IT之家 3 月 18 日消息，在昨日的 NVIDIA GTC 2026 上，理想汽車基座模型負(fù)責(zé)人詹錕發(fā)布了下一代自動(dòng)駕駛基礎(chǔ)模型 MindVLA-o1。

IT之家注意到，理想汽車 CEO 李想今日發(fā)布長(zhǎng)文談及了 MindVLA-o1。李想介紹稱，理想汽車在底層實(shí)現(xiàn)了一個(gè)核心突破：原生 3D ViT —— 真正的三維視覺編碼器。他表示，自動(dòng)駕駛，只是物理 AI 的一個(gè)起點(diǎn)。

在昨天的 NVIDIA GTC 2026 上，詹錕代表理想發(fā)布了下一代自動(dòng)駕駛基座模型 MindVLA-o1。我們?cè)诘讓訉?shí)現(xiàn)了一個(gè)核心突破：原生 3D ViT —— 真正的三維視覺編碼器。 我們?cè)趪L試解答一個(gè)問題：人類開車看上去沒那么難，每個(gè)普通人都能把車開得又快又穩(wěn)，但全世界最頂尖的企業(yè)砸了幾千億進(jìn)去，自動(dòng)駕駛?cè)匀贿M(jìn)展緩慢。問題到底出在哪？ 我們一直在教 AI 做成年人的事，但從來沒讓它當(dāng)過小孩。 人類在 0 到 6 歲的階段學(xué)會(huì)了走路，學(xué)會(huì)了扔球、接球?？雌饋碇皇呛?jiǎn)單的動(dòng)作，但實(shí)際上已經(jīng)幫助孩子建立了對(duì)三維物理空間的理解。這就是為什么我們能精準(zhǔn)測(cè)距、穩(wěn)定駕駛，因?yàn)椤?D 預(yù)訓(xùn)練”6 歲前就完成了。 但今天所有的端到端系統(tǒng)本質(zhì)上都是“看 2D 視頻學(xué)開車”，更像是一個(gè)人坐在電腦前看了十萬小時(shí)行車記錄儀，然后直接上路。它有了智能，但離人類的智能程度差得遠(yuǎn)。過去我們和行業(yè)使用的 BEV 把世界從俯視角拍扁，丟失了高度信息；OCC 確實(shí)是 3D 的，但缺失了語義信息。物理 AI 缺的不是更大的模型、更多的數(shù)據(jù)，而是一個(gè)能真正理解 3D 世界的視覺基礎(chǔ)。 3D ViT 解決了這個(gè)問題。不再是從 2D“還原”3D，而是讓模型一開始就工作在真實(shí)的三維世界里。以高分辨率多視角視覺為核心，在編碼階段直接完成對(duì) 3D 空間幾何和語義的統(tǒng)一理解 —— 空間結(jié)構(gòu)、位置關(guān)系、語義信息，一次完成。模型不只是看見畫面，而是理解世界，既知道它在哪，也知道它是什么。 在這個(gè)體系下，激光雷達(dá)的角色變了。它不再是感知的核心，而更像一把高精度的尺子，為視覺提供幾何標(biāo)定和近場(chǎng)空間約束。真正決定感知上限的，不是傳感器的物理線數(shù)，而是模型的表征能力。在統(tǒng)一建模下，3D ViT 可以穩(wěn)定感知并推理到 500 米以上的空間范圍。 這件事以前不是沒人想做，是做不到，因?yàn)?3D ViT 對(duì)車端推理算力提出了極高的要求。我們自研的馬赫芯片，單顆有效算力是上一代的 3 倍，能把這套架構(gòu)真正放進(jìn)車?yán)铩?有了 3D ViT 打底，MindVLA-o1 把空間理解、思考推理、駕駛行為統(tǒng)一在一個(gè)模型里。不光看見世界，還能在隱空間里模擬未來幾秒的場(chǎng)景變化，想清楚再開。我們把這種能力稱之為多模態(tài)思考。 我們也已經(jīng)進(jìn)行了驗(yàn)證，這套基座模型不只是為自動(dòng)駕駛設(shè)計(jì)的。同一套 VLA 基座模型，能開車，也能控制機(jī)器人，它正在逐漸演化成一個(gè)通用的物理世界智能體。 自動(dòng)駕駛，只是物理 AI 的一個(gè)起點(diǎn)。