问题——辅助驾驶从“可用”走向“好用、常用”，仍要面对复杂城区交通的多变性、长尾场景难以覆盖、交互理解不够自然等挑战。尤其国内城市道路中，车流密集，非机动车与行人混行，路口形态复杂，施工与临时交通组织频繁出现。传统依赖规则工程与有限数据覆盖的方案，往往在少见但高风险的“极端场景”中表现不稳，影响用户信任与使用频率。如何在安全边界内提升泛化能力、舒适性与可解释交互，成为行业共同课题。 原因——企业研发路径的变化，反映出行业技术范式正在加速演进。理想汽车披露，其辅助驾驶技术架构近两年多次迭代：从引入先验网络到探索无图方案，再到端到端融合视觉语言模型，最终转向以司机大模型为核心的VLA路线。与主要依赖“模仿学习”的端到端思路不同，该路线更强调强化学习，并通过仿真环境生成数据进行训练；输出也不再是文本，而是车辆轨迹与控制信号等“决策单元”，以提升对复杂交互和长尾场景的应对能力。业内人士指出，随着算力、数据闭环与训练方法持续演进，生成式模型在连续决策问题上的应用正在加快落地，车企在算法、数据与工程体系上的协同能力，正成为决定体验差异的关键变量。 影响——技术路线的调整，直接作用于用户体验与产品价值。理想汽车公布数据显示，司机大模型推送后，辅助驾驶月使用率达到80%，全年对应的指令使用次数达1225.4万次，变道、直行、加减速等成为高频使用场景。企业上认为，高使用率意味着用户对功能稳定性与可预期性的认可提升，也说明智能化能力正在从“参数配置”转为“可感知价值”。同时，随着多次OTA升级，车辆在紧急避险、充电等场景的能力得到扩展，继续强化“可持续进化”的产品属性。在竞争层面，主流车企普遍加快辅助驾驶能力迭代，体验差异越来越取决于训练方法、数据闭环、仿真能力与软硬协同效率，行业竞争正从单点功能比拼转向体系能力比拼。 对策——持续投入与工程化落地，是从技术概念走向规模应用的关键。理想汽车披露，2025年研发投入预计120亿元，其中相关领域投入约60亿元，主要用于模型训练与评测体系、数据采集与标注闭环、仿真平台、车端算力与软件架构，以及安全冗余与验证流程等。企业还称，OTA8.2已向部分车型推送强化版本模型，经过行为强化训练后，可在城区复杂场景下生成更细致的控制参考量，从而改善行驶舒适性。业内认为，辅助驾驶要实现稳定可用，除了模型能力，还需要严格的安全策略、持续回归测试、分层验证，以及对交通法规与道路特性的本地化适配，避免“体验提升”与“安全底线”出现错配。 前景——从辅助驾驶迈向“具身智能”，汽车产业的智能化竞争或将进一步升维。理想汽车提出下一阶段战略聚焦“具身智能”，并将未来汽车定义为“跑在路上的具身机器人”，强调通过感知、模型、操作系统、芯片与车辆本体的协同，实现更精细的控制与“脑身协同”。从产业趋势看，汽车正成为高复杂度的移动计算平台，智能化能力将与电动化、网联化深度耦合，带动供应链在芯片、传感器、操作系统、中间件、工具链与安全验证等环节持续升级。，监管合规、数据安全、功能边界标注与用户教育的重要性也将同步上升。未来一段时间，行业竞争焦点可能从“是否具备某项功能”转向“在更多场景下是否稳定、舒适、可持续迭代”，并在安全与体验的平衡中形成新的分层格局。
理想汽车在2025年的技术突破和战略调整，折射出智能汽车产业正从功能创新转向体验创新、从单点突破走向系统能力竞争。VLA司机大模型的落地应用，验证了生成式AI在自动驾驶有关连续决策中的应用潜力；“具身智能”战略则指向一种更主动、更可交互的汽车形态——不再只是交通工具，而是具备一定认知与协作能力的智能伙伴。，理想汽车的高额研发投入与系统化布局，有望为其在新一轮产业竞争中形成更强的长期支撑。