理想高管回应宇树王兴兴对VLA质疑：模型的关键是要与整个具身智能系统适配

12月10日，理想汽车自动驾驶研发高级副总裁郎咸朋在社交平台发布长文，回应宇树科技创始人王兴兴此前对VLA模型的质疑。

郎咸朋表示，今年8月，关注到宇树科技创始人王兴兴提出对VLA的一些担忧。当时没有提出观点，一是理想VLA司机大模型还没正式发布，空口无凭；二是公司对具身机器人行业，还处于密切关注阶段。

他续称：“我跟王兴兴观点最不一样的地方在于，他认为模型架构更重要，但我认为模型的关键是要与整个具身智能系统适配，在此基础上，数据是起决定意义的。”

他还表示，从今年9月VLA正式发布，到12月6日OTA 8.1的推送，经过两个月多的“实践出真知”后，有两点心得：第一，VLA就是自动驾驶最好的模型方案，第二，具身智能最终拼的是整体的系统能力。

郎咸朋认为，空谈架构不如看疗效。 在自动驾驶领域，脱离了海量真实数据谈模型架构都是空中楼阁，“我们之所以坚持VLA，是因为我们拥有数百万辆车构建的数据闭环，这让我们能在当前算力下，把驾驶水平做到接近人类。”

在具身智能方面，郎咸朋表示，要想做好自动驾驶，必须先把自动驾驶当作完整的具身智能系统对待，每一部分在研发过程中要相互配合才能将价值发挥出来。此外，他还认为，模型的关键是要与整个具身智能系统适配，在此基础上，数据是起决定意义的。在机器人领域获取数据相对困难，但在自动驾驶领域，特别是建立起数据闭环能力的车企来说并不是大问题。

郎咸朋在文中还提到，理想汽车CEO李想在前两天明确提到，未来五到十年，具身机器人核心将有两种形态：汽车类的具身机器人、人形类的具身机器人。理想的VLA不仅服务于现在的理想各类汽车产品形态，也将服务于未来的汽车类具身机器人。

据澎湃新闻，在今年8月的世界机器人大会上，王兴兴对目前机器人公司选择的常用技术路线VLA模型架构持怀疑态度。他认为，对于VLA模型，目前在真实世界交互中，数据采集的质量和数量都不足，即便在VLA模型基础上加入Reinforcement Learning（强化学习训练），仍不够用，模型本身还需要进一步升级和优化。

VLA模型指的是Vision-Language-Action Model（视觉－语言－动作模型），可以把它理解为——让机器“看得懂、听得懂，并且能动起来”的一种AI模型，强调像人一样，从感知环境到自主决策并采取一定的行动。