一、TL；DR
- 理想为什么要做自己的基模：座舱家庭等特殊VLM场景，deepseek/openai没有解决
- 理想的基模参数量：服务端-300B，VLencoder-32B/3.6B，日常工作使用-300B，VLA-4B
- 为什么自动驾驶可以达成：规则已知，类比机器人的自由度小，能够做的比人好
- VLA如何训练：基座模型pretrain、VLA后训练，强化学习训练，最后是agent
- 讲了很多公司的理念，我觉得挺好的，但是这部分就不在本文体现了
二、AI工具的三个分级
李想将AI分为3个阶段，分别是信息工具、辅助工具和生产工具，大多数人用来做信息工具使用，更进一步地，AI使用体验会变得更好，但此时他只是一个辅助工具，比如用来点外卖，但此时我们依旧在工作8小时，仍旧需要人的参与，最后如果变成生产工具，是否在产生有效的生产力，这也是用来衡量agent的做得好坏的标准
三、构建能力的3个过程
为了改变能力和提升能力：
- 这4个步骤是极简的人类最佳实践
- 理想在做VLA/李飞飞等在做研究都是这样
四、VLA为什么要做和怎么做
4.1 为什么要做
辅助驾驶需要把视觉和语料融合进去，openai/deepseek做好了Language，但是他们没有这些VL的数据，也没有这些场景和需求，因此也不会去解决这些问题，因此只能理想自己做
4.2 规模多大
理想同学用的是300B的模型，车端VLA是4B的模型，辅助驾驶的VL是32B/3.6B的模型。平产工作也是用的300B的模型
4.3 辅助驾驶的进化过程
第一阶段（rule）：规则算法，整个模型规模只有几百万的参数量，因此加不同的规则，就像有轨电车
第二阶段（(E2E+VLM）：像人类的哺乳动物的智能运作的一种方式，动物园的猴子学习人类的各种行为去开车，但他对物理世界不理解，他对大部分的泛化性能是没问题的，但是特别复杂的场景搞不定
第三阶段（VLA）：用3D视觉+2D视觉，有自己的Language和大脑去理解整个物理世界，具备自己的COT。真正的去执行这些理解
4.4 VLA如何训练
第一阶段：32B的基座VL 模型，与之前的差异是什么，需要放更多的视觉token，包括3Dtoken和更高清的2D token，放入驾驶的Language和视觉的联合语料，将对高精地图的理解也放进去，整体数据是vision的数据、Language的数据和VIsion/Language联合的数据，最后蒸馏下来的是3.6B的8个MOE车端模型
第二阶段是后训练，将其变为一个VLA模型，后训练仍然是一种强化学习，此时将模型规模扩展到4B左右，一方面是VLA，能够直接从inputt到输出，有着比较短的cot，另外做完action后，还会做一个4-8秒的diffusion轨迹和环境预测，特别像人去驾校学开车的过程
第三阶段：做强化训练，第一部分先做RLHF，带有人类反馈的强化学习，除了遵守交通规则以外，还需要增加大家的驾驶习惯，开的跟大家一样好，第二部分是纯粹的强化学习，拿着RL放在世界模型里面学习，目的就是比人开的更好，有3类的训练要求，G值判断舒适性的发聩、碰撞的反馈、交通事故的反馈，用这三个反馈来做强化学习
这三个要求完成以后，她就跟人类的驾驶习惯完全一样；像人类一样学习驾驶知识，这个是预训练，后训练相当于去驾校认真的学习开车，第三个环节相当于到社会上学开车和人类和社会环境做对齐。最后面， 人类通过自然语言的方式与VLA进行沟通，不再需要经过云端，如果是复杂的指令，则需要通过云端32B的模型先去 理解交通的一切，再交给VLA进行处理。他会像人类司机一样开车并且理解用户的问题，这个通过Agent来进行实现
效果如下所示：
五、为什么辅助驾驶可以做成
5.1 做成的原因
第一、交通领域是最首先讲清楚规则的，虽然复杂但是具备确定性，一辆车上路后基本上路线是确定的
第二、是车的控制，其实只具备3个tof，左右、前后和轻微的旋转，机器人上来就40多个自由度，挑战更大
第三：我们进行模仿学习是比较方便的，还能做更好的强化学习，交通规则、是否碰撞、舒适性这些是能够被表达出来的，因此能够进行更好的强化学习
5.2 为什么是理想做成
什么难度大：数据获取难度最大，是vision和action，车上装门了传感器可以收集到世界数据，但是需要人来开车收集到action数据
为什么其他公司做不了：
其它车企没有建立预训练的基模能力、后训练和强化学习的能力，强化学习的体系建立如何和人类司机的方法对齐，这些能力的建设决定辅助驾驶能否做成、
5.3 如何保证辅助驾驶安全
对齐来解决与人类一致性的问题
模型能力越强，胡来的可能性就越大，一个公司也是这样的，公司做大以后，需要职业性来进行约束。只需要雇佣职业司机而非赛车手了
端到端的仿真和快速闭环问题的能力
模型是一个黑盒子，做了整个物理世界的仿真，2万公里的费用是17-20万左右，现在是4k，基本上都是fpu的渲染，解决问题的效率提升很多，相同的问题复现几乎没有可能，但是仿真世界再世界模型里面是可以做到的。3天可以解决一个cornercase
超级对其团队。来保证安全的驾驶，建了 100 多人的团队，就像给 AI 司机上 “职业素养课”，教它遵守交通规则，养成好的驾驶习惯 。
)
{ :|: }；:)