經(jīng)觀感知

自動駕駛技術正在進入新的階段。

3月17日，在美國硅谷舉行的NVIDIA GTC 2026大會上，理想汽車發(fā)布下一代自動駕駛基礎模型 MindVLA-o1。

理想汽車基座模型負責人詹錕在演講中表示，這一模型通過統(tǒng)一視覺、語言和行動三類能力，使自動駕駛系統(tǒng)不僅能夠理解環(huán)境并生成駕駛行為，還能夠在模型內(nèi)部推演未來場景，從而形成類似“思考—決策—行動”的能力。

在理想汽車的描述中，這一模型不再只是傳統(tǒng)意義上的自動駕駛算法，而是面向物理世界的一種基礎智能模型架構。按照其規(guī)劃，同一套模型未來不僅可以用于車輛控制，也可以擴展至機器人等物理系統(tǒng)。

近年來，隨著大模型技術在自然語言和視覺領域的突破，自動駕駛行業(yè)也在嘗試將視覺理解、語言推理與行動決策統(tǒng)一到同一模型中。這類模型通常被稱為 VLA（Vision-Language-Action）模型。其核心目標是讓機器同時具備環(huán)境理解、邏輯推理以及行為生成能力，從而提升自動駕駛系統(tǒng)在復雜場景中的泛化能力。

在不少業(yè)內(nèi)人士看來，VLA模型正在成為自動駕駛技術新的研究方向。相比傳統(tǒng)模塊化系統(tǒng)，統(tǒng)一模型架構有望減少系統(tǒng)之間的信息損失，并通過大規(guī)模數(shù)據(jù)訓練提升系統(tǒng)在未知場景中的適應能力。

理想汽車此次發(fā)布MindVLA-o1，被視為車企在這一技術路徑上的一次探索。

智駕路線紛爭

自動駕駛技術過去十余年的發(fā)展，大致經(jīng)歷了從規(guī)則系統(tǒng)到深度學習的轉變。

在最早階段，自動駕駛系統(tǒng)主要依賴工程規(guī)則。系統(tǒng)通常由感知、定位、預測、規(guī)劃和控制等多個模塊組成，每個模塊獨立設計，并通過大量規(guī)則邏輯進行連接。這種架構在高速公路等簡單場景中運行穩(wěn)定，但在復雜城市交通環(huán)境中容易遇到難以覆蓋的極端情況。

隨著深度學習技術的發(fā)展，自動駕駛企業(yè)開始嘗試端到端模型。該方法通過神經(jīng)網(wǎng)絡直接從傳感器數(shù)據(jù)生成駕駛軌跡，從而減少人工規(guī)則的依賴。特斯拉FSD、小鵬汽車以及多家自動駕駛公司均在探索這一技術路線。

不過，端到端模型也存在新的挑戰(zhàn)。雖然模型可以通過學習生成駕駛行為，但在復雜交通環(huán)境中仍然缺乏對場景的深層理解能力。

在這一背景下，融合多模態(tài)能力的VLA模型逐漸受到關注。VLA模型通過結合視覺感知、語言模型推理以及行動生成，使自動駕駛系統(tǒng)不僅能夠識別環(huán)境，還能夠通過推理生成決策。

MindVLA-o1正是在這一思路下設計。

自動駕駛系統(tǒng)的核心能力之一，是對真實世界環(huán)境的理解。車輛傳感器獲取的數(shù)據(jù)通常以二維圖像形式呈現(xiàn)，但駕駛決策需要基于三維空間。例如車輛之間的距離、行人的運動軌跡以及道路結構等信息，都需要通過三維建模進行理解。

MindVLA-o1在感知層采用了以視覺為核心的三維編碼架構，并結合激光雷達點云信息作為幾何提示，使模型能夠同時學習語義信息與空間結構。

此外，系統(tǒng)還引入三維高斯?jié)姙R（3D Gaussian Splatting）等技術，對場景進行三維重建，并通過預測下一幀圖像作為自監(jiān)督信號訓練模型，使其在學習語義信息的同時理解深度與運動關系。

這種方法的目標，是讓自動駕駛模型不僅能夠識別物體，還能夠理解物體在空間中的位置以及運動關系。

“大模型時代”

在自動駕駛系統(tǒng)中，理解當前環(huán)境只是第一步，更重要的是預測未來場景變化。例如車輛接近路口時，需要判斷行人是否準備過馬路、前車是否會突然減速、周圍車輛是否可能并線等。

傳統(tǒng)自動駕駛系統(tǒng)通常依賴單獨的預測模塊進行場景預測。而MindVLA-o1通過引入世界模型，使系統(tǒng)能夠在隱空間中模擬未來場景。

在訓練過程中，模型首先通過大量視頻數(shù)據(jù)學習未來場景變化的規(guī)律，然后在隱空間中持續(xù)推演可能出現(xiàn)的情境，并將這些推理結果與駕駛行為進行聯(lián)合訓練。

理想汽車將這一能力稱為“多模態(tài)思考”。在這一機制下，自動駕駛系統(tǒng)可以在生成駕駛決策之前，對未來場景進行預測和推演。

在駕駛決策階段，MindVLA-o1采用混合專家模型架構，并設置專門的動作專家模塊生成駕駛軌跡。系統(tǒng)會綜合環(huán)境信息、導航目標以及駕駛指令，直接生成車輛行駛軌跡。

為了滿足實時性要求，系統(tǒng)通過并行解碼方式一次性生成全部軌跡點，同時利用擴散模型進行多輪優(yōu)化，使軌跡更加平滑并符合車輛動力學約束。

這種方式與傳統(tǒng)自動駕駛系統(tǒng)存在明顯差異。過去系統(tǒng)通常通過規(guī)則和優(yōu)化算法計算駕駛軌跡，而新的模型則通過生成式方法直接生成駕駛行為。

MindVLA-o1還引入強化學習框架，并通過世界模擬器進行大規(guī)模訓練。系統(tǒng)可以在虛擬環(huán)境中生成大量駕駛場景，使模型通過不斷試錯優(yōu)化駕駛策略。

為了支持這種訓練方式，理想汽車開發(fā)了新的三維渲染引擎和分布式訓練框架，以提升模擬環(huán)境生成效率并降低訓練成本。

近年來，自動駕駛競爭正逐漸從硬件能力轉向人工智能能力。一方面，自動駕駛系統(tǒng)需要大量數(shù)據(jù)和算力支持；另一方面，大模型技術正在改變自動駕駛系統(tǒng)的整體架構。

包括特斯拉、Wayve以及部分自動駕駛公司都在探索大模型路線。部分企業(yè)還通過構建超級計算平臺訓練自動駕駛模型。

在這一背景下，車企的角色也在發(fā)生變化。從傳統(tǒng)制造企業(yè)向技術公司轉型，或成為不少車企的重要戰(zhàn)略方向。

理想汽車表示，其AI體系由數(shù)據(jù)引擎MindData、VLA模型MindVLA-o1、世界模型MindSim以及強化學習基礎設施等模塊組成。這些模塊共同構成一個閉環(huán)系統(tǒng)，使AI能夠在真實世界與模擬環(huán)境中持續(xù)學習和優(yōu)化。

按照理想汽車的設想，這套系統(tǒng)未來不僅可以服務于汽車，也可以擴展至機器人等物理系統(tǒng)。

不過，大模型路線仍面臨不少挑戰(zhàn)。首先，大模型訓練需要巨量數(shù)據(jù)與算力，成本極高；其次，自動駕駛系統(tǒng)的安全性仍需要長期驗證；此外，監(jiān)管政策與商業(yè)化進程也會影響技術落地速度。

自動駕駛技術的發(fā)展歷程表明，每一次技術突破都需要經(jīng)歷較長的驗證周期。

MindVLA-o1的發(fā)布意味著自動駕駛行業(yè)正在嘗試新的技術方向，但這一技術路徑是否會成為未來主流，還需要時間檢驗。

可以確定的是，隨著人工智能技術的發(fā)展，自動駕駛已經(jīng)不再只是車輛控制系統(tǒng)的問題，而正在逐漸演變?yōu)橐粋€復雜的人工智能問題。在這一變化中，車企與科技公司的邊界也在逐漸模糊。

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構成任何建議。