01理想VLA最近更新了點啥

就在 12 月初，理想發(fā)了一款AI 眼鏡 Livis，VLA 也推送了8.1 版本的OTA更新。

都有點啥新東西呢？現(xiàn)在我們可以用 AI 眼鏡來遠(yuǎn)程控制汽車空調(diào)后備廂，方便了不少。

坐在車上的時候，也可以直接告訴理想同學(xué)我想讓它往哪走、速度快點還是慢點。

未來，理想同學(xué)還能分析并且記住我們的喜好，記住剛剛走過的路。

以后出行的時候就能根據(jù)我的偏好設(shè)計路線和駕駛風(fēng)格。

甚至能幫我們買瘋狂星期四，不用下車就能拿的那種。

理想同學(xué)幫你點瘋狂星期四

理想的 VLA 是啥呢？

VLA，也就是視覺（Vision）-語言（Language）-行動（Action）三合一的大模型。

相當(dāng)于是把理想過去的端到端 + VLM 技術(shù)進(jìn)一步集成起來。

現(xiàn)在的車載大模型既能充分理解，又能高效執(zhí)行。

用上新版本的 VLA 之后，理想的輔助駕駛有啥變化呢？

一方面，VLA 模型空間感知能力更廣，還能基于擴(kuò)散模型來實現(xiàn)軌跡生成，推理能保證 10 Hz 以上的幀率，效率非常高。

VLA 還有個能力就是跟你對話，在 OTA 8.1 版本推送之后，VLA指令的響應(yīng)速度能達(dá)到200毫秒，這也就意味著可以更快、更精準(zhǔn)地響應(yīng)你的行車指令。

要是我們問一些比較復(fù)雜的問題，理想同學(xué)的深度思考時間能進(jìn)一步壓縮，可以說越來越接近真人對話的效果了。

有些車主也提到，在面對施工改道、加塞之類場景的時候，VLA 控制下處理更加絲滑，不會猛然加減速，那種機(jī)械感很強(qiáng)的點剎和變道不及時的問題也減少了。

提前預(yù)判匯入主路

軌跡生成這塊，擴(kuò)散模型的好處就在于，可以直接生成一條很平滑，很“老司機(jī)”的路線來執(zhí)行，軌跡輸出不再猶豫。

這也就讓車的行駛軌跡更果斷、更絲滑，也就是更像個老司機(jī)的感覺。

這樣，輔助駕駛更像真人司機(jī)操控的感覺，不安心的感覺進(jìn)一步減弱了，舒適度自然也提升了不少。

理想自動駕駛的負(fù)責(zé)人郎咸朋也說到，理想 VLA 就是在用 GPT 的方式做自動駕駛。長此以往，VLA 會越來越多的生成接近真人的行為。

02VLA的方向是具身智能

理想為啥要做 VLA？為啥要讓輔助駕駛更像人？其實得從李想對公司定位的思考說起。

他認(rèn)為，現(xiàn)在我們所說的具身智能其實有兩個大的品類，一種是人形的具身智能機(jī)器人，另一種是常見工具智能化之后的具身智能機(jī)器人。

這就有點像擎天柱或者大黃蜂的汽車形態(tài)，雖然工具屬性更強(qiáng)，但同樣具備擬人的思考能力，行為方式。

從這個角度來看，汽車機(jī)器人它也可以是具身智能機(jī)器人。

理想第三季度財報業(yè)績會上，李想深入分析了未來十年新產(chǎn)品要走的路線：

產(chǎn)品停留在“電動車”階段時，車企們的競爭就會演變成參數(shù)大戰(zhàn)。更高的結(jié)構(gòu)強(qiáng)度、更大的車內(nèi)空間、更久的電池續(xù)航、更低的首發(fā)價格……永不休止的內(nèi)卷之下，所有額外的研發(fā)投入都會變成成本浪費。

當(dāng)產(chǎn)品演變成“智能終端”，車企們的目光又會全部聚集到屏幕上，像手機(jī)研發(fā)那樣重復(fù)進(jìn)行類似的系統(tǒng)建設(shè)。

所有的工作都是如何把手機(jī) App 搬進(jìn)車機(jī)里，卷到最后，就會變成用車機(jī)寫代碼，用車機(jī)做深度研究。

這些投入，就徹底偏離了用戶需求。

因此，理想未來路線就十分明確了：

不只是要做電動汽車，不只是要做有輪子的智能手機(jī)，而是要做具身智能，要做大黃蜂這樣的汽車機(jī)器人。

放眼更廣的領(lǐng)域，L4 級自動駕駛的車，是跑在路上的汽車機(jī)器人，升級后的智能座艙，是會思考的空間智能體，AI 眼鏡，是戴在頭上的穿戴機(jī)器人，甚至如今的座椅，都可以進(jìn)一步改造，感受你的體溫、體重，不需要任何多余的空間，就能變成一個默默關(guān)心你的健康機(jī)器人……

那就要賦予汽車眼睛和耳朵一樣的感知能力，大腦和神經(jīng)一樣的模型能力。

讓汽車具備私人司機(jī)一樣的專業(yè)能力和服務(wù)，既可以開車上路、開門接你，又可以幫你停車、充電。在車?yán)锝o你提供飛機(jī)頭等艙級別的服務(wù)，像助理一樣幫你處理手上的事務(wù)。

畢竟，誰不想要一臺平時提供便捷和關(guān)懷，有事的時候真出力的大黃蜂呢？

03上一代的上限 是下一代的起點

從這個思路回頭去看，理想 VLA 在做的事就不難理解了。

之前的端到端 + VLM 是有短板的。

一方面，輔助駕駛?cè)鄙偎伎寄芰?，只能簡單模仿人類駕駛行為，而人類駕駛場景是無窮無盡的，無法通過模仿學(xué)習(xí)全部學(xué)會。

另一方面，VLM 雖然擁有視覺能力，但是也僅能實現(xiàn)認(rèn)識常規(guī)的紅綠燈或者標(biāo)識，而不能對復(fù)雜的指示牌進(jìn)行思考。

這就有點像車?yán)镉袀€教練在副駕駛教學(xué)員操作，我們坐在車上，體驗多少有點僵硬了。

上一代技術(shù)的上限，是下一代技術(shù)的起點。

想要解決就得將二者進(jìn)一步整合起來，這才有了 VLA 模型。

理想 VLA 的進(jìn)化，不是給工具戴上“外置大腦”，而是讓工具的本體具身智能化。

從最顯眼的數(shù)據(jù)上來看，我們?nèi)祟愰_車上路，剎車、轉(zhuǎn)向的最快響應(yīng)速度差不多 450 毫秒。

原先的輔助駕駛差不多 550 毫秒，在司機(jī)眼里就是反應(yīng)慢。

而線控體系可以讓整個鏈路響應(yīng)速度縮減到 350 毫秒，低于人類一般水平，在一些場景下甚至能讓司機(jī)感受到“比人開得好”。

從感知上，目前大量采用的 3D BEV、OCC 占用網(wǎng)絡(luò)、2D ViT，有效的感知距離不如人眼。3D ViT 的工作原理和人眼類似，有效距離可以比以往擴(kuò)大兩到三倍。

我們可以期待一下，將來用上 3D ViT 之后，理想 VLA 大模型可以用更接近人類視覺的方式觀察環(huán)境，能更好地理解物理世界，也能更高效地使用人類數(shù)據(jù)做訓(xùn)練。

應(yīng)用場景也可以不再局限于輔助駕駛，能在車內(nèi)外給用戶提供交互。或許還會誕生更多不同形態(tài)的機(jī)器人和應(yīng)用。

如今的理想 VLA 完成了軟硬件的全面整合，這也意味著很難有第三方能加入這一賽道，供應(yīng)同級別的整個 AI 系統(tǒng)。

理想要在 AI 技術(shù)上持續(xù)保持優(yōu)勢，就必定會堅持走全面自研這條路子，維持研發(fā)投入。

對此，理想的決定是，公司架構(gòu)重新轉(zhuǎn)型成創(chuàng)業(yè)公司，進(jìn)一步聚焦具身智能這個新賽道，重新出發(fā)。

在自研芯片與自主泊車、遠(yuǎn)程呼叫之類各種創(chuàng)新功能落地之后，我們一定會看到一個擁有深度智能的、自主服務(wù)用戶的，更加“理想”的智能出行生態(tài)。

未來十年，我們說不定也會看到許許多多“汽車人”，它們不但是頂級司機(jī)，更是家庭管家、生活助理。以汽車的形態(tài)，提供更多便捷與陪伴。