLA（司機大模型）。上一步的模型算是理解環(huán)境，這一步就是將action（行動）放進來，Action就是車輛規(guī)劃控制，將他們組合成一個VLA（司機大模型）的端到端，打通從感知到規(guī)控的鏈路，確保輸入感知信息然后輸出轉向，電們，剎車等車控。

最終這個車端VLA模型參數量大概是4B （40億）。