2024年7月，理想汽車發布的基于端到端模型、VLM視覺語言模型和世界模型的全新自動駕駛技術架構標志著其全棧自研的智能駕駛研發進入了新階段。該架構的算法原型創新性地受到了諾貝爾獎得主丹尼爾·卡尼曼提出的“快慢系統”理論啟發，旨在讓自動駕駛系統模擬人類的思考與決策過程。理想汽車結合端到端與VLM模型，推出了業界首個在車端部署的雙系統方案，并成功將VLM視覺語言模型部署于車端芯片上。這套“系統1”與“系統2”相互配合的擬人化設計，目標正是讓自動駕駛在處理95%的常規場景時高效敏捷，在應對5%的復雜未知場景時深入周全，從而提供更智能、更擬人的駕駛體驗。那所謂的“快慢系統（思維）”到底是個啥？

什么是“快思維”和“慢思維”？

我們可以把“快思維”和“慢思維”理解為兩種不同的認知模式。快思維反應迅速，依賴直覺和模式匹配；慢思維則講究逐步推敲，進行多步邏輯推理或長期規劃。把這一框架對應到大模型上，快思維相當于模型在時間有限的情況下做出的即時、一次性預測或決策；慢思維則是模型通過多輪推理、檢索外部證據、模擬驗證等過程得出的結論。兩者并無絕對的“聰明”之分，而是適用于不同場景的工具，有的任務要快，有的任務要深。

在大模型內部，這兩種“思維”可以體現在模型結構或運行策略上。快思維表現為輕量化的前向推理、緩存或索引命中、近似決策機制；慢思維則表現為多步鏈式推理、檢索增強生成、多次抽樣與自我驗證，或將問題交由更大模型或模擬器進行深度計算。合理組合這兩種能力，才能讓系統既反應迅速，又能應對復雜和不確定的情況。

在自動駕駛中，為什么要區分快/慢思維？

自動駕駛是一個既需要毫秒級響應，又需要理解數秒甚至數分鐘情境的系統。日常行駛中，車輛需要不斷做出如保持車道、跟車、剎車等短時決策，這些都對延遲極為敏感；同時，系統還要對更長時間尺度的情況進行判斷，例如預測其他車輛的意圖、處理復雜路口的優先權問題、根據地圖和交通規則制定策略規劃等。引入快思維與慢思維的概念，有助于設計分層、高效且可驗證的系統架構。

快思維在車輛中承擔類似“反射”和“低階控制”的角色。當感知模塊檢測到障礙物，或雷達、激光、攝像頭融合出緊急預警時，決策模塊必須在極短時間內輸出制動或避讓指令。這就要求系統具備高確定性、低延遲、可驗證性，并依賴經過優化的模型和硬件。慢思維則負責更復雜的推理任務，例如在視覺信息不全時補全場景、在密集車流中做多步交互預測、在規則沖突或罕見場景下進行合規評估并生成安全策略。慢思維可以調用更多數據、仿真工具和外部知識庫，允許檢驗與回滾。

這兩種能力互為支撐。快思維保障即時安全，慢思維提升長期正確性與系統穩健性。沒有快思維，車輛在突發情況下會因計算延遲錯失響應時機；沒有慢思維，車輛在復雜或模糊場景中容易犯邏輯錯誤或應對不當。

如何將兩種思維融入系統？

要將“快”與“慢”落地，不是簡單地將一個大模型一分為二，而是構建一個分層、異步、具備監控與回退機制的系統。感知與低階控制部分通常運行在車端實時操作系統上，采用裁剪后的深度網絡、確定性濾波器及規則約束，以實現低延遲和高可靠性。這一層還集成了置信度估計與安全邊界機制，一旦檢測到不確定性上升，即可觸發更保守的操作。

慢思維模塊可部署在車端，也可部署在邊緣或云端，具體取決于延遲和隱私要求。其任務包括檢索歷史軌跡、運行多模型預測、基于物理或世界模型進行前瞻模擬，以及利用更大的語言或推理模型進行語義理解與法規解釋。為提高穩健性，系統可采用自我一致性抽樣、多次推理取多數結果，以及后驗驗證器來篩選輸出。此外，將慢思維得出的策略或模型“折疊”回快思維層是常見做法，例如通過知識蒸餾、生成訓練樣本或直接更新小模型參數，從而將深度推理的成果固化為低延遲的運行時行為。

快、慢思維在工程上的關鍵點包括頻率分層與接口定義。不同模塊運行頻率各異，信息通過明確的異步接口傳遞，高頻信號保障控制穩定，低頻的慢思維輸出則作為意圖或策略建議供高頻控制器參考。冗余與仲裁機制也至關重要，當快慢思維意見沖突時，需要一套可驗證的仲裁規則，而非簡單采信某一方。系統還需具備完善的日志與可追溯能力，慢思維的推理鏈路應被完整記錄，以支持審計與回放。

具體應用與注意事項

可以現象一下這樣一個交通場景，前方車輛突然減速并靠近路肩，旁邊有行人可能隨時穿越。此時，快思維負責立即計算出當前如減速、保持車道或在有空間時瞬時避讓等最安全的動作。這一步依賴傳感器融合與優化后的控制器，時間尺度在毫秒到幾十毫秒之間。與此同時，慢思維并行工作，基于歷史軌跡與周邊車輛的行為模型，預測該車、行人及其他交通參與者在未來幾秒到十幾秒內可能的動作，評估多種情境下的風險。如果慢思維判斷存在高概率的復雜交互，如相鄰車輛可能強行切入，它會將更保守的策略下發給快思維層，比如提前降速或發出更強警示等。

當然，一定要警惕大模型的“幻覺”與不確定性。慢思維模型在缺乏真實傳感器細節時可能給出不可靠的推理，這對自動駕駛而言十分危險。因此，必須將慢思維定位為決策支持而非唯一裁決者。實施“可驗證的否決權”非常關鍵，任何來自慢思維的建議，都必須通過一套可測試的安全條件，才能被高頻控制器采納。還有一個風險是延遲與資源競爭，若慢思維占用了本應屬于快思維的計算資源，系統整體性能將受損。因此要通過資源隔離、優先級調度和模型壓縮來避免這一問題。

智駕最前沿以為，在高保真仿真環境和閉環測試中持續驗證慢思維策略，確保其在極端邊界條件下仍輸出可控結果；將慢思維的結論通過數據蒸餾等方式部分固化到快思維的小模型中，兼顧深度推理與低延遲響應；部署時設置包括實時健康檢查、置信度閾值等多層監控，并在置信度降低時立即觸發保守模式或路邊停靠。同時，保持慢思維的可解釋性，記錄推理軌跡以支持事故回放、責任認定與監管合規。

最后的話

將大模型的“快思維”和“慢思維”引入自動駕駛，不是簡單地把兩個智能體放入車內，而是要將它們設計為互補的模塊，快思維保障毫秒級的安全響應與可驗證的低階控制；慢思維提供跨時間維度的預測、策略評估與復雜語義理解。兩者之間需有清晰的接口、優先級設定、冗余與仲裁機制，避免“深度思考”影響“即時反應”。

他們的重點在于分層架構、資源隔離、仿真驗證，以及將慢思維輸出的知識通過蒸餾或規則化固化到快思維中。安全性與可追溯性不容妥協，任何慢推理的建議在采納前都必須經過安全檢查。如此，車輛才能在突發情況下“做對事”，在復雜場景中“想清楚為什么這樣做”，兩種能力協同作用，才能真正提升自動駕駛系統的穩健性與可部署性。