襲翔飛

7月29日晚上，預(yù)熱已久的理想i8終于上市，正好卡在理想成立十周年的節(jié)點(diǎn)。

i8總共發(fā)布了三個(gè)版本，售價(jià)32.18-36.98萬(wàn)元。先來(lái)看看具體的價(jià)格和配置：

Pro版32.18萬(wàn)，Max版34.98萬(wàn)，Ultra版36.98萬(wàn)。

雙電機(jī)智能四驅(qū)、雙腔魔毯空氣懸架、座椅舒適性配置、前排屏幕、HUD、激光雷達(dá)等配置均為全系標(biāo)配。

Pro版搭載的是理想輔助駕駛ADPro，Max版和Ultra版搭載的則是ADMax。

這場(chǎng)發(fā)布會(huì)信息量很密集，i8的產(chǎn)品發(fā)布、VLA司機(jī)大模型、理想同學(xué)智能體（Agent）、超充網(wǎng)絡(luò)被塞在了兩個(gè)小時(shí)的演講里。

發(fā)布會(huì)的重頭戲在于車，更是在于i8首發(fā)的輔助駕駛功能有大幅度升級(jí)。

理想的VLA（視覺-語(yǔ)言-動(dòng)作模型）與i8同步發(fā)布，讓i8成了第一款搭載VLA司機(jī)大模型的理想車型。8月份，VLA就會(huì)在i8上交付。

所有ADMax車主也會(huì)在8月同步OTA，包含了Thor-U平臺(tái)與Orin-X平臺(tái)的車主。另外，搭載J6M的ADPro將在年底全量推送城市NOA。

就在發(fā)布會(huì)的前幾天，我們不僅替大家搶先試乘試駕了具備VLA能力的理想MEGA以及理想i8，并且和郎咸朋及其團(tuán)隊(duì)進(jìn)行了一次3小時(shí)左右的深入交流。關(guān)于VLA是什么、它能做到什么、以及理想是怎么做出來(lái)的，這些問(wèn)題有了更為清晰的答案。

VLA能力的提升，集中體現(xiàn)在三點(diǎn)：更懂語(yǔ)義、更擅長(zhǎng)推理、更接近人類駕駛直覺。具體表現(xiàn)在：

行駛中能聽懂「靠邊停一下」「往前走50米」「快一點(diǎn)」這類自然語(yǔ)言指令，并據(jù)此完成操作；

可以根據(jù)過(guò)往記憶設(shè)定特定路段的速度；

能根據(jù)語(yǔ)音指令找到目的地，比如「幫我找到最近的星巴克」；

在復(fù)雜路況下，它也能判斷通行風(fēng)險(xiǎn)、選對(duì)道路，主動(dòng)規(guī)避障礙。

在理想看來(lái)，VLA帶來(lái)的不再只是更好用的輔助駕駛，更是換了一個(gè)能聽懂人話、會(huì)動(dòng)腦子的「司機(jī)」。

這是輔助駕駛領(lǐng)域的一次跳躍，理想率先進(jìn)入了無(wú)人區(qū)。

01

為什么是VLA

過(guò)去幾年，輔助駕駛經(jīng)歷了三種架構(gòu)的迭代：規(guī)則算法、端到端、VLA，這是一個(gè)從指令控制，到模仿行為，再到理解意圖的過(guò)程。每一代技術(shù)都在不停地提升算力、平均接管里程，本質(zhì)上是要不斷接近人類的駕駛方式。

7月25日，理想汽車自動(dòng)駕駛研發(fā)高級(jí)副總裁郎咸朋博士在跟媒體交流的過(guò)程中分享了理想關(guān)于VLA的研發(fā)歷程和思考邏輯。郎咸朋認(rèn)為，輔助駕駛的人工時(shí)代到現(xiàn)在AI時(shí)代的分水嶺，是從無(wú)圖到端到端。在原來(lái)輕圖、NPN或者無(wú)圖的人工時(shí)代，輔助駕駛的核心是規(guī)則算法。「一個(gè)典型場(chǎng)景就是工程師他會(huì)自己去設(shè)計(jì)算法，并且通過(guò)編程來(lái)控制車輛運(yùn)作、運(yùn)行。決定人工時(shí)代性能的核心就是工程師，人的經(jīng)驗(yàn)、編程能力、算法能力決定了這個(gè)系統(tǒng)是不是性能好?！?/p>

人工時(shí)代的局限性在于，單靠人力難以解決所有場(chǎng)景，用郎咸朋的話說(shuō)，很多場(chǎng)景是「按下葫蘆起來(lái)瓢」。于是輔助駕駛進(jìn)入了端到端時(shí)代。

端到端+VLM（視覺-語(yǔ)言大模型）的核心是模仿學(xué)習(xí)，用人類駕駛的數(shù)據(jù)來(lái)訓(xùn)練模型。這個(gè)技術(shù)階段，決定性的因素就是「數(shù)據(jù)」。數(shù)據(jù)多，覆蓋的場(chǎng)景全，數(shù)據(jù)質(zhì)量好——最好是來(lái)自老司機(jī)，這時(shí)訓(xùn)練模型的性能就會(huì)非常好。

但模仿學(xué)習(xí)終究有上限。理想是最早一批意識(shí)到這一點(diǎn)并轉(zhuǎn)向強(qiáng)化學(xué)習(xí)路線的企業(yè)之一。相比過(guò)去只依賴真實(shí)駕駛數(shù)據(jù)，VLA采用生成數(shù)據(jù)和仿真環(huán)境結(jié)合的方式，讓模型能在無(wú)風(fēng)險(xiǎn)、可控的虛擬世界中自主進(jìn)化。這套思路如今也正在被更多車企采納，VLA正成為智能駕駛的新共識(shí)。

郎咸朋解釋，需要生成數(shù)據(jù)來(lái)訓(xùn)練模型的原因在于，人類駕駛數(shù)據(jù)存在嚴(yán)重的分布不均，大多集中在白天、晴天、正常通勤等常規(guī)場(chǎng)景，真正復(fù)雜或危險(xiǎn)的工況數(shù)據(jù)稀缺且難以采集。而訓(xùn)練具備真實(shí)決策能力的模型，恰恰需要這些邊緣與極端場(chǎng)景。

這就要求引入合成數(shù)據(jù)和高質(zhì)量仿真環(huán)境，用生成式方法構(gòu)建覆蓋更全、分布更廣的數(shù)據(jù)集，同時(shí)不斷評(píng)測(cè)模型表現(xiàn)。最終決定模型性能提升速度的關(guān)鍵，不是收集了多少真實(shí)數(shù)據(jù)，而是仿真迭代的效率。相比傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)方式，這是一種更具主動(dòng)性的訓(xùn)練方式。

合成數(shù)據(jù)的訓(xùn)練方式也直接帶來(lái)了成本的下降。據(jù)郎咸朋介紹，2023年，一年用實(shí)車的有效測(cè)試?yán)锍檀蟾庞?57萬(wàn)公里，每公里成本是18元。而到了今年上半年，總共測(cè)了4,000萬(wàn)公里，其中實(shí)車只有2萬(wàn)公里，測(cè)試成本來(lái)到了平均每公里5毛錢?！妇褪歉秱€(gè)電費(fèi)和服務(wù)器的費(fèi)用，并且測(cè)試質(zhì)量還高，所有的場(chǎng)景都能舉一反三，可以完全復(fù)測(cè)，分毫不差?！?/p>

接下來(lái)理想要回答的問(wèn)題是：VLA模型到底強(qiáng)在哪？為什么要在端到端+VLM之后做VLA？

VLA的全稱是Vision-Language-Action，是視覺-語(yǔ)言-動(dòng)作模型。在VLA模型中，V承擔(dān)著空間感知的職責(zé)，通過(guò)攝像頭、導(dǎo)航等多種輸入，構(gòu)建出對(duì)周圍環(huán)境的理解；L則把這種感知翻譯成清晰的語(yǔ)言；A指的是根據(jù)對(duì)場(chǎng)景的編碼，生成行為策略，也就是模型該怎么開車。

簡(jiǎn)單來(lái)說(shuō)，VLA就是一個(gè)能聽懂人話、看懂圖像并結(jié)合兩種信息行動(dòng)的模型，讓人無(wú)需通過(guò)特定語(yǔ)音、文字指令或按鈕，而是通過(guò)自然語(yǔ)言去控制包括機(jī)器人、汽車在內(nèi)的智能體，能夠獨(dú)立執(zhí)行任務(wù)、承擔(dān)責(zé)任。

它可以聽懂人話，比如「開慢點(diǎn)」「換到右邊車道」；可以記住偏好，比如之前在這條路上都是開80km/h；也能像老司機(jī)一樣，提前做出防御性操作，比如在橋洞前減速，避免突然沖出來(lái)的車輛。而這些能力靠傳統(tǒng)端到端模型無(wú)法實(shí)現(xiàn)。

郎咸朋說(shuō)，端到端架構(gòu)不具備深度思考能力，頂多算是一個(gè)應(yīng)激反應(yīng)，輸入后模型給一個(gè)輸出，背后沒有深度邏輯?！妇拖窈镒娱_車一樣。喂猴子一些香蕉，它可能會(huì)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(guò)來(lái)，一打鼓它就跳舞，但不知道為什么要跳舞。」

所以，即使理想后來(lái)嘗試在端到端中加入VLM，試圖讓VLM提供更好的決策，還是會(huì)出現(xiàn)端到端無(wú)法理解VLM在說(shuō)什么的問(wèn)題。

而VLA的核心能力可以總結(jié)為：能思考、能溝通、能記憶、能自我提升。基于這幾個(gè)能力，產(chǎn)品上帶給用戶的實(shí)際體驗(yàn)是安全、舒適、高超的駕駛技巧和自然的交互能力。在i8這款產(chǎn)品上，VLA的能力提升帶來(lái)了整個(gè)產(chǎn)品體驗(yàn)的升級(jí)。

而理想也把對(duì)輔助駕駛的功能定位，從安全、能用的「職業(yè)司機(jī)」，進(jìn)化成了「給所有人提供一個(gè)更好的家庭司機(jī)」。

這就要求輔助駕駛在功能價(jià)值之外，還要滿足乘員的情緒價(jià)值訴求。郎咸朋說(shuō)：「你自己在車上和家人在車上的時(shí)候，開車方式是不一樣的，你肯定會(huì)開得更安全、舒適，并且會(huì)根據(jù)家人的偏好來(lái)開車。」

i8發(fā)布會(huì)之前，現(xiàn)場(chǎng)放了一段體驗(yàn)VLA的短片，李想在其中承認(rèn)，之前對(duì)輔助駕駛要成為「老司機(jī)」的定義有點(diǎn)問(wèn)題。「老司機(jī)是開的人舒服，乘的人不一定舒服。后來(lái)我們做了一個(gè)新的定義：職業(yè)司機(jī)，按照國(guó)賓司機(jī)的標(biāo)準(zhǔn)來(lái)，這樣所有人就都不挑了?！?/p>

我們?cè)谠嚦嗽囻{過(guò)程中也發(fā)現(xiàn)，「國(guó)賓司機(jī)」這套新標(biāo)準(zhǔn)并不是說(shuō)說(shuō)而已。試乘現(xiàn)場(chǎng)提供的VLA穿梭巴士體驗(yàn)并不復(fù)雜，主要在理想園區(qū)內(nèi)進(jìn)行，時(shí)速約為10公里，但已經(jīng)可以通過(guò)語(yǔ)音控制完成靠邊停車、左右轉(zhuǎn)向和提速等操作。在車輛處于無(wú)人狀態(tài)下，它可以模擬完成「去咖啡店、快遞站取件后自動(dòng)返回」等日常任務(wù)。

更值得注意的是，在面對(duì)極窄通道路口時(shí)，VLA展現(xiàn)出了相當(dāng)穩(wěn)定的通過(guò)能力。也可以駛出園區(qū)，接入公共道路前往下一個(gè)目的地。整體表現(xiàn)與今年早些時(shí)候L9試驗(yàn)車上的司機(jī)Agent版本相近，盡管稱不上驚艷，但在執(zhí)行精度和動(dòng)作節(jié)奏上確實(shí)更穩(wěn)了。

02

理想注定第一個(gè)做出VLA？

目前，VLA已經(jīng)成為智能駕駛行業(yè)的新方向。除了理想之外，小米、小鵬、吉利等多家整車企業(yè)，以及元戎啟行、Waymo等供應(yīng)商和自動(dòng)駕駛公司也都在不同程度上推進(jìn)類似的架構(gòu)轉(zhuǎn)型。然而在實(shí)際落地速度上，理想顯然走在了最前面。

李想在i8的發(fā)布會(huì)上給出的時(shí)間表是：

8月份在i8上交付VLA；

所有ADMax車主也會(huì)在8月同步OTA，包含了Thor-U平臺(tái)與Orin-X平臺(tái)的車主。

這并不是偶然發(fā)生的結(jié)果。

在郎咸朋看來(lái)，VLA并不是一套跳級(jí)的打法，而是端到端之后的自然發(fā)展。如果沒有經(jīng)歷過(guò)端到端階段對(duì)模型感知、決策、控制等環(huán)節(jié)的完整訓(xùn)練，就無(wú)法一步跨入VLA。

郎咸朋在采訪中表示，雖然VLA的數(shù)據(jù)、算法等可能跟之前不太一樣，但是這些仍然是要建立在之前的基礎(chǔ)上的?！溉绻麤]有完整的通過(guò)實(shí)車采集的數(shù)據(jù)閉環(huán)，是沒有數(shù)據(jù)能夠去訓(xùn)練世界模型的。理想汽車之所以能夠落地VLA模型，是因?yàn)槲覀冇?2億（公里）數(shù)據(jù)，只有在充分了解這些數(shù)據(jù)的基礎(chǔ)上，才能夠更好的生成數(shù)據(jù)?！?/p>

而為什么是理想最先做出VLA，郎咸朋的答案是，「數(shù)據(jù)、算法、算力和工程，四個(gè)方向我們都很強(qiáng)」。

理想在算法上的核心能力首先體現(xiàn)在對(duì)數(shù)據(jù)的理解與利用上?！笖?shù)據(jù)不是誰(shuí)都有，」郎咸朋表示，「到2025年7月份，我們已經(jīng)累計(jì)了12億公里的有效數(shù)據(jù)。這些數(shù)據(jù)得益于我們銷量的增長(zhǎng)，我們車也賣出了130多萬(wàn)輛?！?/p>

從2020年起，理想就系統(tǒng)性地按天氣、道路類型、交通狀態(tài)等維度細(xì)化標(biāo)簽，建立起一套覆蓋復(fù)雜工況和長(zhǎng)尾場(chǎng)景的數(shù)據(jù)體系。郎咸朋表示，「做到1,000萬(wàn)Clips或者2,000萬(wàn)Clips，并不困難，但能夠弄出這么多類型、這么多有價(jià)值的數(shù)據(jù)，這是我們的優(yōu)勢(shì)之一。我們的1,000萬(wàn)Clips由很多類別的數(shù)據(jù)構(gòu)成，并且包含很多精心挑選的數(shù)據(jù)?！?/p>

當(dāng)傳統(tǒng)實(shí)車數(shù)據(jù)無(wú)法再提供更多的提升，理想又大規(guī)模引入合成數(shù)據(jù)。借助世界模型技術(shù)，理想能將歷史實(shí)錄場(chǎng)景進(jìn)行重建與擴(kuò)展——一個(gè)普通的高速ETC路口，可以被虛擬為雨夜、霧天、黃昏等多種工況，并衍生出輕微變形、干擾車輛等極端情況。VLA曾出錯(cuò)的場(chǎng)景會(huì)被自動(dòng)改編成一系列變體，不斷循環(huán)訓(xùn)練。

郎咸朋在采訪中對(duì)仿真數(shù)據(jù)的效果表示非常自信：「我們現(xiàn)在的仿真效果完全可以媲美實(shí)車測(cè)試，現(xiàn)在的超級(jí)版本和理想i8的VLA版本中90%以上的測(cè)試都是仿真測(cè)試。從去年端到端版本我們就已經(jīng)開始進(jìn)行仿真測(cè)試的驗(yàn)證，目前我們認(rèn)為它的可靠性和有效性都很高，所以我們以此替代了實(shí)車測(cè)試?！?/p>

不過(guò)他也表示，仍有一些測(cè)試是無(wú)法替代的?！副热缬布途脺y(cè)試，但和性能相關(guān)的測(cè)試我們基本上會(huì)使用仿真測(cè)試替代，效果也非常好?！?/p>

支撐這套體系的是理想在推理與訓(xùn)練算力上的資源投入。郎咸朋介紹，當(dāng)前理想擁有總計(jì)13EFLOPS的訓(xùn)練平臺(tái)，其中10EFLOPS分配給訓(xùn)練，3EFLOPS用于推理。推理能力的重要性在VLA時(shí)代被放大，因?yàn)槭澜缒Ｐ偷纳膳c場(chǎng)景擴(kuò)展都依賴推理性能，若沒有強(qiáng)大的推理卡，就無(wú)法開展真正有效的強(qiáng)化訓(xùn)練。據(jù)理想內(nèi)部估算，其目前所擁有的推理資源等效于3萬(wàn)張英偉達(dá)L20的推理卡。

但算力并不代表可交付。VLA能否真正進(jìn)入車端，還需跨越工程落地這道門檻。過(guò)去一年，理想在芯片適配和模型壓縮方面持續(xù)發(fā)力：去年在Orin-X上成功部署2B模型，今年又在Thor-U芯片上實(shí)現(xiàn)4BMoE（混合專家）模型的部署，且推理精度從FP16壓縮至FP8和INT8。當(dāng)前VLA已適配Orin-X和Thor平臺(tái)，未來(lái)還將向FP4推進(jìn)，繼續(xù)壓榨算力的潛能。

郎咸朋提出了一個(gè)觀點(diǎn)：「我們認(rèn)為上一代技術(shù)能力的上限，是下一代技術(shù)能力的起點(diǎn)?！惯@個(gè)觀點(diǎn)來(lái)自理想進(jìn)行輔助駕駛架構(gòu)迭代的實(shí)踐經(jīng)驗(yàn)。從2021年做到2024年，這個(gè)時(shí)期屬于規(guī)則時(shí)代，理想把（高速+城市）全場(chǎng)景的MPI（平均接管里程）做到了大約10公里，這也是端到端起步階段的數(shù)據(jù)，現(xiàn)在端到端+VLM方案的MPI則來(lái)到了200公里左右。

「現(xiàn)在，如果MPI真正能提升到1,000公里，就意味著可能真的是兩三個(gè)月才接管一次，這可能意味著邁入到下一個(gè)時(shí)代了?！?/p>

03

VLA的ChatGPT時(shí)刻何時(shí)到來(lái)

7月25日，42號(hào)車庫(kù)和行業(yè)多家媒體與理想的自動(dòng)駕駛團(tuán)隊(duì)進(jìn)行了深入交流，接受采訪的有理想汽車自動(dòng)駕駛研發(fā)高級(jí)副總裁郎咸朋博士、理想汽車自動(dòng)駕駛高級(jí)算法專家詹錕和理想汽車自動(dòng)駕駛高級(jí)算法專家湛逸飛。

在這次采訪中，理想的自動(dòng)駕駛團(tuán)隊(duì)對(duì)于VLA的推理能力、現(xiàn)階段的指標(biāo)以及落地節(jié)奏等關(guān)鍵問(wèn)題做出了回應(yīng)。他們透露，VLA背后最大的門檻其實(shí)是世界模型的仿真能力，別人想跟也很難一口氣補(bǔ)齊整條鏈路。以下是群訪的主要內(nèi)容，我們進(jìn)行了不改變?cè)獾?/p>

Q：VLA司機(jī)具備推理能力，并且表現(xiàn)更像人了，但是需要幾秒鐘的推理時(shí)間，請(qǐng)問(wèn)在突發(fā)場(chǎng)景下，VLA司機(jī)是怎么進(jìn)行快思考的？

郎咸朋：您認(rèn)為思考過(guò)程很慢實(shí)際上是顯示的原因，本身推理速度是很快的，只是為了讓大家能夠看地更清楚我們摘取了一些重要的思考過(guò)程顯示出來(lái)。實(shí)際上現(xiàn)在VLA的推理幀率在10Hz左右，相比之前的VLM提升了三倍多，之前端到端的VLM部分是3Hz左右。

Q：您是如何判斷自動(dòng)駕駛落地的時(shí)間表？如何進(jìn)行商業(yè)變現(xiàn)？

郎咸朋：從技術(shù)層面看，我們認(rèn)為VLA模型是可以走向更高級(jí)別的自動(dòng)駕駛，但它現(xiàn)在處于起步階段，在這個(gè)技術(shù)周期里，起步階段VLA模型約等于端到端的上限，它還有很長(zhǎng)一段路要走。但我認(rèn)為這個(gè)過(guò)程不會(huì)特別慢，因?yàn)槎说蕉藦?0MPI到現(xiàn)在100MPI只用了一年左右的時(shí)間，我相信VLA的迭代速度也會(huì)非?？欤赡芪覀兠髂曜谶@兒的時(shí)候它已經(jīng)迭代到1,000MPI了。

商業(yè)變現(xiàn)的影響因素非常多，最核心的是國(guó)家的法律政策。理想汽車也在積極參與國(guó)家相關(guān)政策法規(guī)的討論小組，從技術(shù)上來(lái)看L4級(jí)別的自動(dòng)駕駛落地是非?？斓?，但從商業(yè)角度上看，還有很多問(wèn)題需要考慮，比如保險(xiǎn)，事故之后的賠償?shù)取?/p>

Q：智能駕駛存在一個(gè)「不可能三角」，也就是效率、舒適和安全三個(gè)目標(biāo)之間是互相制約的，目前階段可能難以同時(shí)實(shí)現(xiàn)。請(qǐng)問(wèn)理想汽車的VLA目前在當(dāng)前階段最先優(yōu)化的指標(biāo)是哪一個(gè)？剛剛提及到MPI，是否可以理解為目前理想汽車最終的指標(biāo)是提升安全性以有效減少接管？

郎咸朋：MPI是我們衡量的指標(biāo)之一，還有一個(gè)指標(biāo)是MPA，也就是指發(fā)生事故的里程，現(xiàn)在是300萬(wàn)公里左右。理想車主的人駕數(shù)據(jù)是60萬(wàn)公里左右出一次事故，而在使用輔助駕駛功能的情況下是350到400萬(wàn)公里發(fā)生一次事故。這個(gè)里程數(shù)據(jù)我們還會(huì)持續(xù)提升，我們的目標(biāo)是將MPA能提升到人類駕駛的10倍，也就是比人駕安全10倍，我們希望在輔助駕駛功能下能夠做到600萬(wàn)公里才出一次事故，但這必須等到VLA模型提升之后才能做到。

針對(duì)MPI，我們也做過(guò)分析，可能一些安全風(fēng)險(xiǎn)問(wèn)題會(huì)導(dǎo)致接管，但有時(shí)候舒適度不好也會(huì)導(dǎo)致接管，比如急剎、重剎等，因?yàn)椴⒉灰欢看味紩?huì)遇到安全風(fēng)險(xiǎn)，但是如果駕駛舒適度不好，用戶依然不想用輔助駕駛功能。因?yàn)镸PA可以衡量安全性，在MPI方面，除了安全性之外，我們重點(diǎn)提升了行車舒適度，如果體驗(yàn)了理想i8的輔助駕駛功能，會(huì)體驗(yàn)到舒適度比之前的版本有很大提升。

效率是排在安全和舒適之后的，比如走錯(cuò)路，雖然效率有所損失，但我們不會(huì)通過(guò)一些危險(xiǎn)的動(dòng)作立刻糾正，還是要在安全和舒適的基礎(chǔ)上去追求效率。

Q：您剛才講到從規(guī)則到端到端+VLM是比較大的技術(shù)路線革新，但VLA其實(shí)沒有顛覆端到端+VLM，所以是否可以理解成VLA是偏向于工程能力的創(chuàng)新？

詹錕：VLA不只是工程方面的創(chuàng)新，大家如果關(guān)注具身智能，會(huì)發(fā)現(xiàn)這波浪潮伴隨著大模型對(duì)物理世界的應(yīng)用，這本質(zhì)就是提出了一個(gè)VLA算法，我們的VLA模型就是想把具身智能的思想和路徑引用在自動(dòng)駕駛領(lǐng)域。我們是最早提出，也是最早開始實(shí)踐的。VLA也是一種端到端，因?yàn)槎说蕉说谋举|(zhì)是場(chǎng)景輸入，軌跡輸出，VLA也是如此，但算法的創(chuàng)新是多了思考。端到端可以理解為VA，沒有Language，Language對(duì)應(yīng)的是思考和理解，我們?cè)赩LA中加入了這一部分，把機(jī)器人的范式統(tǒng)一，讓自動(dòng)駕駛也能成為機(jī)器人的一類，這是算法創(chuàng)新，不只是工程創(chuàng)新。

但對(duì)于自動(dòng)駕駛而言，很大的挑戰(zhàn)是必須要有工程創(chuàng)新。因?yàn)閂LA是一個(gè)大模型，大模型部署在邊緣端算力上是非常具有挑戰(zhàn)的。很多團(tuán)隊(duì)并不是認(rèn)為VLA不好，而是因?yàn)閂LA部署有困難，把它真正落地是非常具有挑戰(zhàn)性的事情，尤其是在邊緣端芯片算力不夠的情況下是不可能完成的，所以我們是在大算力芯片上才能部署。所以這不僅僅是工程創(chuàng)新，但的確需要工程部署大范圍優(yōu)化才能實(shí)現(xiàn)。

Q：從行業(yè)角度來(lái)看，目前智駕體驗(yàn)是比較趨同的，未來(lái)理想汽車是否會(huì)將自己的智駕能力向行業(yè)輸出或開源或向其他車企售賣？

郎咸朋：我認(rèn)為是可以的，我們希望為行業(yè)做貢獻(xiàn)。但前提是，第一，我們是不是能夠很好地驗(yàn)證這套系統(tǒng)，因?yàn)檎麄€(gè)VLA的發(fā)展還是在技術(shù)周期的初期階段，需要繼續(xù)提升；第二，是否其他人有能力和我們一起去做這件事，因?yàn)樗残枰凶约旱脑u(píng)測(cè)方式、仿真環(huán)境，以及強(qiáng)化學(xué)習(xí)訓(xùn)練能力。

從公司或我個(gè)人的態(tài)度上，是希望能夠促進(jìn)行業(yè)發(fā)展，但從目前VLA技術(shù)發(fā)展階段來(lái)看，依然是比較初級(jí)的，它的發(fā)展速度可能會(huì)比較快，像端到端一樣，用一年的時(shí)間將效果提升10倍。行業(yè)發(fā)展速度會(huì)非常快，我相信明年溝通的時(shí)候可能會(huì)討論一下開源的問(wèn)題。

Q：今年下半年開始，各家車企都會(huì)推進(jìn)VLA，理想對(duì)于VLA這個(gè)技術(shù)的優(yōu)勢(shì)或技術(shù)壁壘是怎樣的？

詹錕：第一個(gè)是我們的技術(shù)棧是有延續(xù)性的，并不是從之前的規(guī)則時(shí)代突然跳到VLA，那它肯定會(huì)有各種各樣的問(wèn)題，比如有沒有把數(shù)據(jù)積累上來(lái)，有沒有那么好的訓(xùn)練，有沒有那么好的仿真評(píng)測(cè)系統(tǒng)等等。我們現(xiàn)在做VLA其實(shí)是一個(gè)延續(xù)性的技術(shù)架構(gòu)，甚至把原來(lái)的優(yōu)勢(shì)都利用起來(lái)，站在巨人的肩膀上繼續(xù)做。

郎咸朋：技術(shù)壁壘肯定是有，理想最核心的技術(shù)壁壘還是世界模型仿真的壁壘，這個(gè)壁壘是非常高的，別人很難短時(shí)間去復(fù)制出來(lái)。因?yàn)樗牡俣鹊么_保，且還得用實(shí)車去測(cè)試，所以是很難超越我們的。

Q：理想對(duì)VLA司機(jī)的定義是一個(gè)更好的家庭司機(jī)，一個(gè)安心的移動(dòng)空間，未來(lái)VLA技術(shù)會(huì)不會(huì)拓展到別的產(chǎn)品線或一些服務(wù)過(guò)程中，撇開商品車之外的那些服務(wù)？

詹錕：我們相信VLA在未來(lái)會(huì)形成一個(gè)更大的、統(tǒng)一的架構(gòu)。我們也覺得VLA是在對(duì)物理世界AI落地來(lái)說(shuō)，是非常好、非常一致性的前瞻技術(shù)，并不僅僅是自動(dòng)駕駛，可能是物理AI目前看到最合理的一個(gè)方向。

郎咸朋：這肯定是可以拓展的，我們也成立了各種其他的機(jī)器人部門。VLA是一個(gè)很好的具身智能的技術(shù)框架，可能可以延續(xù)到其他方向。

Q：OrinX后續(xù)版本的推送是同步的，還是會(huì)有差異？另外，OrinX去推VLA的時(shí)候，它的能力上限在你們內(nèi)部去考慮，后續(xù)多長(zhǎng)時(shí)間它會(huì)和ThorU拉開差距，還是一直去保持同步的更新？

郎咸朋：我們是同步推送的，這次如果i8上線的時(shí)候，老用戶ADMax的車主，包括2022年買車的車主，只要是OrinX的芯片或者Thor芯片，都會(huì)同步推送。目前測(cè)試來(lái)看在能力上沒有任何差異，幀率上也沒有差異，我們做的工程優(yōu)化都非常好，都是10幀的。唯一的差異就是i8的底盤跟L9的底盤是有些差異，舒適度的體驗(yàn)上可能有一些不同。

后續(xù)的推送節(jié)奏也是同步的，Orin平臺(tái)和Thor平臺(tái)都是同步來(lái)推送。至于什么時(shí)候能拉開差異，我們現(xiàn)在肯定不會(huì)做這種差異化。但是隨著下一步的迭代，如果我們?cè)贗NT4的量化上有一些突破，那個(gè)時(shí)候可能會(huì)有一定差異，但是現(xiàn)在談這個(gè)還為時(shí)尚早。

Q：我們今天體驗(yàn)的這一版實(shí)車，在你們心里的評(píng)分大概是多少？要達(dá)到多少分，你們認(rèn)為才可以大量的推送給用戶。

郎咸朋：我們內(nèi)部是有一個(gè)打分的機(jī)制，以仿真為例，現(xiàn)在是全面先對(duì)標(biāo)OTA7.5，OTA7.5是我們?cè)诙说蕉松献詈笠粋€(gè)版本。這個(gè)版本的得分，內(nèi)部是有評(píng)分的，我們?cè)谕瞥龅谝话鎂LA的時(shí)候，包括大家今天試駕這版的VLA，它在我們內(nèi)部的打分已經(jīng)全面超越了OTA7.5的。但是在一些小的分?jǐn)?shù)上，可能有一些波動(dòng)的。在整體的打分情況上，這個(gè)版本已經(jīng)超越了端到端一點(diǎn)點(diǎn)。

但是我們?cè)谡嬲扑陀脩糁?，我們?huì)做到一個(gè)明顯的效果提升。今天大家試到的是我們特意讓大家先試一下我們?cè)谑孢m度上的一些提升，如果大家比較熟悉車，肯定是能體驗(yàn)出來(lái)的。接下來(lái)我們會(huì)在安全、合規(guī)、導(dǎo)航、效率等等方面，我們會(huì)在自己的一些維度上都會(huì)有較大幅度的提升。讓熟悉我們車的人買i8一上車就會(huì)有非常大的體驗(yàn)。讓沒用過(guò)輔助駕駛的人，使用輔助駕駛的時(shí)候，也會(huì)有很強(qiáng)的安全感和安心感，而且還有很強(qiáng)的舒適程度。

Q：大家都說(shuō)多模態(tài)模型還沒有進(jìn)入所謂的GPT時(shí)刻，無(wú)論是對(duì)世界的理解還是數(shù)據(jù)的訓(xùn)練，雖然大家都模模糊糊看到一個(gè)方向，但具體怎么做沒有一個(gè)明確的解法，這時(shí)候你們需要做一個(gè)量產(chǎn)方案去推送到市場(chǎng)上，你覺得這個(gè)方案是一個(gè)足夠好的解法了嗎？以及它抵達(dá)所謂的GPT時(shí)刻還需要花多長(zhǎng)時(shí)間？

詹錕：大家說(shuō)多模態(tài)模型沒有達(dá)到GPT時(shí)刻，可能指的是VLA這種物理AI，而不是VLM，其實(shí)現(xiàn)在VLM已經(jīng)完全滿足一個(gè)非常創(chuàng)新的GPT時(shí)刻。如果針對(duì)物理AI，現(xiàn)在的VLA，特別是在機(jī)器人領(lǐng)域、具身領(lǐng)域可能并沒有達(dá)到GPT時(shí)刻，因?yàn)樗鼪]有那么好的泛化能力，但在自動(dòng)駕駛領(lǐng)域，其實(shí)VLA解決的是一個(gè)相對(duì)統(tǒng)一的駕駛范式，是有機(jī)會(huì)用這個(gè)方式做到一個(gè)GPT時(shí)刻的，我們也非常承認(rèn)現(xiàn)在的VLA是第一版本，也是業(yè)界第一個(gè)往量產(chǎn)上要推的VLA版本，肯定會(huì)存在一些缺陷。

這個(gè)重大嘗試是想說(shuō)我們想用VLA來(lái)探索一個(gè)新的路徑，它里面有很多嘗試的地方，有很多需要去落地的探索的點(diǎn)，不是說(shuō)不能做到GPT時(shí)刻就一定不能去做量產(chǎn)落地，能給用戶「更好、更舒適、更安全」的體驗(yàn)就可以交付。

GPT時(shí)刻更多指的是具有很強(qiáng)的通用性和泛化性，在這個(gè)過(guò)程可能隨著我們自動(dòng)駕駛往空間機(jī)器人或往其它具身領(lǐng)域去拓展的時(shí)候會(huì)產(chǎn)生出更強(qiáng)的泛化能力或者更綜合的統(tǒng)籌能力，我們也會(huì)在落地以后隨著用戶數(shù)據(jù)迭代、場(chǎng)景豐富、思維邏輯性越來(lái)越多、語(yǔ)音交互越來(lái)越多逐漸往ChatGPT時(shí)刻遷移，不是一定要達(dá)到GPT時(shí)刻才能做一個(gè)自動(dòng)駕駛模型。

比如我們落地了VLA以后不能往ChatGPT去遷移，這是我們VLA落地第一個(gè)版本后逐漸會(huì)往更豐富、更通用、更多樣化能力去做的VLA模型。像郎博說(shuō)的到明年我們?nèi)绻搅?000MPI，可能會(huì)給用戶這種感覺真的到了一個(gè)VLA的ChatGPT的時(shí)刻。