當 ChatGPT 在 2022 年橫空出世，大模型技術掀起全球科技浪潮時，它開始改變了人工智能，慢慢又改變了語音對話，它進一步地試探進入到了交互領域，但很少有人能預見到，僅僅三年后，這股 AI 革命浪潮會深刻地改變汽車行業。
這場關乎智能汽車的革命浪潮以一種名為 VLA 的技術展開，也是以一種 "Agent" 的方式。
如果你關注智能輔助駕駛行業，應該了解這兩年的熱詞 " 端到端 "。
關于 VLA，全名則為 Vision-Language-Action，作為視覺 - 語言 - 行為三位一體的大模型架構，不少業內人士將 VLA 技術視為當下 " 端到端 " 方案的進階版本——它將空間智能、語言智能和行為智能統一在一個模型里，由此它也擁有更高的場景推理能力與泛化能力。
簡而言之，有 VLA 賦能的車不再只是一個駕駛工具，而是一個能與用戶溝通、理解用戶意圖的智能體，通過語言模型和邏輯推理結合在一起之后，它能夠成為一個聽得懂、看得見、找得到，真正意義上的 " 司機 Agent"。
自動駕駛技術正在經歷的一場靜悄悄但深刻的范式轉移：從規則驅動向學習驅動，從分布式感知 - 決策 - 控制向端到端一體化架構，再到今天 VLA 的多模態融合統一建模。技術不再只是模塊疊加的堆棧，也不再滿足于 " 看得見 " 和 " 聽得懂 "，而是要求 AI 真正 " 行動起來 "。" 司機 Agent" 也擁有像人類司機一樣理解環境、做出判斷并立即執行的能力——成為像人一樣在復雜世界中感知、理解、推理和行動的整體智能體。
放眼硅谷到北京，大洋彼岸的 Waymo 到理想，在這種多模態模型與機器人框架的技術趨勢中，理想汽車成為了中國車企中走在最前面的一位踐行者。
在 2025 理想 AI Talk 第二季活動上，理想汽車董事長兼 CEO 李想聚焦理想汽車最新推出的 VLA 司機大模型，不僅展示了 " 司機 Agent"，更通過他本人對 AI 與人性的深度思考，勾勒出了智能汽車發展的新范式——
AI 不應該是簡單地將 " 汽車智能化 "，而是真正實現 " 人工智能的汽車化 "。
從 NOA 到 VLA，理想為何要實現 AI 三段跳？
理想并非是突然轉向 VLA 的。在此之前，也經歷了充足的技術積累。
實話說，李想此前在第一季 AI Talk 上首次提出公司未來是一家領先的人工智能企業的時候，很多人可能并沒有 get 到他在表達什么。
但如果你觀摩了理想這連續的兩季 AI Talk 活動，大概能看出這家公司是如何奔向 " 連接物理世界和數字世界，成為全球領先的人工智能企業 " 企業愿景的。
在第一季 AI Talk 活動中，理想展示出了技術路徑其一：將公司汽車的銷量擠到中國市場的領先地位，賣出年銷量 50 萬輛的汽車，在車上全部部署上端到端技術、Mind GPT，隨后 Mind GPT 經過 1.0/2.0，然后到 3o 多模態智能體的迭代后，理想決定推出理想同學 App，讓這個語音助手觸及到更多的人。
第二季 AI Talk 活動中，理想回顧了在輔助駕駛領域的發展歷程，我們也可以清晰地看到一條從量變到質變的技術演進路線：2023 年年底，全場景 NOA 的推送標志著理想輔助駕駛從高速向城市場景的延展，為用戶帶來了更全面的智能輔助駕駛體驗。而 2024 年 7 月 15 日推送的無圖 NOA 功能，則首次實現了對先驗信息依賴的突破，讓車輛能夠在沒有高精度地圖的情況下依然保持良好的駕駛表現。
2025 年 3 月 18 日，理想汽車正式發布下一代自動駕駛架構 VLA。這在業內算是一次質的飛躍——當眾多汽車品牌仍在為 L2 級輔助駕駛技術優化細節時，理想汽車卻完成了一場田徑運動中的 " 三級跳 "，通過層層遞進取得成績，理想汽車的智能駕駛技術經歷了從規則算法、到無圖 NOA、再到端到端 +VLM，最終邁向 VLA 司機大模型的 " 三段 " 進化。
如果從結果來驗證這其中的規律：從無圖 NOA 到端到端 +VLM，再到 VLA 司機大模型，每一步都至關重要，且每一階段都是不可跨越。
比如 NOA 這一階段的核心在于感知能力和環境適應性的提升，是連接規則算法和端到端模型的關鍵橋梁。
第二階段端到端 +VLM 功能，標志著從規則驅動向數據驅動的根本轉變。
前兩個階段的技術沉淀，解決了兩個問題：一是前期沒有足夠的數據支撐模型訓練；二是缺乏規則約束導致的安全風險。
汽車駕駛不同于簡單的互聯網應用，它直接關系到用戶的生命安全，需要在實際道路環境中反復驗證和迭代。
如果沒有通過前期收集的大量實際道路數據和規則算法的約束，成功訓練出了穩定可靠的端到端模型，并將其與 VLM 視覺語言模型結合，就無法初步實現了系統對環境的 " 理解 "，只是簡單的 " 識別 "。
從一定程度上來說，VLA 技術的成功離不開中國本土 AI 市場的崛起。
另外，也正如 DeepSeek 在大模型領域的發展路徑所示，從構建集群能力到基建、鏈路的優化，通過這些前期的積累，才能實現低成本和高效率的 AI 應用。DeepSeek 不可能一步到位構建出強大的大語言模型，而是經歷了從基礎算法研究、數據收集清洗、模型架構優化到最終產品落地的完整過程。
李想也在活動上強調：" 如果規則算法都做不好，根本不知道怎么去做端到端；如果端到端沒有做到一個極致的水平，那連 VLA 怎么訓練都無從談起。" 這也再次證明，這個過程中沒有捷徑可走，每一步都是通往下一步的必要鋪墊。
司機 Agent，VLA 的實力
說了這么多，VLA 到底可以實現什么樣的功能？
前面提到，VLA（Vision-Language-Action）是視覺 - 語言 - 行為大模型，代表著機器人大模型的新范式。它將空間智能、語言智能和行為智能統一在一個模型中，賦予了系統強大的 3D 空間理解能力、邏輯推理能力和行為生成能力，讓自動駕駛系統真正具備感知、思考和適應環境的能力。
在理想最新公布的 demo 視頻里，理想的這個 " 司機 Agent" 展示了其 " 能聽懂人話 " 且 " 直接執行 " 的智能輔助駕駛能力：
從技術原理上看，前文提到的端到端 +VLM 的階段，VLA 并非簡單地將端到端模型和 VLM 模型結合在一起，而是所有模塊的全新設計與整合。
我們嘗試簡單類比解讀一下：
視覺智能（Vision）：就像人類駕駛員通過眼睛觀察道路情況，VLA 通過車載攝像頭和傳感器 " 看見 " 周圍環境。但不同于傳統系統只是識別物體，VLA 能夠理解場景的語義和空間關系。這就像是從 " 我看到一個紅色物體 " 升級到 " 我明白這是一個紅燈，需要停車，而且它位于前方十米處的十字路口 "。
語言智能（Language）：如果說視覺智能是 VLA 的 " 眼睛 "，那么語言智能就是它的 " 大腦 "。通過強大的語言理解和推理能力，VLA 可以處理復雜的人類指令，理解上下文，并將視覺信息與語言知識融合。比如當你說 " 在前面路口掉頭 " 時，VLA 不僅能識別出 " 路口 " 這個概念，還能將它與視覺中看到的道路匹配，理解 " 前面 " 這個相對位置，并執行適當的停車操作。
行為智能（Action）：這是 VLA 最與眾不同的部分，它不只是理解，還能采取行動。VLA 將對環境的理解轉化為精確的駕駛決策，生成平滑、自然的駕駛軌跡。這就像一個經驗豐富的司機，不僅知道何時轉彎，還知道如何以合適的速度和角度完成轉彎，使乘客感到舒適。
相對直觀地理解 VLA 的工作原理，可以盡可能地將其想象成一個高效的駕駛決策鏈條。
多模態協同效率問題可以理解為：之前的雙模型架構就像兩個專家各自獨立工作——一個負責開車，一個負責理解指令，溝通效率低下。兩個模型工作頻率不同，聯合訓練和優化困難。想象一下兩個人合開一輛車，一個人負責方向盤，一個人負責油門和剎車，卻無法流暢溝通，這顯然會導致駕駛不協調。VLA 則將這兩位專家的能力整合在一個大腦中，實現了無縫協作。
物理世界建模能力不足則更像是：基于千問等大模型的 VLM 雖然在互聯網 2D 圖文數據上訓練充分，但對于 3D 世界的理解和專業駕駛知識存在短板。就像一個在模擬器上學習駕駛的人，缺乏真實道路的立體感和空間認知。VLA 通過專門的 3D 空間編碼技術和大量真實駕駛數據訓練，彌補了這一不足。
從視頻上的效果來看，VLA 能夠更好的處理人類駕駛行為的多模態性，可以適應更多駕駛風格。
這也是前文所提到的，語言模型和邏輯推理結合在一起之后，它能夠成為一個聽得懂、看得見、找得到，真正意義上的 " 司機 Agent"。
" 類似人和代駕的關系，人們怎么和代駕說，就怎么和司機 Agent 說。"
理想率先駛入無人區
很明顯，VLA 技術的突破，在汽車座艙和車輛駕駛層面進行了結合，也拉高了智能輔助駕駛系統的上限。
李想將智能輔助駕駛拆解成了三個發展階段，用自然界中不同的物種進行了形象的比喻：
第一階段，昆蟲動物智能。通過機器學習感知配合規則算法的分段式輔助駕駛解決方案，需要有既定的規則，同時依賴高精地圖，類似螞蟻的行動和完成任務的方式。
第二階段，哺乳動物智能。端到端階段通過大模型學習人類駕駛行為（類似馬戲團的動物），但其對物理世界的理解并不充分，此階段通過三維圖像判斷自身速度和軌跡以及在空間中所處的位置，足以應對大部分泛化場景，但很難解決從未遇到過或特別復雜的問題，此時需要配合視覺語言 VLM 模型，但現有視覺語言模型在應對復雜交通環境時只能起到輔助作用。
第三階段，人類智能。VLA 階段可以實現類似人類觀察世界的方式，利用 3D 視覺和 2D 的組合構建更真實的物理世界，VLA 擁有自己的腦系統，進一步理解物理世界，還具備語言和思維鏈系統，也就是 VLA 的司機大模型。
這同時也對應著李想本人對于 AI 工具的分級制度——信息工具、輔助工具和生產工具，" 我覺得人工智能變成生產工具，然后才是真正人工智能爆發的時刻。"
從人工智能行業來看，VLA 是 " 機器人模型 " 的一種，是 Physical AI 的原型。在 ChatGPT、Gemini 等數字智能代表主導的軟件智能浪潮之后，AI 的下一個風口毫無疑問將是物理智能。汽車，作為最復雜的物理空間智能終端，是理想選擇的主要切入口。一旦 VLA 模式在車上跑通，空間智能 + 語言智能 + 行為智能三者的融合，一定程度也將為其他領域的機器人模型打下范式基礎。
OpenAI、DeepSeek 等大模型公司雖強，但他們并未真正涉足汽車領域的空間智能與行為建模，更沒有語料、數據和場景去覆蓋家庭用戶與真實路況的多樣性。正因如此，理想選擇了自己下場，打造自己的基座模型。實打實地講，Language 層上借助 DeepSeek，但空間智能和行為智能部分也得靠自己一步步打磨，嘗試建立閉環能力的雛形。
" 交通工具 " 能否能成 " 空間機器人 " 尚未可知，但司機智能體確實是人工智能汽車化的無人區。
這場變革，不只是理想的突破，更是 AI 進化的必然。
正如手機并非因通話而被重新定義，而是因其成為 " 數字生活中樞 " 才改變了世界——今天的汽車，也將在 VLA 的驅動下，從 " 移動交通工具 " 進化為 " 移動智能空間 "，成為 AI 與人的共生載體。
而這條從端到端走向 VLA 的進化之路，或許才剛剛開始。
