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版圖的核心系統：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時代——從人工規則時代，到人工智能時代——所積累的全部心血的結晶。

這種技術變革往往比外觀設計更隱形，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妥的路線。行業內，很多廠商仍在用“規則+地圖”的傳統架構兢兢業業完善功能，而理想卻在內部掀起了一場自我革命：徹底告別地圖依賴，轉向端到端大模型，甚至押注比端到端更激進的VLA司機大模型。其間的風險和質疑可想而知——從團隊內部的工程挑戰，到外部對“舒適度、安全性”的質疑，幾乎每一個版本迭代都像一次“無人區探險”。

也正因為有這樣的背景，理想i8搭載的VLA輔助駕駛系統并不僅僅是一套功能的升級，而是一段技術路線變革的結果。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架構上的轉變與抉擇：

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

工程師的駕駛手冊：用規則圈養的智能機器

要理解這場技術革命的起點，就必須回到2021年。那時的輔助駕駛，本質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，都需要人為設定應對規則：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的教官，試圖為一臺機器制定出涵蓋所有可能情況的行駛規范。他們選擇了輕圖、無圖的技術路線，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。

這個決定現在看來頗具前瞻性，但在當時卻充滿爭議。畢竟，大多數車企還在用各種雷達為系統提供"安全感"，理想卻選擇了以視覺為主的路線。

然而，規則時代的美好愿景很快就撞上了現實的墻壁。問題出現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生新的麻煩。就像給一個機器人設定"遇到障礙物就停車"的規則，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，決定系統性能的核心因素是"人"——工程師的經驗、編程水平和算法能力。即便是最優秀的工程師，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則來描述和解決。

經過三年的拼搏，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。

這在規則時代已經是相當不錯的成績，但團隊內部很清楚，這條技術路線正在接近天花板。要想實現真正的突破，必須尋找新的出路。

端到端的覺醒：從規則到模仿的躍遷

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：徹底告別規則時代，擁抱端到端大模型。這個決策的背后，是對技術本質的深刻反思。

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

端到端技術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，一舉超越了規則時代三年的積累。這個結果讓團隊既興奮又意外——原來AI的學習能力如此強大。

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

這種提升速度在規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秀，端到端的表現讓整個團隊看到了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。

從2025年3月到7月底的數據來看，盡管團隊投入了5個月時間進行優化，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——當數據量超過1000萬clips后，單純增加數據量已經無法帶來顯著提升。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。有價值的駕駛數據變得越來越稀缺。

更嚴重的是，團隊發現無論如何調整數據配比，端到端系統總是會出現一些令人困惑的問題：

比如出現了一些違反常理的行為——車輛可能在需要左轉的車道上臨時變道避讓，但隨后發現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不足，影響體驗。在橋洞等視線受阻的區域，人類司機會憑經驗進行防御性減速，但端到端系統只有"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端到端時代的根本困境："現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的本質困境：它頂多算是一個高級的"應激反應系統"，給定輸入就產生輸出，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。

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

但現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（技術上極其困難），要么讓端到端變得更聰明（同樣困難）?；蛘撸瑢ふ乙粋€全新的技術路線。

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的決策，比如在需要左轉的車道上臨時變道，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不是簡單的技術拼接，而是從架構層面的重新設計，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部表達。就像經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。這里最大的創新是使用了Diffusion技術，能夠生成自然、平滑的行駛軌跡，而不是生硬的軌跡點連接。

此前我們已經介紹過一次理想VLA技術的能力：比如在通過高速收費站時，可以直接說“走人工”，系統就可以從眾多的ETC收費通道中轉向人工收費通道。在日常的駕駛環節，也可以通過“前方掉頭”和“前進10米”的簡單指令，調整行車路線——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的內部決策系統發送了一個prompt指令；而VLA在分析路況、做出決策時，內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，而是轉向了強化學習。這意味著系統不僅能夠學習人類的駕駛行為，還能夠在虛擬環境中自我訓練，不斷改進和完善。

從技術上看，VLA的技術能力最終轉化為四個核心產品特性。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"這樣的指令都能被理解和執行。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，并在下次經過時主動調整。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，從這樣的一個技術邏輯來看，理想汽車能夠率先實現VLA，依托的是強大的技術基礎設施。在數據方面，從2020年開始，理想汽車就建立了完整的數據閉環，截至2025年7月已累計收集了12億公里的有效駕駛數據。

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

理想的技術第一性原理：以解決問題為導向的創新

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

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

這種"問題導向"的創新思維，讓理想汽車始終能夠抓住技術發展的核心矛盾，實現真正有意義的技術突破。

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。

傳統的實車測試存在無法復現、測試周期長、成本高昂的問題。理想汽車通過世界模型構建了精確的仿真環境，可以做到場景的完全復現和快速迭代。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的算力規模，其中3EFLOPS用于推理，10EFLOPS用于訓練。這種配置反映了VLA技術的特點：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了強大的能力，成功將4B參數的MoE模型部署到Thor-U芯片上，并實現了FP8和INT8的推理優化。

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系統在日常使用。這種跨平臺的部署能力，體現了理想汽車在工程優化方面的深厚功力。

理想汽車為VLA設定了一個雄心勃勃的目標：將MPI提升到1000公里。如果這個目標能夠實現，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邁入了一個全新的時代。

規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。每一次技術跨越都不是推倒重來，而是站在巨人的肩膀上繼續攀登。

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

VLA大模型的出現，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"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，以技術創新為驅動，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。