進入2025年，國內車市智能化競爭進一步升級，一些車企開始喊出“全民智駕”的口號。而從技術層面來說，處在頭部位置的車企已經在推動下一代自動駕駛架構的落地。

在3月18日的NVIDIA GTC 2025上，理想汽車自動駕駛技術研發負責人賈鵬發表了主題為《VLA：邁向自動駕駛物理智能體的關鍵一步》的演講，并發布了理想汽車的下一代自動駕駛架構——MindVLA。

理想汽車董事長兼CEO李想當日在社交平臺發文稱，“MindVLA是一個視覺-語言-行為大模型，但我們更愿意將其稱為“機器人大模型”，它將空間智能、語言智能和行為智能統一在一個模型里，讓自動駕駛擁有感知、思考和適應環境的能力，是我們通往L4路上最重要的一步。”他還表示，MindVLA能為自動駕駛賦予類似人類的駕駛能力，就像iPhone 4重新定義了手機，MindVLA也將重新定義自動駕駛。

全棧自研，MindVLA開啟自動駕駛iPhone 4時刻

理想汽車的智能駕駛經過幾次迭代和升級。去年10月，理想汽車全量推送“端到端+VLM”雙系統方案后，該模式漸漸成為行業的標桿。許多企業開始采用這一路線。特別值得一提的是，不僅在自動駕駛領域，在通用機器人領域該系統也得到應用。

基于上述“端到端+VLM”雙系統架構的實踐，及對前沿技術的洞察，理想自研了MindVLA大模型。VLA是機器人大模型的新范式，其將賦予自動駕駛強大的3D空間理解能力、邏輯推理能力和行為生成能力。

值得注意的是，MindVLA不是簡單地將端到端模型和VLM模型結合在一起，所有模塊都是全新設計。3D空間編碼器通過語言模型后，和邏輯推理結合在一起后，給出合理的駕駛決策，并輸出一組action token（動作詞元），action token指的是對周圍環境和自車駕駛行為的編碼，并通過diffusion（擴散模型）進一步優化出最佳的駕駛軌跡，整個推理過程都要發生在車端，并且要做到實時運行。

2010年中發布的iPhone 4是智能手機時代的首個爆款，也是智能手機滲透率加速提升的起點。對汽車行業來說，理想汽車最新的MindVLA也將重新定義自動駕駛，加速行業的快速發展。

從用戶體驗方面來看，有MindVLA賦能的汽車不再只是一個簡單的駕駛工具，而是一個能與用戶溝通、理解用戶意圖的智能體。能夠聽得懂、看得見、找得到，是一個真正意義上的司機Agent或者叫“專職司機”。

所謂“聽得懂”是用戶可以通過語音指令改變車輛的路線和行為，MindVLA能夠理解并執行“開太快了”“應該走左邊這條路”等這些指令。“看得見”是指MindVLA具備強大的通識能力，不僅能夠認識星巴克、肯德基等不同的商店招牌；當用戶在陌生地點找不到車輛時，可以拍一張附近環境的照片發送給車輛，擁有MindVLA賦能的車輛能夠搜尋照片中的位置，并自動找到用戶。“找得到”意味著車輛可以自主地在地庫、園區和公共道路上漫游，其中典型應用場景是用戶在商場地庫，可以跟車輛說：“去找個車位停好”，車輛就會利用強大的空間推理能力自主尋找車位，即便遇到死胡同，車輛也會自如地倒車，重新尋找合適的車位停下，整個過程不依賴地圖或導航信息，完全依賴MindVLA的空間理解和邏輯推理能力。

對于人工智能領域而言，汽車作為物理人工智能的最佳載體，未來探索出物理世界和數字世界結合的范式，將有望賦能多個行業協同發展。

打破傳統，六大關鍵技術引領行業創新

在理想交付端到端+VLM期間，空間智能、LLM、AIGC和具身智能等技術有了快速發展。基于此，理想開始思考能否將端到端模型和VLM模型合二為一，像GPT O1和DeepSeek R1一樣，讓模型自己學會快慢思考，同時賦予模型強大的3D空間理解能力和行為生成能力，將雙系統的天花板進一步打開。

MindVLA打破了自動駕駛技術框架設計的傳統模式，使用能夠承載豐富語義，且具備出色多粒度、多尺度3D幾何表達能力的3D高斯（3D Gaussian）這一優良的中間表征，充分利用海量數據進行自監督訓練，極大提升了下游任務性能。

而在過去，從單目2D特征到單目3D特征，再到多攝像頭的鳥瞰圖（BEV）特征和占據網格（OCC）等不同階段，大多依賴于監督學習，需要精準標注的數據，效率和數據利用率都很低下。

理想還從0設計和訓練一個適合VLA的LLM基座模型，使其具備3D空間理解和推理能力，并能在有限資源下實現實時推理，保證模型規模增長的同時，不降低端側的推理效率。而在訓練模型去學習人類的思考過程，理想讓快慢思考有機結合到同一模型中，并可實現自主切換快思考和慢思考。

為了把NVIDIA Drive AGX的性能發揮到極致，MindVLA采取小詞表結合投機推理，以及創新性地應用并行解碼技術，進一步提升了實時推理的速度。至此，MindVLA實現了模型參數規模與實時推理性能之間的平衡。

理想利用diffusion模型，將action token解碼成最終的駕駛軌跡，并讓RLHF與diffusion結合，學習和對齊人類行為的同時，提升安全下限。

MindVLA基于自研的重建+生成云端統一世界模型，深度融合重建模型的三維場景還原能力與生成模型的新視角補全，以及未見視角預測能力，構建接近真實世界的仿真環境。源于世界模型的技術積累與充足計算資源的支撐，MindVLA實現了基于仿真環境的大規模閉環強化學習，即真正意義上的從“錯誤中學習”。過去一年，理想自動駕駛團隊完成了世界模型大量的工程優化，顯著提升了場景重建與生成的質量和效率，其中一項工作是將3D GS的訓練速度提升至7倍以上。

理想通過創新性的預訓練和后訓練方法，讓MindVLA實現了卓越的泛化能力和涌現特性，其不僅在駕駛場景下表現優異，在室內環境也展示出了一定的適應性和延展性。

持續精進，朝全球領先的AI企業再進一步

在上述六大技術的突破下，理想MindVLA能為自動駕駛行業帶來革命性的變化。而這離不開理想在智能駕駛技術、AI大模型等領域的持續投入。

理想在不斷進行技術創新的同時，還在人工智能領域頂級學術會議和期刊發表了大量論文，為加速技術發展貢獻了重要力量。

李想曾說過，理想要做的不是汽車的智能化，而是人工智能的汽車化，并將推動人工智能普惠到每一個家庭。從行業視角來看，汽車將從工業時代的交通工具，進化成為人工智能時代的空間機器人。在對整個世界的理解上，理想通過人工智能將物理世界與數字世界進行融合，讓有限的空間實現無限的延伸。