芝能科技出品

2025年，由于安全和強(qiáng)監(jiān)管的作用，輔助駕駛行業(yè)正處于黎明前的黑暗。

面對(duì)復(fù)雜的現(xiàn)實(shí)路況、多樣的人類(lèi)行為模式，以及傳統(tǒng)AI在泛化和理解能力上的瓶頸，理想汽車(chē)在《AI Talk第二季》系統(tǒng)性的闡述了“VLA（視覺(jué)語(yǔ)言行動(dòng)模型）”。

從邏輯上來(lái)看，VLA不是單一的模型升級(jí)，從模仿昆蟲(chóng)般的規(guī)則算法，到具備哺乳動(dòng)物智能的端到端系統(tǒng)，再到真正具有人類(lèi)駕駛認(rèn)知和執(zhí)行能力的“司機(jī)大模型”。

我們從技術(shù)演化的三階段入手，深入解析VLA的架構(gòu)組成、訓(xùn)練流程和關(guān)鍵突破，探討它如何打破智能駕駛發(fā)展的困局，成為邁向L4+自動(dòng)駕駛的關(guān)鍵支點(diǎn)。

01

從螞蟻到人類(lèi)：

VLA技術(shù)演化的三階段

階段一：規(guī)則驅(qū)動(dòng)與“昆蟲(chóng)智能”

回溯智能駕駛的早期階段，我們依賴(lài)于機(jī)器學(xué)習(xí)下的感知模塊，配合高精地圖、規(guī)則算法執(zhí)行。系統(tǒng)的每一個(gè)子模塊（感知、規(guī)劃、控制）都需精密耦合，更多依賴(lài)人工設(shè)定的規(guī)則。

這一階段，智能駕駛系統(tǒng)更像是一只被設(shè)定程序路徑的“螞蟻”：只能在特定場(chǎng)景中“爬行”，缺乏對(duì)環(huán)境的真正理解和泛化能力。

◎ 感知模型參數(shù)規(guī)模�。簝H幾百萬(wàn)參數(shù)，處理能力嚴(yán)重受限。

◎ 對(duì)地圖強(qiáng)依賴(lài)：高精地圖一旦失效，系統(tǒng)極易出現(xiàn)功能崩潰。

◎ 缺乏上下文理解能力：面對(duì)突發(fā)場(chǎng)景（如施工繞行、人為交通指揮等）無(wú)所適從。

這正如馬戲團(tuán)里受訓(xùn)的昆蟲(chóng)，僅能在被設(shè)定軌道內(nèi)完成任務(wù)，缺乏主動(dòng)決策與認(rèn)知能力。

階段二：端到端與“哺乳動(dòng)物智能”

2023年起，理想汽車(chē)啟動(dòng)端到端（E2E）輔助駕駛研究，并在2024年開(kāi)始實(shí)車(chē)部署。端到端模型將感知與控制流程一體化，通過(guò)大規(guī)模數(shù)據(jù)驅(qū)動(dòng)“模仿學(xué)習(xí)”。

該階段的模型能通過(guò)模仿人類(lèi)駕駛行為完成任務(wù)，具備初步泛化能力。

◎ 學(xué)習(xí)對(duì)象為人類(lèi)駕駛行為：模型能夠“看圖開(kāi)車(chē)”，感知場(chǎng)景并輸出駕駛指令。

◎ 缺乏因果推理能力：模型雖能模仿，但無(wú)法理解行為背后的因果關(guān)系。

◎ VLM（視覺(jué)語(yǔ)言模型）的初步引入：引導(dǎo)模型理解交通信號(hào)語(yǔ)義和少量文字信息，但由于開(kāi)源VLM多為低分辨率，泛化能力不足。

端到端系統(tǒng)像是能騎車(chē)的猩猩：雖然能完成任務(wù)，但并不真正理解交通世界的規(guī)律與邏輯。這種“經(jīng)驗(yàn)驅(qū)動(dòng)”的模型仍存在理解維度淺、推理能力弱、泛化能力有限等瓶頸。

階段三：VLA（司機(jī)大模型）與“人類(lèi)智能”

進(jìn)入VLA時(shí)代，智能駕駛系統(tǒng)不再是規(guī)則控制器，也不僅僅是模仿者，而是擁有“類(lèi)人思維”的駕駛主體。

VLA系統(tǒng)具備真正意義上的三重能力融合：

◎ Vision：3D視覺(jué) + 高清2D圖像；

◎ Language：交通語(yǔ)言理解 + 內(nèi)部CoT推理鏈；

◎ Action：駕駛行為的計(jì)劃、決策與執(zhí)行。

VLA不同于傳統(tǒng)VLM或E2E模型，它不僅能“看懂世界”，還能“理解”并“行動(dòng)”，其智能程度首次接近人類(lèi)駕駛員。

02

技術(shù)架構(gòu)解析：

如何構(gòu)建一個(gè)“司機(jī)大模型”？

預(yù)訓(xùn)練階段的目標(biāo)是打造一個(gè)視覺(jué)與語(yǔ)言緊密融合的VL（Vision + Language）多模態(tài)大模型，作為VLA的訓(xùn)練起點(diǎn)。

當(dāng)前版本的模型規(guī)模達(dá)到32B（320億參數(shù)）級(jí)別，并部署于云端訓(xùn)練平臺(tái)。

此模型整合了豐富的視覺(jué)語(yǔ)料，包括3D空間感知和高清2D圖像，其圖像分辨率相比現(xiàn)有開(kāi)源VLM提升了10倍，覆蓋了遠(yuǎn)距識(shí)別、交通標(biāo)志以及動(dòng)態(tài)場(chǎng)景等復(fù)雜要素。

同時(shí)，語(yǔ)言語(yǔ)料涵蓋了駕駛指令、路況語(yǔ)義及行為規(guī)則，包含導(dǎo)航信息、人類(lèi)指令和駕駛習(xí)慣用語(yǔ)。

聯(lián)合語(yǔ)料方面，通過(guò)將視覺(jué)語(yǔ)境與語(yǔ)言語(yǔ)義共同嵌入，如導(dǎo)航地圖結(jié)合駕駛行為的理解，三維圖像與指令邏輯結(jié)合，旨在構(gòu)建一個(gè)具備物理世界理解能力的“多模態(tài)世界模型”。

完成預(yù)訓(xùn)練后，32B模型被蒸餾為3.2B端側(cè)模型，以適配Orin-X或Thor-U硬件平臺(tái)，采用MoE（混合專(zhuān)家模型）架構(gòu)實(shí)現(xiàn)效率與精度的平衡，確保模型能在實(shí)時(shí)40Hz幀率以上運(yùn)行，滿(mǎn)足車(chē)規(guī)級(jí)部署要求。

進(jìn)入后訓(xùn)練階段，重點(diǎn)轉(zhuǎn)向從理解到行動(dòng)的模仿學(xué)習(xí)。

如果說(shuō)預(yù)訓(xùn)練賦予了模型“看與聽(tīng)”的能力，那么這一階段則是讓模型學(xué)會(huì)“動(dòng)手”。

通過(guò)大規(guī)模人車(chē)共駕數(shù)據(jù)的學(xué)習(xí)，模型能夠模仿人類(lèi)駕駛行為，學(xué)習(xí)軌跡、加速、剎車(chē)等操作。此外，生成式行為學(xué)習(xí)不僅限于回歸預(yù)測(cè)，還能夠進(jìn)行軌跡生成與優(yōu)化。

任務(wù)集成模型（TAM）結(jié)構(gòu)則將視覺(jué)語(yǔ)言理解與動(dòng)作生成深度融合，提高任務(wù)執(zhí)行效率。

最終形成一個(gè)具備完整駕駛循環(huán)的VLA結(jié)構(gòu)：從環(huán)境感知、意圖理解到駕駛行為執(zhí)行，構(gòu)成閉環(huán)控制系統(tǒng)。

模型擴(kuò)展至4B參數(shù)，保留CoT（思維鏈）機(jī)制但限制在2～3步內(nèi)，以兼顧推理能力和系統(tǒng)延遲。

強(qiáng)化訓(xùn)練階段強(qiáng)調(diào)的是從駕校到真實(shí)道路的過(guò)渡，注重人類(lèi)偏好與安全邊界控制。

不同于傳統(tǒng)的RL方法，VLA的強(qiáng)化訓(xùn)練體系引入了RLHF（人類(lèi)反饋強(qiáng)化學(xué)習(xí)），通過(guò)人類(lèi)介入標(biāo)注數(shù)據(jù)形成“人接管—AI迭代”循環(huán)，融入用戶(hù)偏好、道路安全行為習(xí)慣等軟性目標(biāo)。

Diffusion預(yù)測(cè)模塊能夠在執(zhí)行動(dòng)作前預(yù)測(cè)未來(lái)4~8秒內(nèi)的環(huán)境與軌跡變化，提供因果推理能力，為決策提供時(shí)域支持。

這一過(guò)程如同駕駛員從實(shí)習(xí)到正式上崗的過(guò)程，使VLA不僅能開(kāi)車(chē)，而且能安全、穩(wěn)健地應(yīng)對(duì)真實(shí)世界中的突發(fā)情況。

視覺(jué)語(yǔ)言行動(dòng)模型（VLA）體系中，最具突破性、也最貼近用戶(hù)實(shí)際駕駛需求的部分，就是“司機(jī)Agent”的構(gòu)建。

所謂“司機(jī)Agent”是一個(gè)具備類(lèi)人駕駛智能的“數(shù)字駕駛員”——它不僅能夠看清楚、聽(tīng)明白，更關(guān)鍵的是，它能理解路況、語(yǔ)言指令以及駕駛意圖，并做出合理的行動(dòng)決策。這是VLA三個(gè)階段演進(jìn)的核心成果。

傳統(tǒng)的感知+規(guī)則算法，像昆蟲(chóng)一樣只能被動(dòng)反應(yīng)、遵循簡(jiǎn)單指令。而端到端模型雖更聰明，像是訓(xùn)練有素的動(dòng)物，可以模仿人類(lèi)行為，卻缺乏真正的世界理解。

而VLA中的司機(jī)Agent則進(jìn)一步融合了3D視覺(jué)理解、語(yǔ)言推理（CoT），以及實(shí)時(shí)行動(dòng)策略學(xué)習(xí)能力，可以將一段自然語(yǔ)言“你在前方出口處靠右行駛”翻譯為精準(zhǔn)的軌跡控制，甚至在突發(fā)場(chǎng)景下進(jìn)行動(dòng)態(tài)調(diào)整。這意味著它不僅能看清紅綠燈，還能“理解”紅綠燈的語(yǔ)義和策略影響。

司機(jī)Agent依托于三個(gè)關(guān)鍵訓(xùn)練步驟構(gòu)建而成：

◎ 首先基于云端32B模型進(jìn)行視覺(jué)語(yǔ)言聯(lián)合建模，以理解3D現(xiàn)實(shí)世界與高分辨率2D圖像并建立交通語(yǔ)境下的“語(yǔ)言-視覺(jué)”嵌套結(jié)構(gòu)；

◎ 其次在端側(cè)3.2B蒸餾模型上通過(guò)模仿學(xué)習(xí)實(shí)現(xiàn)行動(dòng)建模，從人類(lèi)駕駛數(shù)據(jù)中學(xué)會(huì)對(duì)視覺(jué)語(yǔ)義做出反應(yīng)；

◎ 最后通過(guò)強(qiáng)化學(xué)習(xí)（尤其是RLHF）引入人類(lèi)反饋，使系統(tǒng)不僅能學(xué)習(xí)“如何做”，更能學(xué)會(huì)“如何避免錯(cuò)誤”，從而優(yōu)化安全邊際與駕駛習(xí)慣，完成從模擬到實(shí)戰(zhàn)的過(guò)渡。

VLA的司機(jī)Agent并非只是一套規(guī)則的疊加，而是一個(gè)擁有短鏈推理能力（CoT）和多模態(tài)協(xié)同決策能力的泛化智能體。

在保持執(zhí)行實(shí)時(shí)性的同時(shí)，它可以做出“如果我現(xiàn)在加速，5秒后前車(chē)可能會(huì)減速”的因果推演，并結(jié)合其訓(xùn)練過(guò)的行為偏好，選擇更符合人類(lèi)駕駛風(fēng)格的方式進(jìn)行操作。

這個(gè)“司機(jī)Agent”是VLA真正走向量產(chǎn)落地的核心標(biāo)志：它不僅是模型的集合體，更是駕駛行為的數(shù)字化拷貝。

這一Agent的成熟將直接決定輔助駕駛是否能從“功能堆疊”邁向“駕駛替代”，真正成為每一位用戶(hù)可信賴(lài)的“副駕”。

小結(jié)

 VLA的意義不僅是技術(shù)，

而是產(chǎn)業(yè)的破局鑰匙

VLA的出現(xiàn)，不只是技術(shù)體系的進(jìn)化，更是輔助駕駛行業(yè)從困境走向突破的關(guān)鍵。今天的輔助駕駛爭(zhēng)議重重：技術(shù)無(wú)法閉環(huán)、泛化能力弱、安全問(wèn)題頻出。

但正因如此，VLA應(yīng)運(yùn)而生。不僅具備了“類(lèi)人認(rèn)知”，還以工程化路徑落地，在算力可控范圍內(nèi)實(shí)現(xiàn)高度擬人化駕駛體驗(yàn)。它將視覺(jué)、語(yǔ)言、行動(dòng)三者融合，從理解世界到改變世界，邁出了自動(dòng)駕駛真正“可商用、可規(guī)模化”的第一步。

VLA并非終點(diǎn)，而是一個(gè)開(kāi)端。正如黎明前的黑暗終將過(guò)去，VLA標(biāo)志著輔助駕駛正從工程試驗(yàn)品，邁向未來(lái)社會(huì)的基礎(chǔ)設(shè)施。

       原文標(biāo)題 : 邁向人類(lèi)級(jí)駕駛智能：VLA視覺(jué)語(yǔ)言行動(dòng)模型