李想的“CEO大模型”：VLA架构、组织能量与AGI终端的“苹果”之路

李想的“CEO大模型”：VLA架构、组织能量与AGI终端的“苹果”之路

引言

这是对理想汽车CEO李想的深度访谈笔记。在近三小时的对话中，李想系统性地阐述了理想汽车从“智能终端”向“人工智能终端”转型的战略蓝图。本文不仅详细解构了理想最新的VLA（Vision-Language-Action）“司机大模型”的技术架构，还深入探讨了他对AI工具演进、组织管理（特别是“能量场”理论）以及未来AGI（通用人工智能）时代终端形态的思考。李想明确提出，理想汽车的目标是成为AGI时代的“苹果”，一个全球领先的人工智能终端企业，并论证了为何在物理世界中，终端企业的价值将超越平台企业。

目录索引

1. AI工具三阶：从信息、辅助到生产
2. DeepSeek的启示：人类最佳实践
3. 开源的反哺：因DeepSeek而开源的OS
4. VLA（视觉-语言-行动）：“司机大模型”
5. VLA的训练：从驾校到社会
6. 世界模型与超级对齐
7. “安卓时刻”：AGI时代的终端之战
8. AGI终端三要素：软件、硬件与服务
9. 战略支点：规模、用户、技术、组织
10. 组织的“能量场”：对抗内耗
11. 个人成长：智慧、能量与亲密关系

---

1. AI工具三阶：从信息、辅助到生产

章节摘要

李想将AI工具划分为三个层级：信息工具、辅助工具和生产工具。他认为，当前绝大多数AI应用（如Chatbot）仍停留在信息工具层面，尚未成为真正的生产工具，因为它们没有减少人类的工作时长或实质性改善工作成果。

关键论点：生产工具的缺失

• 信息工具 (Information Tool): 如联网搜索的AI对话，提供参考，但用户不愿为其付费。其信息源（如RAG索引）的准确性存疑，可能导致“熵增”。
• 辅助工具 (Auxiliary Tool): 如辅助驾驶、智能语音助手。提升了现有产品的体验和效率，但仍离不开人的操作。
• 生产工具 (Production Tool): 真正爆发的时刻。其核心评判标准是：是否真的能替代人去完成专业工作，是否在产生有效的生产力。
• 现状： 李想认为，目前几乎没有AI产品达到生产工具的标准。他听到的两个接近的初级案例是 Cursor（编程）和 OpenAI 的 Deep Research（商业分析），共同点是员工“自掏腰包”付费使用。

深入解读：“知行合一”是关键

李想指出，AI从信息工具迈向生产工具的鸿沟在于Action（行动） ，即“知行合一”。目前的模型大多停留在“知”的层面，提供策略和推演，但无法真正去“行”（如操作电脑软件或控制物理机器）。生产工具必须具备行动能力，才能真正介入并替代人类的核心工作流。

2. DeepSeek的启示：人类最佳实践

章节摘要

李想高度评价了DeepSeek，认为其成功源于对“人类最佳实践” (Human Best Practices) 的极致运用。他从DeepSeek V3（模型能力）和R1（业务推理）两个层面，拆解了构建能力和执行业务的极简步骤。

关键论点：DeepSeek的两个最佳实践

1. 构建能力 (DeepSeek V3 - MoE模型):

   • 第一步：搞研究 (Research)。
   • 第二步：搞研发 (R&D)。
   • 第三步：能力表达 (Capability Expression)，如端到端的轨迹展示。
   • 第四步：变成业务价值 (Business Value)。

2. 执行业务 (DeepSeek R1 - Reasoning模型):

   • 第一步：索引分析 (Index Analysis)，分析用户需求。
   • 第二步：确定目标 (Define Goal)，将用户提示转化为清晰目标。
   • 第三步：出策略与执行 (Strategy & Execution)。
   • 第四步：反思与复盘 (Reflection & Feedback)。

深入解读：对抗人性

李想认为，组织和个人在实践中最大的问题就是遗忘最佳实践。例如，在构建能力时，跳过“研究”直奔“研发”；在执行业务时，遇到问题只想“改策略”，而不做“复盘”和“分析”。

严格遵循最佳实践是反人性的 (Anti-human nature)，因为随心所欲才是满足人性的。因此，一个卓越的组织和个人，必须有能力对抗这种人性，坚守纪律和方法论。

3. 开源的反哺：因DeepSeek而开源的OS

章节摘要

DeepSeek的开源对理想汽车产生了巨大帮助。李想坦言，DeepSeek的语言模型帮助理想的VLA项目缩短了约9个月的研发时间，节省了数亿成本。出于“感谢”和回馈，理想汽车决定将其自研的操作系统 (Li Auto OS) 开源。

关键论点：拥抱开源与加大自研

• 拥抱开源： 春节期间，李想和谢言（理想CTO）决定，理想VLA的“L”（Language）部分应站在DeepSeek的肩膀上开发，而非从零开始，这一决策得到了模型团队负责人陈伟的坚决支持。

• 为何仍需自研基座： 理想的业务（如自动驾驶）需要开源模型没有的、高度专业化的数据。

  • 3D Vision 和高清2D Vision的Token。
  • 交通和家庭用户的专业语义语料。
  • VL联合语料 (VL-combined data) ：即图像和语义同时产生的数据（例如：看到导航地图后，人类司机的判断和车辆记录）。

• 加大投入： 理想汽车2025年购买的训练卡比原计划多买了3倍。

• 模型规划： 正在训练两个版本：一个约300B (3000亿) 的模型用于理想同学（多模态），一个32B (320亿) 的模型用于自动驾驶VLA的Vision部分。

深入解读：开源时代的“竞合”

理想的案例展示了AI时代一种新的竞合模式。基础能力（如通用语言理解）可以通过开源社区快速获取，使企业能集中资源攻克自身业务场景下的核心难题（如3D视觉与行动的结合）。这并非战略投机，而是对研发资源的重新配置。理想开源OS，也不是战略考量，而是一种“能量”的回流，是对开源精神的致敬。

4. VLA（视觉-语言-行动）：“司机大模型”

章节摘要

李想将智能驾驶的发展划分为三个阶段，认为行业正处于“黎明前的黑暗”。理想汽车的VLA架构，即“司机大模型” (Driver Large Model)，是其迈向“人类智能”阶段的核心技术路线。

关键论点：智能驾驶的三代演进

1. 第一阶段 (规则算法):

   • 类比：昆虫智能 (Insect Intelligence) ，如蚂蚁。
   • 特点：依赖既定规则和高精地图，模型参数仅百万级，无法理解复杂世界。

2. 第二阶段 (端到端 E2E + VRM):

   • 类比：哺乳动物智能 (Mammal Intelligence) ，如马戏团动物。
   • 特点：模仿人类行为（如学习如何开车），能处理泛化场景，但不理解物理世界。

3. 第三阶段 (VLA):

   • 类比：人类智能 (Human Intelligence) 。
   • 特点：像人一样用3D/2D视觉理解物理世界，能看懂导航等软件，具备理解、推理和行动的能力。

深入解读：VLA的价值

VLA的核心价值在于从“模式匹配”转向了“世界理解”。

• E2E (端到端) 解决的是“看到什么就做什么”的反应问题。
• VLA 解决的是“理解发生了什么，应该做什么”的认知问题。例如，E2E面对复杂修路场景可能会停下，而VLA能理解情况并绕行。同时，VLA（配合Agent）使人车自然语言交互成为可能（如“在这条路中间车道行驶”）。

5. VLA的训练：从驾校到社会

章节摘要

李想详细披露了VLA“司机大模型”的四步训练流程，这一流程高度模拟了人类学习开车的全过程：先学习知识，再去驾校，最后上路（社会）实践。

关键论点：VLA四步训练法

1. 预训练 (Pre-training) - 学习知识:

   • 目标：训练一个32B的云端VL基座模型。
   • 数据：包含3D Vision、高清2D Vision、交通Language，以及关键的VL联合语料。

2. 蒸馏 (Distillation) - 适配车辆:

   • 目标：将32B云端模型蒸馏为3.2B的端侧（On-device）模型。
   • 架构：采用MoE（8个专家） 架构，以在车规级芯片 (如OrinX) 上实现足够高的运行帧率。

3. 后训练 (Post-training) - 驾校学习:

   • 目标：加入Action，变为VA，进行模仿学习。
   • 规模：模型扩大至约4B。
   • 特点：采用短CoT（2-3步）以保证低延迟，并配合4-8秒的Diffusion轨迹和环境预测。

4. 强化 (Reinforcement) - 社会驾驶:

   • RLHF (带人类反馈): 安全对齐。学习人类的驾驶习惯、偏好和安全接管数据，使其“像人一样”融入社会交通。

   • RL (纯强化学习): 超越人类。使用“世界模型”生成的数据进行训练，优化目标清晰：

     1. 舒适性 (G值)。
     2. 碰撞 (零碰撞)。
     3. 交通规则 (零违规)。

深入解读：E2E并未被抛弃

VLA架构并非完全抛弃了端到端。相反，过去的端到端模型成为了VLA中“A”（Action）的部分，即执行环节。这是一个进化的过程，不能跳过（“不能直接摘第十个包子”）。理想之所以能快速推进，得益于其深厚的技术积累，包括自研的操作系统和编译器团队（例如，为OrinX芯片编写底层软件以支持INT4推理）。

6. 世界模型与超级对齐

章节摘要

为了支撑VLA的训练和验证，理想构建了“交通世界模型”；为了确保VLA的安全和类人性，成立了“超级对齐”团队。

关键论点：世界模型与对齐

• 世界模型 (World Model): 李想的定义是一个仿真的交通物理世界。

  • （注：这与机器人领域将“未来预测”称为世界模型不同；李想将未来预测归为VLA司机能力的一部分）。
  • 功能1：考试。验证VLA。
  • 功能2：生成RL训练数据。
  • 功能3：未来L4运营系统。
  • 成果：1万公里验证成本从18万人民币（人力路测）降至4000元（算力成本）。

• 超级对齐 (Super-alignment):

  • 团队规模：100多人。
  • 类比：模型能力 = 专业能力；超级对齐 = 职业性 (Professionalism) 。
  • 目标：解决模型“价值观”问题。例如，模型能力强，但不遵守交通规则，或频繁加塞，导致体验不舒适、不安全。对齐就是注入人类司机的职业素养。

深入解读：AGI时代的“职业道德”

李想将“对齐”问题从一个抽象的AI安全问题，转变为一个具象的“职业性”问题。一个模型能力再强，如果“职业性”差（如开车鲁莽），就不是一个好的“司机Agent”。这套“能力-职业性-信任”三元评估体系，既是评价AI的标准，也是评价员工的标准。

7. “安卓时刻”：AGI时代的终端之战

章节摘要

李想正式将理想汽车2030年的愿景，更新为**“全球领先的人工智能终端企业”** (Global leading AI Terminal company)。他认为AGI时代将重演PC和移动互联网时代的“平台 vs 终端”之战，而理想汽车选择的是“终端”路径。

关键论点：平台 vs 终端

• PC时代： 微软 (平台) 赢了 苹果 (终端)。
• 移动时代： 谷歌 (平台) 与 苹果 (终端) 打平。
• AGI时代 (物理世界): 李想预测，终端企业将战胜平台企业。
• 原因： 物理世界的AI（如自动驾驶、机器人）涉及生命安全和财产安全。这种高风险场景需要极高的一致性，由一个主体（终端）来解决，远比平台和硬件分离的模式更可靠。

深入解读：理想的“苹果”梦

理想汽车的战略选择非常清晰：

• 类比： DeepSeek 就像 Linux（提供了L的基础）；理想汽车要做的是 Android（针对汽车和交通领域的VLA）。
• 路径： 苹果从PC（Mac）拓展到MP3（iPod）再到手机（iPhone）。理想汽车以汽车为第一个AGI终端切入，未来可能拓展到家庭、工作、穿戴等其他符合AGI特征的终端。
• AGI终端四特征： 1) 360°物理世界感知；2) 认知决策能力；3) Action（行动）能力；4) 反思反馈能力。

8. AGI终端三要素：软件、硬件与服务

章节摘要

李想进一步拆解了构成一个AGI终端所必需的三层能力：软件、硬件和服务，并解释了理想汽车在这些领域的布局。

关键论点：AGI终端的构成

1. 软件 (Software):

   • 模型能力： 理解物理和数字世界（如VLA）。
   • 操作系统： 实时OS (RTOS)，确保物理世界执行的准确性。
   • 工具： 高效的确定性工具（如用规则算法解决ETC问题，而非强上模型）。

2. 硬件 (Hardware):

   • 本体： 硬件架构（如中央+分布式计算单元）
   • NPU： 端侧算力。李想认为这是核心，端侧NPU的10倍性能差距（如跑3B vs 30B模型）是决定性的。
   • 制造： “用AGI生产AGI终端” 。未来工厂本身就是一个机器人，目标是提升生产效率，而非简单替代工人。

3. 服务 (Service):

   • AGI运营： 如何运营海量的物理世界机器人（如NVIDIA Cosmos）。
   • 人机连接： 解决“一个人带领多个Agent”的协同工作问题（即Agent OS）。

深入解读：Agent OS的定位

李想认为5年内不会有通用的Agent，但会有Agent OS。对于理想汽车，其对外的Agent OS就是“司机大模型”；对内，则是提供平台让客服、销售、研发等专业团队，在上面构建自己的专业Agent。

9. 战略支点：规模、用户、技术、组织

章节摘要

在讨论战略时，李想提出了他的核心诊断模型：以“规模”为中心，观察“用户需求”、“技术产品”和“组织能力”三个动态变量。

关键论点：理想的战略演进

• 中心： 规模 (Scale) 。规模是确定性的锚点。

• 变量1：用户需求。

  • 现状：主力是SUV。
  • 变化：要做到更大规模（如3000-5000亿），必须覆盖更广用户群，因此需要面向全球的家庭轿车和MPV产品。

• 变量2：技术产品。

  • 现状：智能终端（汽车）。
  • 变化（3-6年）：AGI终端（汽车+其他形态）。

• 变量3：组织能力。

  • Phase 1 (理想ONE): 学习丰田、通用、谷歌 (OKR)。
  • Phase 2 (L系列, 0到千亿): 学习华为 (IPD, 三支柱)。
  • Phase 3 (千亿到万亿): 学习苹果。

深入解读：战略的纪律性

这个模型的核心是，组织变化必须跟上，但前提是“技术变化”和“用户需求变化”产生了结合，而不是因为单一技术热点而盲目调整组织。这解释了为什么理想汽车的组织变革相对稳健。

10. 组织的“能量场”：对抗内耗

章节摘要

在谈及组织管理时，李想引入了一个核心概念：“能量” (Energy)。他认为，决定团队是高效协同还是内耗的关键，在于是否存在“能量场”。

关键论点：能量与支撑

• 能量 vs 内耗： 人和人之间的“能量”始终存在时，争执、讨论、吵架就是一个**“更完善的大脑” （类比MoE）。当能量消失时，这些就变成了“内耗” (Internal Friction)**。
• 构建能量： 关键在于构建“支撑” (Support)。
• 支撑结构： 最佳的支撑结构是3-7人。这个小组能形成“更强大的大脑”（群策群力）和“更强大的心脏”（相互支撑，共同执行）。
• 连接本质： 1) 共同在意用户（价值观共识）；2) 相互在意彼此（先对人，再做事）。

深入解读：“CEO大模型”的组织观

这是李想的组织管理“方法论”。他试图将自己创业（汽车之家、理想汽车）中无意识受益的“合伙人支撑模式”显性化、可复制化。他作为CEO，从过去的“超级产品经理”转向了“组织能量的构建者”，通过设计这种3-7人的支撑结构，在组织内部复制更小的、高能量的决策与执行单元，以此对抗大公司必然出现的官僚主义和内耗。

11. 个人成长：智慧、能量与亲密关系

章节摘要

访谈最后，李想分享了他的个人哲学。他认为AI时代，人类的核心价值在于发展“智慧”，而智慧的来源在于处理“关系”。

关键论点：智慧、成长与关系

• 智慧 (Wisdom): 智慧不是智力 (Intelligence)。智慧是“我们和万物的关系”。AI的发展（智力）应该把人类从繁琐工作中解放出来（如AI替代销售电话邀约），让人有时间去接触万物、处理关系，从而提升智慧。

• 成长 (Growth) vs 改变 (Change):

  • “人是用来发挥的，不是用来改变的。”（从育儿中领悟）。
  • 关注“成长”（如学会资本运作）而非试图“改变”自己的短板。接受自己的不足，因为不足往往是优势的另一面。

• 亲密关系 (Intimate Relationships):

  • 这是能量的核心来源（包括家庭和核心工作同事）。
  • 核心认知： “我需要他们，超过他们需要我。”
  • 这种“被需要”的需求，是建立深度连接和主动付出（产生能量）的基础。

• AI安全： 李想认为当前的Transformer架构是安全的，因为它没有自主意识，改变其输出必须通过人类“重新训练”，人类的“对齐”手段依然有效。

深入解读：李想的“熵减”哲学

李想的个人哲学与他的商业思考高度一致。AI处理复杂、高熵增的信息和计算；人类则应该专注于高价值、熵减的活动——即构建“关系”和提升“智慧”。他对AI持乐观态度，前提是人类必须同步提升自己的智慧水平，成为文明的领导者，而非仅仅是智力的比拼者。

---

洞见延伸：可行动的启示

1. VLA的行业意义： 理想汽车公布的VLA架构（特别是32B预训练 + 3.2B MoE蒸馏 + RLHF/RL）为行业提供了从L2++迈向L3/L4的清晰技术范式。这可能迫使其他车企（特别是依赖规则算法的）加速转向端到端和VLA路线。
2. 开源与自研的平衡： 理想的案例表明，AI时代的核心竞争力在于“数据和场景”。企业应积极拥抱开源模型（如DeepSeek）解决80%的通用问题，集中3倍以上的资源（算力、人才）解决20%的、独有的、与物理世界交互的核心问题（如VL联合数据）。
3. AGI终端的赌注： 李想对“终端 > 平台”的判断（基于物理世界的安全责任）是一个重大战略赌注。如果成立，意味着车企（及未来的机器人公司）必须走软硬一体、全栈自研（含OS、模型、芯片设计）的“苹果”模式，单纯的“Tier 1”或“平台赋能”模式将面临挑战。
4. “第十个包子”理论： 不存在技术捷径。VLA的实现必须建立在扎实的E2E和VRM能力之上。这提醒行业，在追逐新技术（如VLA）时，不能忽视基础能力（如规则算法、E2E）的积累。
5. AGI时代的组织管理： “能量场”理论（3-7人支撑结构）是对抗大企业“内耗”的一种具体实践。管理者应从“任务分配者”转变为“能量构建者”，设计机制让小团队形成“更强的大脑和心脏”。
6. AI与“反人性”： 卓越的管理（如坚守最佳实践）和卓越的技术（如超级对齐）在本质上都是“反人性”的。它们都需要用理性的规则和纪律，去约束感性的、随意的、可能导致风险的人性冲动。
7. 生产工具的定义： 李想对“生产工具”（减少工时、替代专业工作）的定义，为所有AI应用创业者提供了北极星。如果你的AI产品只是让人“更忙”，那么它的价值是存疑的。
8. NPU的价值回归： 在云端算力竞赛白热化时，李想强调了“端侧NPU”的决定性价值。在终端产品上，能效比和绝对性能（如能跑3B还是30B模型）将是AI体验的核心瓶颈。
9. 智慧与AI： AI（智力）的终极价值是释放人类，使其有时间追求“智慧”（关系）。这为“AI将如何影响人类”提供了一个积极的答案：AI负责“做事”，人类负责“做人”和“连接万物”。

---

金句 & 原声引用

1. 关于AI终端： “我们希望能够成为全球领先的人工智能, 终端企业。”
2. 关于生产力： “人工智能变成生产工具, 然后才是真正人工智能爆发的时刻。”
3. 关于方法论： “严格的按照最佳实践其实是反人性的, 随心所欲, 然后才是然后满足人性的。”
4. 关于组织能量： “人和人之间的能量始终存在的时候, 这些争执这些讨论, 这些吵架就是一个更完善的大脑。当这些能量消失的时候...其实就是内耗。”
5. 关于AGI终端之战： “在物理世界这个范围里边, 我认为可能会翻过来就是终端企业, 然后的价值会战会战胜平台企业。”
6. 关于能力构建： “在人工智能时代, 研究等于能力。” (转述陆奇观点)
7. 关于亲密关系： “（在亲密关系里）是我需要他们, 超过他们需要我。”
8. 关于人的价值： “人是用来发挥的, 人不是用来改变的。”
9. 关于智慧： “什么是智慧, 我觉得智慧就是我们和万物的关系。”
10. 关于AI安全： “今天大模型的架构对人类其实是挺安全的...（改变它）你要重新去做训练。”

本文使用 markdown.com.cn 排版