自动驾驶的“iPhone 4”时刻：理想MindVLA到底变革了什么？

　　文/陈锋

　　编辑/子夜

　　AI对于理想汽车意味着什么?

　　几个月前的“2024理想AI Talk”上，理想汽车董事长兼CEO李想的回答是：(在愿景上)意味着未来的全部。

　　“电动化是上半场，智能化是下半场，但我认为，这个智能化讲的不是传统的软件智能，而是真正的人工智能，这是造车往下延续的一个必经之路。汽车将从工业时代的交通工具，进化成为人工智能时代的空间机器人。”李想这么说道。

　　在当下的新能源汽车市场中，理想也是在AI战略上布局更早、投入更坚决的车企之一。

　　从2022年9月在内部将发展AI定为战略核心，到2023年初正式将这一战略对外，再到去年底“2024理想AI Talk”分享了对人工智能的最新思考和战略成果，理想已经跑出了更快的AI“加速度”。

　　近期，围绕AI战略布局，以及AI在智能驾驶上的落地，理想汽车又迎来了一个关键里程碑，发布了理想汽车自动驾驶架构——MindVLA。

　　理想汽车自动驾驶技术研发负责人贾鹏表示：“就像iPhone 4重新定义了手机，MindVLA也将重新定义自动驾驶”。在理想汽车2024年第四季度及全年财报业绩会上，李想表示今年计划将MindVLA和首款纯电SUV车型理想i8同时发布。

　　1、MindVLA，一个司机Agent究竟能做什么?

　　MindVLA到底是什么?

　　它是视觉-语言-行为大模型，是机器人大模型的新范式，非简单的将端到端模型和VLM模型结合在一起。它所有的模块都是全新设计的，将空间智能、语言智能和行为智能统一在了同一个模型里。

　　具体来看，3D空间编码器通过语言模型，和逻辑推理结合在一起后，给出合理的驾驶决策，并输出一组Action Token(动作词元)，Action Token指的是对周围环境和自车驾驶行为的编码，并通过Difusion(扩散模型)进一步优化出最佳的驾驶轨迹，整个推理过程都要发生在车端，并且要做到实时运行。

　　理想汽车在VLA上的率先布局，源于其对自动驾驶以及大模型前沿技术的敏锐洞察，也源于更早、更坚定的AI战略。

　　“我们认为，基座模型到一定时刻，一定会变成VLA。”此前，李想如此表示。在他看来，语言模型也要看三维世界，也要通过语言、认知理解三维世界，同时自动驾驶走向L4，也要有极强的认知能力。

　　这意味着，未来在MindVLA模型加持下的理想汽车，能更好地感知、思考和适应环境，成为一个能听懂用户说话、看懂用户需求、帮用户解决问题的“专职司机”。具体来说：

　　一来，用户可以通过语音指令来改变车辆的路线和行为。

　　比如你正在陌生园区寻找超市，这时你只需要通过理想同学对车辆说“带我去超市”，车辆将在没有导航信息的情况下，自主漫游找到目的地;车辆在行驶的过程中，你还可以跟理想同学说“开太快了”“应该走左边这条路”，MindVLA都能理解并执行这些指令。

　　二来，基于强大的通识能力，MindVLA能更好地识别周围环境。

　　比如MindVLA能认识星巴克、肯德基等不同的商店招牌，当你在陌生地点找不到车辆时，可以拍一张附近环境的照片发送给车辆，拥有MindVLA赋能的车辆能够搜寻照片中的位置，并自动找到你。

　　第三，基于空间理解和逻辑推理能力，搭载了MindVLA的车辆，“找得到”的能力也提升了。

　　搭载MindVLA的车型可以自主地在地库、园区和公共道路上漫游。典型的场景是“找车位”。比如用户在商场地库找不到车位时，用户只需要对着车辆说“去找个车位停好”，车辆无需依赖地图或导航信息，并实现自主寻找合适的车位停下。

　　总结来看，在有了MindVLA赋能后，每一辆车其实都不再是单纯的驾驶工具了，而是真正成了能与用户沟通、理解用户意图的智能体。

　　2、MindVLA赋能的车辆，为何能成为“专职司机”?

　　MindVLA能成为一名听得懂、看得见、找得到的专职司机，强大的功能背后在于MindVLA六大关键技术赋能。

　　MindVLA打破了自动驾驶技术框架设计的传统模式，使用了能够承载丰富语义，且具备出色多粒度、多尺度3D几何表达能力的3D高斯这一中间表征，能帮系统更高效地感知、理解周围环境，同时充分利用海量数据进行自监督训练，进而极大提升了下游任务性能。

　　理想从0开始设计和训练了适合MindVLA的LLM基座模型，采用MoE混合专家架构，引入Sparse Attention(稀疏注意力)，实现模型稀疏化，保证模型规模增长的同时，不降低端侧的推理效率。

　　基座模型训练过程中，理想加入大量3D数据，使模型具备3D空间理解和推理能力。为了进一步激发模型的空间智能，理想加入了未来帧的预测生成和稠密深度的预测等训练任务。

　　LLM基座模型获得3D空间智能的同时，还需要进一步提升逻辑推理能力。理想训练LLM基座模型学习人类的思考过程，让快慢思考有机结合到同一模型中，并可以实现自主切换快思考和慢思考。

　　为了把NVIDIA Drive AGX的性能发挥到极致，MindVLA采取小词表结合投机推理，以及创新性地应用并行解码技术，进一步提升了实时推理的速度。至此，MindVLA实现了模型参数规模与实时推理性能之间的平衡。

　　MindVLA利用Diffusion将Action Token解码成优化的轨迹，并通过自车行为生成和他车轨迹预测的联合建模，提升在复杂交通环境中的博弈能力。同时Diffusion可以根据外部条件，例如风格指令，动态调整生成结果。为了解决Diffusion模型效率低的问题，MindVLA采用Ordinary Differential Equation(常微分方程)采样器，实现了2-3步就能完成高质量轨迹的生成。

　　面对部分长尾场景，理想建立起人类偏好数据集，并且创新性地应用RLHF(基于人类反馈的强化学习)微调模型的采样过程，最终使MindVLA能够学习和对齐人类驾驶行为，显著提升安全下限。

　　与此同时，基于理想自研的重建+生成云端统一世界模型，MindVLA深度融合了模型的三维场景还原能力与生成模型的新视角补全，以及未见视角的预测能力，构建了接近真实的仿真环境。

　　源于理想在世界模型上的技术积累与充足计算资源的支撑，MindVLA也实现了基于仿真环境的大规模强化学习，即真正意义上的从“错误中学习”。

　　我们了解到，过去一年里，理想自动驾驶团队完成了世界模型大量的工程优化，显著提升了场景重建与生成的质量和效率，其中一项工作，是将3D GS的训练速度提升了7倍以上。

　　理想通过创新性的预训练和后训练方法，让MindVLA的泛化能力和涌现特性，都更明显了。其不仅在驾驶场景下表现优异，在室内环境也展示出了一定的适应性和延展性。

　　3、自动驾驶，将被MindVLA重新定义?

　　从OpenAI到DeepSeek，大模型推理能力不断更新与进化下，VLA将成为车企探索智驾能力上限的新出口。

　　“端到端+VLM可以解决L3，比如实现500公里到1000公里一次接管，让你在车上相对轻松。但仅靠端到端实现不了L4。”李想如此说道。

　　他还提到，自动驾驶实现L4，必须使用VLA。

　　李想的这一判断，正加速成为车企共识——2025年以来，VLA所呈现出来的强大感知、思考和适应环境的能力，正重新定义自动驾驶，也将成为车企竞逐自动驾驶的新锚点。

　　“VLA模型极有可能在未来两年内改写智能驾驶市场的竞争格局。”最近，中国自动驾驶产业创新联盟调研员高超如此表示。

　　他提到，预计2025年VLA模型的量产落地，将推动城区NOA渗透率提升。

　　高盛发布的一则自动驾驶报告也提到，到2030年，VLA模型主导的端到端方案，或将占据L4级自动驾驶市场60%的份额。

　　连线Insight也注意到，理想汽车之外，元戎启行、小鹏、华为等玩家已经在加速布局。市场上也有声音认为，2025年将是“VLA上车元年”。

　　基于上述背景讨论MindVLA，其不仅是理想在通向L4级别自动驾驶路上的一次率先抢跑，也是AI推动自动驾驶能力持续上探的一个范本。

　　从最核心的用户体验来看，MindVLA加持之下，传统的驾乘关系，正加速迎来新一轮变革。过往的智驾体验中，主驾必须监管、监督车辆行为，但当加持了MindVLA的车能够真正“看得见”“听得懂”“找得到”，叠加车本身的智驾能力不断上探，这带来的是人与车更丝滑的交互体验、更舒适的驾乘生活，乃至更便捷的出行方式。

　　某种程度上，这与早些年智能手机领域的“iPhone 4时刻”有一定相似之处——同样是最大限度变革了人与“机器”的交互方式和交互体验。

　　由此，如果说“iPhone 4”的推出重新定义了手机行业，那如今MindVLA的推出，以及后续陆续上车，实际上已经在“重新定义自动驾驶”。

　　从更长远视角来看，MindVLA所呈现出来的对物理世界和数字世界结合范式的探索，也有望赋予更多行业协同发展。