理想汽车MindVLA：自动驾驶技术里程碑

文｜金融街老李

随着人工智能快速发展，变革是今年汽车产业的主旋律，3月18日，理想汽车发布了下一代自动驾驶架构MindVLA，这项整合空间智能、语言智能与行为智能的视觉-语言-行为大模型，标志着自动驾驶技术进入了一个新的发展阶段。

理想汽车下一代自动驾驶技术的发布，顺应了发展潮流，今天老李就和大家一起聊聊，为什么说MindVLA是自动驾驶技术的里程碑？ MindVLA对于行业发展有什么意义？理想汽车又是如何在变革中引领产业重构的？

当前，汽车智能驾驶正在快速市场化，根据中汽中心发布的数据，2025年一季度，中国L2级及以上辅助驾驶渗透率已突破65%，城市NOA功能覆盖城市数量较去年同期增长超200%，可以说，相比低空飞行和具身智能这两大产业，智能汽车已经真正实现了规模化。

过去，汽车行业自动驾驶技术更多依赖于机器的采集、处理和执行，但我们从底层逻辑的层面讲，汽车只有按照人类的驾驶逻辑实现的自动驾驶，才是真正的自动驾驶。今年以来，随着人工智能技术在自动驾驶领域的深度应用，自动驾驶技术出现了跨越式的发展。

随着理想汽车最新发布了MindVLA自动驾驶系统，老李认为，自动驾驶技术出现了一个新的方向——智能体，凭借人工智能与自动驾驶的深度融合，正在改写行业竞争规则，老李认为，后续会有更多的企业会沿着理想汽车的路径开展自动驾驶技术研发，显然，理想汽车走在了行业最前列。

基于端到端+VLM双系统架构的最佳实践，及对前沿技术的敏锐洞察，理想自研VLA模型——MindVLA。MindVLA是视觉-语言-行为大模型，是机器人大模型的新范式，它将空间智能、语言智能和行为智能统一在一个模型里。MindVLA赋予模型强大的3D空间理解能力、逻辑推理能力和行为生成能力，让自动驾驶能够感知、思考和适应环境。

MindVLA打破自动驾驶技术框架设计的传统模式，使用能够承载丰富语义，且具备出色多粒度、多尺度3D几何表达能力的3D高斯（3D Gaussian）这一优良的中间表征，充分利用海量数据进行自监督训练，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。

MindVLA基于自研的重建+生成云端统一世界模型，深度融合重建模型的三维场景还原能力与生成模型的新视角补全，以及未见视角预测能力，构建接近真实世界的仿真环境。源于世界模型的技术积累与充足计算资源的支撑，MindVLA实现了基于仿真环境的大规模闭环强化学习，即真正意义上的从“错误中学习”。过去一年，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的训练速度提升至7倍以上。

理想还通过创新性的预训练和后训练方法，让MindVLA实现了卓越的泛化能力和涌现特征，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。

看到这里，很多朋友会问，MindVLA到底能给用户带来什么，答案很简单，和所有的自动驾驶技术一样，MindVLA终极目标是让汽车实现真正的自动驾驶，不同的是，MindVLA赋能的车不再只是一个驾驶工具，而是一个能与用户沟通、理解用户意图的智能体，能够听得懂、看得见、找得到，一个真正意义上的司机Agent，按照老李的理解，实际上MindVLA赋能的车是一个能够理解人类意图的智能机器人。

 所谓“听得懂”，是说用户可以通过语音指令改变车辆的路线和行为，例如用户在陌生园区寻找超市，只需要通过理想同学对车辆说：“带我去找超市”，车辆将在没有导航信息的情况下，自主漫游找到目的地，车辆行驶过程中，用户还可以跟理想同学说开太快了、应该走左边这条路等等，汽车就能够按照驾驶员的意图执行这些指令，而在传统的自动驾驶中，这些是无法实现的。

“看得见”是指MindVLA具备强大的通识能力，传统的自动驾驶车辆只能识别汽车、行人等一般的障碍物，无法实现像人类一样精准的识别文字并进行理解，MindVLA赋能的车辆能够像人类一样认识星巴克、肯德基等不同商店招牌，当用户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，并自动找到用户。

“找得到”意味着车辆可以自主地在地库、园区和公共道路上漫游，其中典型应用场景是，用户在商场地库找不到车位时，可以跟车辆说：“去找个车位停好”，车辆就会利用强大的空间推理能力自主寻找车位，即便遇到死胡同，车辆也会自如地倒车，重新寻找合适的车位停下，整个过程不依赖地图或导航信息，完全依赖MindVLA的空间理解和逻辑推理能力。

看到这里，大家就会明白为何老李在说MindVLA是下一代的自动驾驶技术，因为和传统的自动驾驶相比，MindVLA更像是一个接近人类的智能体。

对汽车行业而言，像iPhone 4重新定义了手机，MindVLA也将重新定义自动驾驶，对于人工智能领域而言，汽车作为物理人工智能的最佳载体，未来探索出物理世界和数字世界结合的范式，将有望赋能多个行业协同发展。

在老李看来，并不是所有的车企都能够实现这一轮的转型，这背后需要庞大的资金、人才和技术的支撑。理想汽车每年研发投入超100亿元、近半数资金聚焦AI领域，理想构建了覆盖智能驾驶、理想同学、智能工业及智能商业的四维体系，形成“软件定义硬件、数据驱动进化”的新型产业范式。正如李想所言，理想汽车不是在做汽车的智能化，而是将人工智能汽车化，这种以AI为核心驱动力的企业基因，在智能化竞争中势必占据先发优势。

理想汽车的实践，不仅为中国汽车产业实现“弯道超车”提供范本，更在全球AI竞赛中标注出新的坐标，成为加速技术发展贡献了重要力量。可以相信，未来， MindVLA将为更多行业赋能，理想汽车也将成为全球领先的人工智能企业。