最近，很多人都在讨论汽车的智能驾驶功能，感觉车子变得越来越聪明了。
我们经常听到一些新名词，比如自动辅助驾驶、智能领航等等，好像司机很快就要被彻底解放了。
但一个很现实的问题摆在大家面前：现在这些所谓的“智能”驾驶，真的能让我们完全放心吗？
它们是真的在用“大脑”开车，还是仅仅在模仿我们人类司机的动作？
如果遇到一个它从未见过的复杂路况，它会不会突然“犯傻”，让我们在驾驶座上惊出一身冷汗？
这个疑问，其实是整个智能驾驶行业都在努力攻克的难关。
而理想汽车最近推出的一项名为VLA的技术，似乎正是在尝试回答这个问题，他们声称要让汽车拥有一个真正会思考、能决策的大脑，彻底告别那种只会机械模仿的驾驶状态。
要理解理想这个新技术的突破之处，我们得先看看目前市面上大多数智能驾驶系统的工作原理。
现在最主流的技术，叫做“端到端大模型”。
这个名字听起来很专业，但用大白话讲，它的核心逻辑就是“模仿学习”。
您可以想象一下，我们想教会一个人开车，但我们不教他交通规则，也不教他车辆原理，只是让他坐在副驾驶，没日没夜地观看成千上万个小时的老司机开车录像。
看的时间长了，他就会形成一种肌肉记忆般的条件反射：看到红灯，老司机踩了刹车，那我也踩刹-车；看到前面有障碍物，老司机打了方向盘绕过去，那我也跟着打方向。
这就是“端到端”的本质，从摄像头看到图像（输入端），直接给出一个方向盘和油门的指令（输出端）。
这种方法在初期效果非常显著。
理想汽车自己也提到，依靠这种大量的视频数据“喂养”，他们的辅助驾驶系统在短短七个月内，就实现了平均需要人工接管一次的里程从12公里提升到120公里的飞跃，进步速度惊人。
但很快，瓶颈就出现了。
理想的自动驾驶研发负责人郎咸朋博士发现，当学习的视频片段数量达到一个极高的量级，比如一千万段之后，继续增加数据量，系统的能力提升却变得非常缓慢。
原因其实不难理解，这种模仿式的学习，只知其然，而不知其所以然。
系统知道在某种情况下该做什么动作，但它完全不理解为什么要这么做。
这就导致它只能处理那些在数据里反复出现过的、有固定模式的场景。
一旦遇到一个数据库里没有的、不合常理的突发状况，比如在一个没有灯光的隧道里突然出现一个横穿马路的行人，或者一个造型奇特的异形工程车，它的“大脑”里没有对应的模仿范本，就会立刻陷入混乱，无法做出正确决策，只能将控制权交还给人类。
这种状态，被业内人士形象地称为“猴子开车”，虽然能模仿很多动作，但缺乏真正的理解和推理能力，安全上限被牢牢锁死。
为了打破这个天花板，理想汽车选择了一条更难走的路，从“模仿学习”转向“强化学习”，其成果就是VLA司机大模型。
VLA是三个英文单词的缩写：Vision（视觉）、Language（语言）和Action（行为），这三者共同构成了一个全新的决策链路。
首先是“V”，也就是视觉感知。
这不仅仅是摄像头看到什么，而是通过车上所有的传感器，包括摄像头、激光雷达、毫米波雷达等等，对车辆周围的整个三维空间进行全面、精准的数字化重建。
哪里是道路，哪里是行人，哪里是其他车辆，它们的位置、速度和运动轨迹，都被清晰地掌握。
接着，也是整个VLA技术最核心、最关键的一环，就是“L”，语言。
这里的语言，并不是我们和车机对话的语音助手，而是指人工智能在内部理解和分析世界的一种逻辑方式。
当系统通过视觉感知到了一个复杂的场景，它不再是直接匹配一个驾驶动作，而是会在内部进行一番类似人类思考的“逻辑推理”。
比如，系统看到前方路口，它的“内心活动”可能是这样的：“前方是一个十字路口，当前是绿灯。但是在道路右侧的斑马线附近，有几个行人正在徘徊，看起来有横穿马路的意图。同时，对向车道有一辆车打着左转灯，可能会与我抢行。综合判断，我目前的最佳策略应该是：轻微降低车速，做好随时制动的准备，密切观察行人的动向，并预判对向左转车辆的轨迹，在确保绝对安全的前提下，再加速通过路口。”这个“L”的过程，就是把冰冷的视觉数据，转化成了可以被理解、分析和推理的结构化信息，让汽车真正拥有了逻辑思考的能力。
最后一步是“A”，也就是行为。
当“L”这个大脑经过深思熟虑，制定出最优的驾驶策略后，“A”就负责将这个策略精准无误地转化为方向盘的转动、油门的深浅和刹车的力度，最终完成整个驾驶动作。
通过这种方式，AI不再是一个被动模仿的“学生”，而是在一个虚拟的驾驶模拟器中，通过无数次的试错和学习，主动探索和掌握驾驶技巧的“实习司机”，它学会的不再是固定的招式，而是处理问题的底层逻辑。
那么，这个拥有了“思考能力”的汽车，在实际道路上开起来究竟是什么感受呢？
根据体验者的描述，它的表现确实让人印象深刻。
最直观的一点就是，你可以用非常生活化的语言来指挥车辆。
在城市道路上行驶时，你觉得车速有点慢，可以直接说“理想同学，开快点”。
车辆并不会猛地向前窜，而是会判断当前的路况，然后非常平顺地将速度从63公里/小时提升到70公里/小时。
反之，如果你说“慢一点”，它如果识别到前方是正在施工的路段，也会非常智能地将速度从40公里/小时主动降低到更安全的35公里/小时。
这种对指令的理解和对环境的感知，已经超越了简单的命令执行。
更令人称道的是靠边停车功能。
当驾驶员发出“靠边停车”的指令后，车辆会一边平稳减速，一边柔和地向路边靠近，整个过程连贯顺滑，没有丝毫的突兀感，停稳后还会语音提示“完成停靠”。
如果你觉得停车位置不理想，甚至可以继续下达指令，比如“往前行驶20米”，它就能精准地执行，不多不少。
除了能听懂话，它还能记住你的习惯。
比如某一条路地图限速60公里/小时，但你作为车主，每次经过时都习惯开到75公里/小时。
几次之后，VLA大模型就会记住你的这个驾驶偏好。
下次再行驶到这条路时，它甚至会主动提示你，已经按照你之前的习惯将速度调整到75公里/小时。
这种个性化的记忆和适应能力，让车辆不再是一个冰冷的机器，而更像一个懂你的专属司机。
在处理人车混杂的复杂路口时，它的表现也相当“老练”。
面对不按规则行走的行人，它会提前减速并平稳停在斑马线前，甚至会和犹豫不决的行人有一个短暂的“博弈”过程，判断对方意图后果断礼让，待行人通过后，再抓住时机快速通过，整个过程既安全又高效，没有很多辅助驾驶系统常见的犹豫和顿挫感。
这项技术的快速落地，并非偶然，背后是理想汽车在数据、算力、算法和工程能力四个维度的长期积累。
首先是数据，理想拥有超过12亿公里的用户真实道路行驶数据，这是训练模型认识世界的基础。
但更重要的是，当真实数据遇到瓶颈时，他们大规模引入了仿真数据。
这相当于为AI司机量身打造了一个无限逼真的驾驶模拟器，可以在虚拟世界中经历各种现实中难以遇到的极端天气和危险场景，通过上亿次的失败和成功来学习和进化。
其次是算力，为了支撑如此庞大的模型训练和仿真，理想投入巨资建立了总计高达13 EFLOPS的训练平台，其推理资源据估算相当于三万张英伟达L20专业推理卡的集合。
如果说数据和算力是硬基础，那么领先的算法和强大的工程能力，就是将这些资源转化为实际产品的关键。
毕竟，再好的模型如果不能高效地部署到车端的芯片上并稳定运行，那对用户来说就毫无价值。
全部评论 （0）