全球资本市场正经历以人工智能为核心的新一轮科技投资热潮。
当前，全球汽车产业正经历一场由人工智能技术驱动的深刻变革。从产品形态到用户体验，从生产方式到商业模式，AI（人工智能）技术正在全方位重塑汽车行业的每个环节。
在此背景下，人工智能可以带来哪些新的出行场景？车企是否做好了相关技术准备？围绕这一系列问题，理想汽车相关负责人（以下简称理想汽车）接受了《每日经济新闻》记者（以下简称NBD）的采访。
汽车将从交通工具转变为AI时代的“空间机器人”
NBD：当前，我国正大力发展“人工智能+”。未来5至10年，人工智能对汽车、对汽车行业最大的改变是什么？
理想汽车：我们认为，未来5至10年，“人工智能+”将从根本上重塑汽车行业。汽车将从一个工业时代的交通工具，转变为AI时代的“空间机器人”。这不仅是技术的升级，更是产品形态和产业范式的革命。
对汽车行业而言，电动化是过程，AI才是终局。竞争的核心将从传统的硬件制造，转向软件和人工智能技术驱动的全面能力。企业需要具备构建覆盖模型、算力、操作系统和硬件本体的综合体系能力，这四大要素相辅相成，缺一不可。
对于车主而言，最大的体验变化将来自AI，从“辅助工具”跃升为“生产工具”。
具体来看，首先是彻底的驾驶解放。通过VLA（视觉-语言-行动）司机大模型，AI将像一个真正的“司机”一样工作。用户将从驾驶任务中完全解放，在出行途中可以自由地进行工作、休息或娱乐，车辆将成为一个安全、可移动的自由空间。
其次，自然的人机交互。用户可以使用自然语言与车辆沟通，如同与人类司机交流一样简单直接。例如，直接发出“走收费站的人工通道”“停在停车场的C3区域”等复杂指令，车辆都能理解并执行。
最后是超越人类的安全与舒适。通过“超级对齐”和“世界模型”等技术，AI司机不仅能遵守交通规则，还能对齐人类的驾驶习惯和价值观，这种跃升的目标是带来比人类驾驶更安全、更舒适的出行体验。
NBD：不少人认为，L3级自动驾驶是一个技术上的“伪命题”或过渡阶段，车企应全力奔向L4级，怎么看？
理想汽车：我们认为，L3级是有监督的智能驾驶，并非伪命题，是通往L4级的必经之路和关键先导程序。L3级是一个不可或缺的过渡阶段，让AI系统在真实世界中学习、验证和迭代，为最终实现完全无人驾驶积累必要的经验和数据。
要实现L4级自动驾驶，我们认为，需要在以下几个方面取得关键突破。
核心技术的突破方面，依赖于VLA司机大模型，这一核心算法的成熟。它需要具备完整的视觉感知、语言理解和思维链推理能力，能像人类一样处理复杂的交通环境。
算力资源的巨量投入，是实现AI突破的物质基础。理想汽车在人工智能的模型、算力与基建方面，1年投入超过60亿元，在汽车行业内属于最高的投资级别之一。强化训练需要大量的推理卡，车端模型的参数规模也需持续升级，这对算力提出了极高要求。
数据闭环的规模效应方面，需要足够大规模的车队在路上行驶，持续收集海量的包括极端情况在内的驾驶数据，用于模型的持续训练和优化。
NBD：有市场观点指出，未来3至5年内，一定会出现没有驾驶座的车，如何看待这一观点？
理想汽车：3年内，我们会推出L4级定义的车型。对于市场上关于“未来3至5年内一定会出现没有驾驶座的车”的畅想，我们给出了明确而积极的回应。根据公司的规划，理想汽车将在3年内，即2028年左右，推出首款L4级自动驾驶定义的汽车。
这款车型的推出，意味着汽车的设计理念将发生根本性变革。由于车辆具备了完全自主的驾驶能力，传统的驾驶舱、方向盘、踏板等部件将不再是必需品，从而为车内空间的设计，提供了无限的可能性。
届时，汽车将从一个“驾驶机器”，真正转变为一个纯粹的“生活空间”或“工作空间”。
理想汽车董事长兼CEO（首席执行官）李想甚至进一步畅想，到2030年，公司有50%的概率会推出一款人工智能超级跑车。这表明，理想汽车对于“没有驾驶座的车”这一未来趋势，不仅有着清晰的规划，更充满了信心和期待。
理想汽车认为，L4级自动驾驶的实现，将是汽车行业真正的“iPhone 4时刻”，将引发一场深刻的产业革命。
NBD：要实现“没有驾驶座的车”，还要克服哪些难题？
理想汽车：尽管“没有驾驶座的车”前景广阔，但落地仍然面临着巨大的技术挑战和市场考验。
在技术层面，L4级自动驾驶的实现，本就是一项极其复杂的系统工程，需要在感知、决策、控制等环节，达到极高的可靠性和安全性。
此外，车辆的冗余设计、网络安全以及与外部环境的协同交互等，都有待攻克的难题。
在市场层面，消费者对于完全无人驾驶的接受度、相关法律法规的完善以及保险责任的界定等，都是制约完全无人驾驶大规模商业化落地的重要因素。
然而，挑战与机遇并存。一旦这些技术和市场障碍被克服，“没有驾驶座的车”将开启一个万亿元级的全新市场。
这将彻底改变人们的出行、工作、生活方式，并催生出无数全新的商业模式和服务。为迎接这一天的到来，我们不仅在技术上全力冲刺，也在积极参与相关政策法规的讨论和制定，希望在技术成熟之时，能够顺利地推动其商业化落地。
国内VLA技术与海外顶尖技术目前存在算力“代差”
NBD：当前，汽车产业在生产端的AI应用，多为点对点，模型针对性强，换个场景就难以适用。应如何推动模型泛化，让它能适用于多场景、多环节，避免企业重复投入？
理想汽车：解决“点对点”模型泛化能力差的问题，关键在于构建通用的AI基础模型和能力平台。
我们的实践路径是深耕VLA基础模型，目前正致力于研发VLA模型，希望构建一个能够深度理解物理世界的“世界模型”。
这个模型一旦成熟，其核心能力可以复制到制造、供应链管理等多个环节。例如，通过视觉分析自动检测生产缺陷，或通过语言理解优化物流调度。
此外，坚持技术自研与开源协同。
我们坚持在关键领域进行自研，构建底层能力。同时，我们积极拥抱开源，并回馈开源，例如，将自研的“理想星环OS”操作系统开源，目的是避免行业“重复造轮子”，让大家能够站在彼此的肩膀上共同创新。
NBD：理想汽车推出的“VLA司机大模型”可以理解人的语言。国内的VLA技术与海外的人工智能技术，还有哪些差距？
理想汽车：VLA模型作为通往高阶智能驾驶乃至通用人工智能的关键技术路径，正成为全球科技巨头和车企竞争的焦点。我们通过自研Mind VLA模型，已将其应用于量产车型。
然而，尽管国内企业在VLA技术的应用和迭代速度上展现出强大竞争力，但与海外顶尖AI技术相比，在算力基础设施、数据闭环构建等多个维度上，依然存在显著差距与挑战。这些差距不仅决定了技术发展的天花板，也直接影响着未来自动驾驶产品的安全性、泛化能力和用户体验。
首先是算力基础设施的差距。算力是训练大模型的“燃料”，其规模和效率直接决定了模型迭代的速率和能力上限。在这一核心要素上，国内车企与海外顶尖玩家之间，存在明显的“代差”。中国车企在算力基础设施的总体规模和投入上，与海外同行仍有较大差距。
此外，在数据闭环与模型迭代方面。数据是AI模型的“养料”，高质量、大规模的数据闭环是驱动模型持续迭代、提升泛化能力的关键。
自动驾驶系统，尤其是VLA模型，其性能高度依赖于从真实世界中采集的海量、多样化的驾驶数据。这包括常规场景和大量的长尾场景数据。
构建高效的数据闭环，即“采集-标注-训练-部署-反馈”的循环，是头部车企构建核心壁垒的关键。预计2025年需要2000万Clips（视频片段）的数据，以实现L3级自动驾驶，而L4级则需要至少500万辆能够采集数据的车辆。
尽管中国车企在数据规模和市场应用上具有优势，但在数据处理的效率和闭环构建的完整性上，与海外顶尖企业仍有差距。
NBD：最近，理想汽车进行的人力资源部门整合，也引发外界关注，这与适应当下的AI人才竞争有关吗？
理想汽车：为了更好地适应“人工智能+”时代对人才和组织的要求，理想汽车在2025年进行了一次深刻的组织架构调整，其中最引人注目的变化是李想开始直管人力资源部门。
这一调整的背后，也是我们对AI时代组织建设的深刻思考。
李想认为，传统的、强调流程和节奏的人力资源管理模式，已经无法适应AI时代对组织敏捷性和创新性的要求。通过将人力资源部门并入产品与战略群组，并直接向CEO汇报，理想汽车希望将人才战略与企业整体发展战略更紧密地结合，确保在关键领域能够精准、快速地配置人力资源。
除了人力资源部门的调整，我们还在进行一系列更广泛的组织变革，来构建一个能够适应“人工智能+”时代的敏捷、高效的组织。
我们正在从传统的职能部门制，向更加灵活的矩阵型组织架构转型，打破部门壁垒，促进跨部门的协同和创新。同时，理想汽车也在不断优化其内部的流程和机制，例如，通过简化审批流程、下放决策权等方式，提升组织的反应速度和执行效率。
此外，理想汽车还在积极营造一种鼓励创新、宽容失败的企业文化，鼓励员工大胆尝试、勇于探索，从而激发整个组织的创新活力。
诚利和配资提示：文章来自网络，不代表本站观点。
