人類用3D空間認(rèn)知世界，AI卻只看2D視頻上路。自動(dòng)駕駛卡在哪？李想一句話點(diǎn)破！

他的核心觀點(diǎn)很扎眼：全球車企與科技公司砸了巨資，為什么自動(dòng)駕駛進(jìn)展緩慢？因?yàn)橹髁鞣桨敢恢痹谟?D視頻訓(xùn)練AI，相當(dāng)于讓AI只看行車記錄儀就上路。

這話不是夸張。傳統(tǒng)BEV架構(gòu)會丟失高度信息，OCC方案缺少語義信息。AI始終無法像人一樣真正理解三維世界。

而理想的破局方案，叫原生3D ViT三維視覺編碼器。讓模型從一開始就工作在3D空間，同步完成幾何結(jié)構(gòu)與語義理解。

01 人類用3D認(rèn)知世界，AI卻只看2D錄像

李想的邏輯起點(diǎn)，是一個(gè)人盡皆知但行業(yè)一直沒解決的問題。

人類駕駛員的安全性從哪來？不是18歲拿到駕照那天才開始學(xué)的。李想指出，人類在幼年就通過活動(dòng)建立了完整的3D物理空間認(rèn)知。爬、走、跑、跳，觸摸物體、躲避障礙，這些看似簡單的活動(dòng)，讓大腦學(xué)會了理解三維世界。

而AI學(xué)開車的方式呢？

行業(yè)主流方案一直是用2D視頻素材訓(xùn)練AI模型。說白了，就是讓AI看海量的行車記錄儀畫面，然后指望它能從這些平面影像里學(xué)會駕駛。

李想把這事兒比喻得太形象了：相當(dāng)于只看行車記錄儀就上路。

更扎心的是，不是沒人意識到這個(gè)問題。傳統(tǒng)BEV（鳥瞰圖）架構(gòu)確實(shí)火了幾年，但它最大的缺陷是會丟失高度信息——一棵樹和一個(gè)人的投影可能在鳥瞰圖上長得差不多，但開車撞上去的后果天差地別。

后來的OCC（占用網(wǎng)絡(luò)）方案雖然是3D架構(gòu)，卻又缺少語義信息——模型知道某個(gè)空間被占用了，但不知道被什么占用了，無法判斷物體的可碰撞屬性。

AI始終無法像人一樣真正理解三維世界，這才是幾千億砸下去卻進(jìn)展緩慢的關(guān)鍵癥結(jié)。

02 理想的破局：讓AI從一開始就活在3D世界

針對這個(gè)痛點(diǎn)，理想給出的答案叫原生3D ViT三維視覺編碼器。

為什么叫“原生3D”？因?yàn)樗鼜氐讙仐壛藦?D到3D的轉(zhuǎn)換過程。過去的方案是先讓AI看2D視頻，再通過算法“腦補(bǔ)”出三維信息；理想的方案是讓模型從一開始就工作在3D空間。

這套系統(tǒng)能同步完成兩件事：幾何結(jié)構(gòu)理解和語義理解。換句話說，AI不僅知道“那里有東西”，還知道“那是什么東西”，以及“它可能怎么運(yùn)動(dòng)”。

更關(guān)鍵的是算力支撐。理想自研的馬赫芯片，單顆有效算力是上一代的3倍，讓這套3D ViT架構(gòu)能夠真正放進(jìn)車?yán)?，而不是停留在?shí)驗(yàn)室。

效果如何？這套系統(tǒng)可穩(wěn)定感知500米以上范圍。激光雷達(dá)的角色也變了——從感知核心轉(zhuǎn)變?yōu)楦呔鹊臉?biāo)定工具，為視覺提供幾何約束。

李想還透露，理想正在將3D ViT與多模態(tài)思考能力結(jié)合，讓模型擁有更完整的3D認(rèn)知。預(yù)計(jì)今年年中完成融合。

03 MindVLA-o1：不只是自動(dòng)駕駛，是通用物理世界智能體

3月17日，在NVIDIA GTC 2026大會上，理想汽車基座模型負(fù)責(zé)人詹錕正式發(fā)布了下一代自動(dòng)駕駛基礎(chǔ)模型MindVLA-o1。

這款模型的核心突破在于，統(tǒng)一了空間理解、思考推理和駕駛行為。

傳統(tǒng)的自動(dòng)駕駛模型，感知、決策、控制各走一套體系，中間有信息損耗。MindVLA-o1用一個(gè)統(tǒng)一的VLA模型，同時(shí)完成三個(gè)任務(wù)。更關(guān)鍵的是，它具備多模態(tài)思考能力——融合語言推理與空間推演，可在隱空間內(nèi)模擬未來幾秒的場景變化。

李想特別強(qiáng)調(diào)，這套模型不只是用于自動(dòng)駕駛，同樣能適配機(jī)器人。

“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?！?/p>

這話的潛臺詞很明確：自動(dòng)駕駛只是物理AI的起點(diǎn)，不是終點(diǎn)。

2025年，理想全年交付40.63萬輛新車，雖然同比下滑，但龐大的車隊(duì)每天都在為這套模型貢獻(xiàn)真實(shí)路況數(shù)據(jù)。截至2025年底，理想VLA司機(jī)大模型月使用率達(dá)到80%，VLA指令累計(jì)使用超1200萬次。這些數(shù)據(jù)，是任何實(shí)驗(yàn)室都無法復(fù)制的“飼料”。

04 百億豪賭：理想為何敢All in AI

李想敢在這個(gè)時(shí)候捅破行業(yè)窗戶紙，不是因?yàn)樗e得慌，是因?yàn)槔硐氲霓D(zhuǎn)型已經(jīng)到了關(guān)鍵時(shí)刻。

3月中旬，理想發(fā)布2025年財(cái)報(bào)，一組數(shù)據(jù)很扎眼：全年?duì)I收1123億元，同比下滑22.3%；凈利潤驟降至11億元，相較2024年的80億元暴跌86%。

但就在這份堪稱“上市以來最慘”的財(cái)報(bào)中，有一個(gè)數(shù)字格外刺眼：研發(fā)投入113億元，創(chuàng)歷史新高，其中約50%砸向了AI相關(guān)項(xiàng)目。

一邊是利潤斷崖式下滑，一邊是研發(fā)逆勢狂飆。李想用行動(dòng)表明：理想不再只是一家汽車公司，而是正在轉(zhuǎn)型為AI公司。

更激進(jìn)的調(diào)整在組織層面。過去半年，理想有8位核心高管離職，涵蓋智駕、芯片、產(chǎn)品等關(guān)鍵崗位。原自動(dòng)駕駛部門被徹底拆分重組，智駕“端到端”時(shí)代的核心班底幾乎清空。

這不是人事地震，是戰(zhàn)略換道。李想親自定調(diào)：2026年是理想成為AI頭部公司的最后窗口期。在他眼里，繼續(xù)在造車這條路上和對手卷配置、卷價(jià)格，只會陷入死循環(huán)。真正的突圍方向，是具身智能。

截至2025年末，理想現(xiàn)金儲備1012億元。這筆錢，足夠讓理想在寒冬里完成這場豪賭。

李想那句話，值得所有還在討論自動(dòng)駕駛的人聽三遍：

“人類用3D空間認(rèn)知世界，AI卻只看2D視頻上路?！?/p>

這不僅僅是技術(shù)的差距，是認(rèn)知的鴻溝。