12月10日消息，在今年8月份的世界機(jī)器人大會(WRC)上，宇樹科技創(chuàng)始人王興興質(zhì)疑VLA(視覺語言動作模型)的一番言論，引起業(yè)界熱議。

王興興稱，對于當(dāng)前機(jī)器人大火的VLA路線，他持有一定的懷疑態(tài)度，并直言稱“這是一個(gè)相對傻瓜式的架構(gòu)”。

原因是當(dāng)VLA模型與真實(shí)世界交互的時(shí)候，背后的數(shù)據(jù)質(zhì)量、數(shù)量，并不太夠用。

而今日，理想汽車自動駕駛研發(fā)高級副總裁@ 郎咸朋在微博發(fā)長文，回應(yīng)了此事。

郎咸朋表示，當(dāng)時(shí)沒有提出我的觀點(diǎn)，一是理想VLA司機(jī)大模型還沒正式發(fā)布，空口無憑;二是我們對具身機(jī)器人行業(yè)，還處于密切關(guān)注階段。

我跟王興興觀點(diǎn)最不一樣的地方在于，他認(rèn)為模型架構(gòu)更重要，但我認(rèn)為模型的關(guān)鍵是要與整個(gè)具身智能系統(tǒng)適配，在此基礎(chǔ)上，數(shù)據(jù)是起決定意義的。

從今年9月VLA正式發(fā)布，到12月6日OTA 8.1的推送，經(jīng)過兩個(gè)月多的“實(shí)踐出真知”后，我有兩點(diǎn)心得：第一，VLA就是自動駕駛最好的模型方案，第二，具身智能最終拼的是整體的系統(tǒng)能力。

郎咸朋稱，理想的VLA本質(zhì)上就是生成式模型，是在用 GPT 的方式做自動駕駛，只不過生成的Token不是文本，而是軌跡和控制信號。

從目前用戶使用的反饋看，在某些場景下理想的VLA已經(jīng)具備了對物理世界的認(rèn)知涌現(xiàn)。具體表現(xiàn)是用戶會越來越多的發(fā)現(xiàn)之前端到端沒有的擬人行為。

并且，世界模型更適合做“考場”而不是“考生”，在自動駕駛領(lǐng)域，脫離了海量真實(shí)數(shù)據(jù)談模型架構(gòu)都是空中樓閣，我們之所以堅(jiān)持 VLA，是因?yàn)槲覀儞碛袛?shù)百萬輛車構(gòu)建的數(shù)據(jù)閉環(huán)，這讓我們能在當(dāng)前算力下，把駕駛水平做到接近人類。

針對具身智能方面，要想做好自動駕駛，必須先把自動駕駛當(dāng)作完整的具身智能系統(tǒng)對待，每一部分在研發(fā)過程中要相互配合才能將價(jià)值發(fā)揮出來。理想的自動駕駛團(tuán)隊(duì)與基座模型、芯片、底盤團(tuán)隊(duì)協(xié)同打造了整個(gè)的自動駕駛系統(tǒng)。

同時(shí)，模型的關(guān)鍵是要與整個(gè)具身智能系統(tǒng)適配，在此基礎(chǔ)上，數(shù)據(jù)是起決定意義的。在機(jī)器人領(lǐng)域獲取數(shù)據(jù)相對困難，但在自動駕駛領(lǐng)域，特別是建立起數(shù)據(jù)閉環(huán)能力的車企來說并不是大問題。

理想不僅可以從過去幾年積累的10幾億公里的存量數(shù)據(jù)里進(jìn)行挖掘和篩選，更可以通過150萬車主的日常使用源源不斷的獲取新的數(shù)據(jù)。

此外，李想前兩天明確提到，未來五到十年，具身機(jī)器人核心將有兩種形態(tài)：汽車類的具身機(jī)器人、人形類的具身機(jī)器人。

理想的VLA不僅服務(wù)于現(xiàn)在的理想各類汽車產(chǎn)品形態(tài)，也將服務(wù)于未來的汽車類具身機(jī)器人。