在自动驾驶技术的探索征途中，理想汽车再次站在了聚光灯下。连续两年，同样的时间节点，同样的地点，理想汽车向业界抛出同一个问题：自动驾驶的最终形态究竟何许人也？
回溯至去年，爱范儿与董车会共赴理想北京的研发中心，与理想辅助驾驶团队进行深度交流。彼时，理想正酝酿着一场技术革新——“端到端+VLM视觉语言模型”即将上车。团队信心满满地表示，这一技术框架正是自动驾驶的“终极蓝图”。
时光流转，技术迭代，“端到端+VLM”已进化为VLA（Vision-Language-Action，视觉语言动作模型），标志着理想辅助驾驶能力正由“猿”向“人”的关键跨越。
今年，我们再次踏入理想的研发中心，与辅助驾驶团队共话新篇章。话题聚焦于：辅助驾驶领域的“猿”与“人”，究竟有何异同？
在“端到端+VLM”之前，理想采用的是业界主流的“感知—规划—控制”架构，它依赖工程师预设规则应对交通状况，但难以覆盖所有情形。这是辅助驾驶的“机械时代”，缺乏思考与学习能力。
“端到端+VLM”则象征着“猿时代”，虽具模仿学习能力，但仍显稚嫩，难以完全掌控车辆。其本质是模仿学习，依赖海量人类驾驶数据，但数据质量与数量直接决定性能。且出于安全考量，VLM模型仅提供决策建议，不直接控车。
而VLA模型，则标志着辅助驾驶步入“人类时代”，具备思考、沟通、记忆与自我提升的能力。从“猿”到“人”，虽理论上“端到端+VLM”可通过时间积累学会人类驾驶，但代价高昂。理想汽车自动驾驶研发高级副总裁郎咸朋坦言，随着数据量激增，模型性能提升速度逐渐放缓，遭遇瓶颈。
本质问题在于，“端到端”模仿学习缺乏深度逻辑思考，如同猴子驾车，知其然不知其所以然。VLM模型虽具更强理解与思考能力，但决策响应慢，与端到端模型耦合度低。
去年，理想辅助驾驶团队已预见两大趋势：一是模型规模扩大，端到端与VLM或将融合；二是借鉴多模态模型发展，实现原生多模态，涵盖语言、视觉、雷达等。这些趋势，如今已化为现实。
郎咸朋解释了从“端到端+VLM”转向VLA的原因：人工智能应具备人类般的思维与推理能力，解决未知场景。VLA模型，正是这一理念的实践。
VLA模型，Vision负责传感器信息输入，Language负责空间理解的翻译与编码，Action则根据编码生成行为策略。它打通了人与车的沟通桥梁，语言指令即可控车。同时，视觉与行为间无碍，处理速度大幅提升，解决了VLM响应慢、端到端不理解VLM决策的问题。
更显著的是，VLA模型具备思维链能力，推理频率达10Hz，较VLM快三倍多，能更快、更有理有据地进行推理，生成驾驶决策。它还拥有记忆与自主学习能力。
谈及VLA模型的训练，郎咸朋强调，需数据、算法、算力与工程能力四者兼备。理想汽车在数据方面有新突破：通过世界模型重建场景，举一反三生成相似场景，大幅降低测试成本，提升测试质量与研发效率。
在问答环节，郎咸朋表示，VLA模型当前阶段最优先优化的是安全性与舒适度，效率次之。针对VLA模型的难点，他指出，需建立在实车数据采集的基础上，且需强大算力支撑。对于大幅减少实车测试的依据，他认为仿真测试高效可靠，已替代大部分性能相关测试。
理想汽车自动驾驶高级算法专家詹锟补充，VLA不仅是工程创新，更是算法创新，旨在将具身智能思想引入自动驾驶领域。他承认VLA模型尚处初级阶段，需通过评测与仿真验证其量产可行性。
对于VLA是否已达“GPT时刻”，詹锟认为，在自动驾驶领域，VLA有机会实现这一标准，但需通过用户数据迭代、场景丰富与思维逻辑性提升逐步靠近。
