頭圖｜AI生成

過去兩三年，中國(guó)自動(dòng)駕駛的競(jìng)爭(zhēng)，更多比拼功能推進(jìn)速度。

誰開得更遠(yuǎn)，誰覆蓋城市更多，誰體驗(yàn)更穩(wěn)。高速NOA、城市領(lǐng)航、自動(dòng)泊車，這些功能構(gòu)成了絕大多數(shù)車企的敘事基礎(chǔ)。只要功能能持續(xù)上線，競(jìng)爭(zhēng)就可以繼續(xù)。

但這套邏輯正在接近上限。

一方面，主流玩家在功能層面已經(jīng)逐漸拉齊，差距在縮小；另一方面，越往復(fù)雜場(chǎng)景走，系統(tǒng)越依賴整體能力。

復(fù)雜場(chǎng)景考驗(yàn)的，往往不在于“有沒有某個(gè)功能”，而在于系統(tǒng)能不能把識(shí)別、判斷和動(dòng)作連續(xù)地完成。

這類能力一旦成為主導(dǎo)，單純疊加功能就很難再直接提升整體表現(xiàn)。功能可以一項(xiàng)項(xiàng)補(bǔ)齊，但只要系統(tǒng)還是“磕磕絆絆”，復(fù)雜場(chǎng)景里的不穩(wěn)定就無法根除。

這意味著，自動(dòng)駕駛的競(jìng)爭(zhēng)重點(diǎn)，正在轉(zhuǎn)向系統(tǒng)如何組織能力。數(shù)據(jù)、算力、工程調(diào)優(yōu)當(dāng)然都重要，但當(dāng)系統(tǒng)復(fù)雜度繼續(xù)上升，它們最終都要服從一個(gè)更底層的邏輯：這套能力是如何被組織、調(diào)用、迭代的。換句話說，架構(gòu)開始決定上限。

更直接一點(diǎn)：功能決定的是今天能不能賣，架構(gòu)決定的是明天還能不能繼續(xù)變強(qiáng)。

對(duì)理想來說，這個(gè)變化尤其關(guān)鍵。

過去，理想最強(qiáng)的標(biāo)簽是產(chǎn)品定義與家庭場(chǎng)景體驗(yàn)；但一旦進(jìn)入架構(gòu)競(jìng)爭(zhēng)階段，理想就必須證明，自己不只擅長(zhǎng)做一臺(tái)讓用戶喜歡的車，也能定義下一代自動(dòng)駕駛系統(tǒng)應(yīng)該長(zhǎng)成什么樣。

MindVLA-o1，就是理想對(duì)這場(chǎng)架構(gòu)之爭(zhēng)的回答。

AI上車后，系統(tǒng)上限卡在哪？

自動(dòng)駕駛今天面對(duì)的，早已不是規(guī)則算法的問題。過去幾年，行業(yè)主流方案已從規(guī)則驅(qū)動(dòng)，逐步轉(zhuǎn)向端到端、VLM、VLA等AI架構(gòu)。

2024年，理想推出端到端+VLM雙架構(gòu)，讓系統(tǒng)第一次具備跨場(chǎng)景、跨任務(wù)的統(tǒng)一理解能力。再往后，空間理解、語言理解與行動(dòng)決策在2025年被進(jìn)一步收進(jìn)同一套VLA框架。此次發(fā)布的MindVLA-o1，則繼續(xù)把自動(dòng)駕駛向統(tǒng)一基礎(chǔ)模型推進(jìn)。

問題在于，架構(gòu)從規(guī)則驅(qū)動(dòng)切到AI驅(qū)動(dòng)，并不意味著系統(tǒng)上限就自動(dòng)被打開了。

端到端的價(jià)值很大，減少了傳統(tǒng)分模塊系統(tǒng)里的信息裁剪、接口損耗和反復(fù)調(diào)參，讓自動(dòng)駕駛開始從拼功能走向拼能力。但當(dāng)場(chǎng)景更復(fù)雜、任務(wù)更連續(xù)時(shí)，新的門檻也隨之浮現(xiàn)。

考驗(yàn)復(fù)雜駕駛的，已不只是系統(tǒng)能否識(shí)別某個(gè)目標(biāo)、完成一次變道、執(zhí)行泊車動(dòng)作，而是它能否在連續(xù)變化的現(xiàn)實(shí)環(huán)境中，把理解、判斷和行動(dòng)更穩(wěn)定地連成一體。

也就是說，越往復(fù)雜場(chǎng)景走，卡住系統(tǒng)上限的，就越不是單點(diǎn)能力夠不夠，而是現(xiàn)有架構(gòu)能否繼續(xù)往前推進(jìn)。

即便行業(yè)已經(jīng)進(jìn)入AI階段，難題也沒有自動(dòng)消失。

系統(tǒng)如何理解三維物理世界？如何推演未來幾秒的變化？如何把判斷直接轉(zhuǎn)成穩(wěn)定動(dòng)作？長(zhǎng)尾場(chǎng)景如何覆蓋？更重的模型又如何部署到車上？

換句話說，今天行業(yè)真正碰到的問題，是現(xiàn)有的AI方案，能否繼續(xù)向更統(tǒng)一、更強(qiáng)、也更可部署的方向推進(jìn)。

也正因如此，行業(yè)開始把目光從功能系統(tǒng)進(jìn)一步推向統(tǒng)一架構(gòu)。MindVLA-o1，正是理想在這個(gè)問題上的一次作答。

教AI開車？理想要給車換大腦

那MindVLA-o1架構(gòu)能解決什么問題？又是如何設(shè)計(jì)和落地？

理想給出的答案，是先把系統(tǒng)做成一個(gè)能統(tǒng)一理解、統(tǒng)一判斷、統(tǒng)一行動(dòng)的“駕駛大腦”。MindVLA-o1的意義就在這里：把競(jìng)爭(zhēng)核心再往前推一步，從功能推進(jìn)到系統(tǒng)，再推進(jìn)到模型能力。

再往深一層看，它要解決的不僅是“車怎么開”，也是系統(tǒng)能否先建立起對(duì)物理世界的穩(wěn)定理解。對(duì)理想來說，這是自動(dòng)駕駛成立的前提，也決定了這套能力未來有沒有可能走出駕駛本身。

從架構(gòu)上看，MindVLA-o1沒有把視覺模型、語言模型和軌跡模型先分別做出來，再在后期硬拼到一起，而是試圖從一開始，就把三種模態(tài)統(tǒng)一放進(jìn)同一個(gè)原生多模態(tài)MoE Transformer里。即便到了VLA階段，空間理解、語言思考與行為生成之間的對(duì)齊效率仍然不夠理想。

那么，它到底在解決什么問題？

第一，如何理解物理世界？

很多復(fù)雜駕駛場(chǎng)景，難點(diǎn)不在于“看見了什么”，而在于能否理解物體之間的三維關(guān)系，例如距離、速度、遮擋關(guān)系、動(dòng)態(tài)變化。過去大量的視覺訓(xùn)練停留在二維層面，能識(shí)別語義，卻未必能理解三維結(jié)構(gòu)。

在李想看來，這極其荒謬：“一個(gè)人坐在電腦前學(xué)著開車，然后再到路上去開車?！?/p>

理想這次端出了3D ViT。核心邏輯很簡(jiǎn)單：不只讓系統(tǒng)知道物體是什么，還要弄清它在三維空間里究竟處在什么位置。它采用以視覺為核心的三維視覺編碼，借助激光雷達(dá)的幾何提示，引導(dǎo)模型去理解真實(shí)空間結(jié)構(gòu)，讓語義理解和三維感知在同一套表示里對(duì)齊。

為什么底層的空間認(rèn)知這么重要？“大部分搞模型的，都想直接做成年以后要做的事，拼命訓(xùn)練。但0-6歲孩子最重要的訓(xùn)練空間、訓(xùn)練能力，根本沒解決?！?/strong>

李想的比方足夠接地氣：“大部分人只要有小學(xué)學(xué)歷，就能把車開得非常好，因?yàn)樽隽?-6歲對(duì)三維空間的訓(xùn)練?！?/p>

放到自動(dòng)駕駛上，如果系統(tǒng)連“6歲前”該懂的三維世界都看不明白，底座就是搖晃的，后續(xù)再怎么疊加復(fù)雜的預(yù)測(cè)和控制模型，也注定走不遠(yuǎn)。

第二，如何面對(duì)變化？

駕駛不只是對(duì)當(dāng)前狀態(tài)的反應(yīng)，更要面對(duì)持續(xù)變化的現(xiàn)實(shí)環(huán)境：旁車會(huì)不會(huì)加塞，行人會(huì)不會(huì)突然橫穿，前車會(huì)不會(huì)臨時(shí)變線。系統(tǒng)面對(duì)的不是靜態(tài)畫面，而是連續(xù)博弈。

理想強(qiáng)調(diào)多模態(tài)思考，在語言模型承擔(dān)語義理解、常識(shí)知識(shí)和交互能力的基礎(chǔ)上，再引入預(yù)測(cè)式隱世界模型，在隱空間中推演未來場(chǎng)景變化。核心就是把“看懂現(xiàn)在”，即識(shí)別眼前的景象，推進(jìn)到“推演下一步”，預(yù)測(cè)接下來會(huì)發(fā)生什么。

此處還有一個(gè)關(guān)鍵的要求：駕駛既要“慢思考”，也要“快反應(yīng)”。復(fù)雜場(chǎng)景中，判斷往往要調(diào)用常識(shí)、語義理解和多步推理能力；但車在路上可等不了慢慢思考，必須立刻做出回應(yīng)動(dòng)作。MindVLA-o1能做的，是把這兩種能力統(tǒng)一到一個(gè)框架里，讓系統(tǒng)既能理解，又能快速推演。

第三，如何把判斷變成行動(dòng)？

這也解釋了，為什么理想要盡量把感知、推理和控制放進(jìn)同一套架構(gòu)里。過去分模塊系統(tǒng)的問題，并非某個(gè)單獨(dú)模塊能力低下，而是信息在模塊間傳遞、裁剪、損耗，造成了別扭的局面：局部都對(duì)，連起來卻不穩(wěn)。

在VLA階段，空間理解、推理思考、行動(dòng)決策已被統(tǒng)一到同一個(gè)模型框架中；而MindVLA-o1則通過引入專門的行為專家（Action Expert），從場(chǎng)景、特征、導(dǎo)航和指令等中提取信息，進(jìn)一步提升對(duì)齊效率。

為滿足實(shí)時(shí)性和精度要求，系統(tǒng)采用了并行解碼，同時(shí)生成所有軌跡點(diǎn)，引入離散擴(kuò)散，多輪迭代優(yōu)化，確保軌跡符合車輛動(dòng)力學(xué)約束。

這樣一來，模型不僅會(huì)思考，更能把這些判斷及時(shí)、穩(wěn)定地轉(zhuǎn)化成動(dòng)作。

第四，如何快速學(xué)習(xí)，快速迭代？

長(zhǎng)尾場(chǎng)景不斷出現(xiàn)，只等真實(shí)世界的數(shù)據(jù)覆蓋，即不高效，也不現(xiàn)實(shí)。模型不能只從已有的人類駕駛數(shù)據(jù)里學(xué)，還得能在世界模擬器中持續(xù)探索、試錯(cuò)、優(yōu)化。

為支持大規(guī)模模擬與訓(xùn)練，理想汽車開發(fā)了統(tǒng)一的三維高斯?jié)姙R（3D Gaussian Splatting）渲染引擎和分布式訓(xùn)練框架，渲染速度提升近2倍，整體訓(xùn)練成本降低約75%。

這種閉環(huán)強(qiáng)化學(xué)習(xí)，推動(dòng)系統(tǒng)在仿真環(huán)境中更快完成策略迭代。

第五，如何把前面的種種設(shè)想都落到實(shí)處？

很多大模型方案容易卡住的，不是實(shí)驗(yàn)室里做不出來，而是車端跑不起來。模型越重，能力越強(qiáng)，部署越難；為了能跑起來去做過多妥協(xié)，又很容易把效果做薄。

理想評(píng)估了近2000種模型架構(gòu)配置，在英偉達(dá)Orin與Thor平臺(tái)上找到了模型精度與推理延遲的帕累托前沿，大幅提升端側(cè)VLA模型的設(shè)計(jì)與部署效率。

理想強(qiáng)調(diào)軟硬件協(xié)同設(shè)計(jì)，本質(zhì)就是在回答：車端資源有限，統(tǒng)一大模型怎么真正部署。畢竟，算力跟不上，模型再好也難有穩(wěn)定體驗(yàn)。

正因如此，MindVLA-o1在技術(shù)集合的基礎(chǔ)上，構(gòu)建了一套完整的能力：先補(bǔ)空間理解，再補(bǔ)未來預(yù)判，再把判斷變成穩(wěn)定行動(dòng)，同時(shí)借助閉環(huán)強(qiáng)化學(xué)習(xí)持續(xù)進(jìn)化，并通過芯片、數(shù)據(jù)和軟硬件，把這套能力推向量產(chǎn)。

理想認(rèn)為，未來量產(chǎn)智駕最難的部分，不在于單項(xiàng)能力能否繼續(xù)提高，而在于它們能否被系統(tǒng)穩(wěn)定調(diào)用，最后連成一個(gè)完整的“駕駛大腦”。

如果這套判斷成立，自動(dòng)駕駛行業(yè)接下來爭(zhēng)奪的，這就不再是誰的功能補(bǔ)得快，而是誰先找到“駕駛大腦”的正確形態(tài)。

逼近“駕駛大腦”，理想先走哪一步？

問題在于，自動(dòng)駕駛走到今天，行業(yè)已隱約出現(xiàn)了共識(shí)：?jiǎn)慰抗δ芏询B，很難繼續(xù)推高系統(tǒng)能力上限。無論是更強(qiáng)調(diào)安全冗余，還是更強(qiáng)調(diào)數(shù)據(jù)驅(qū)動(dòng)和統(tǒng)一神經(jīng)網(wǎng)絡(luò)，近年的演進(jìn)都說明，各路玩家都在朝更統(tǒng)一的系統(tǒng)能力收斂。

但共識(shí)只到這里。

真正的分歧，在于當(dāng)行業(yè)開始從功能競(jìng)爭(zhēng)轉(zhuǎn)向架構(gòu)競(jìng)爭(zhēng)，究竟應(yīng)該先解決什么問題、按什么順序搭建能力？不同玩家判斷并不一樣，因此現(xiàn)階段資源投放的側(cè)重也有所不同。

有人把重點(diǎn)放在更高的安全邊界和系統(tǒng)可靠性上，盡可能減少?gòu)?fù)雜現(xiàn)實(shí)中的不確定性；有人把重點(diǎn)放在更大規(guī)模的數(shù)據(jù)、訓(xùn)練和迭代機(jī)制上，希望系統(tǒng)在持續(xù)學(xué)習(xí)中，不斷逼近更通用的駕駛能力。

而理想押注的重點(diǎn)，則是先把系統(tǒng)對(duì)物理世界的理解補(bǔ)扎實(shí)，再把預(yù)判、推理和控制盡量收進(jìn)同一套邏輯里，既不單純?cè)黾庸δ?，也不為了更大的系統(tǒng)而拼湊模塊。理想想證明，這套“看懂世界-推演變化-形成動(dòng)作”的“駕駛大腦”能力框架，能夠穩(wěn)定地跑在車上。

這些不同優(yōu)先級(jí)的選擇，都在逼近同一個(gè)挑戰(zhàn)：駕駛不是瞬時(shí)識(shí)別，而是連續(xù)判斷；不是靜態(tài)環(huán)境處理，而是動(dòng)態(tài)博弈。想象力在于統(tǒng)一能力的上限，挑戰(zhàn)則在于，統(tǒng)一架構(gòu)能否在復(fù)雜現(xiàn)實(shí)中穩(wěn)定落地。

短期競(jìng)爭(zhēng)拼局部能力，長(zhǎng)期競(jìng)爭(zhēng)拼系統(tǒng)能否持續(xù)增長(zhǎng)。誰的路徑更能在復(fù)雜場(chǎng)景里保持穩(wěn)定？誰的能力更能一層層積累？這恰恰是拉開差距的關(guān)鍵。

如果往前看，理想提出“自動(dòng)駕駛只是物理AI的起點(diǎn)”，釋放了一個(gè)更大的信號(hào)：MindVLA-o1為智駕功能服務(wù)只是起點(diǎn)，一套面向物理世界的統(tǒng)一智能基座才是它最終的星辰大海。

這套完整的AI框架，包含四個(gè)核心模塊，統(tǒng)一數(shù)據(jù)引擎MindData、統(tǒng)一模型MindVLA-o1、多模態(tài)世界模型MindSim以及強(qiáng)化學(xué)習(xí)基礎(chǔ)設(shè)施RL Infra。這四部分協(xié)同形成完整閉環(huán)，才是那個(gè)真正的“大腦”。

換句話說，自動(dòng)駕駛在這里既是產(chǎn)品落地場(chǎng)景，也是能力訓(xùn)練場(chǎng)。今天先解決開車，未來再延展到更廣泛的車載智能，甚至直接復(fù)用該模型控制機(jī)器人，邁向具身智能。

這個(gè)外延今天當(dāng)然還談不上被驗(yàn)證，但至少理想已經(jīng)把自己的位置，從“更強(qiáng)的智駕”往“更通用的物理智能”上挪了一步。

若自動(dòng)駕駛的核心變成基礎(chǔ)模型能力，行業(yè)競(jìng)爭(zhēng)邏輯也會(huì)隨之變化。

競(jìng)爭(zhēng)焦點(diǎn)會(huì)從功能覆蓋轉(zhuǎn)向模型能力；核心資源會(huì)從供應(yīng)鏈優(yōu)勢(shì)，部分轉(zhuǎn)向“數(shù)據(jù)+算力+模型”的組合能力。未來決定車企分層的，不只有產(chǎn)品、制造和渠道，還會(huì)多出一條標(biāo)準(zhǔn)：誰能持續(xù)訓(xùn)練和迭代“車的大腦”。

在這個(gè)格局里，理想已主動(dòng)把自己放在了智能體路線的坐標(biāo)上。

結(jié)尾

MindVLA-o1的意義，遠(yuǎn)不止一套新的智駕方案。在自動(dòng)駕駛從功能競(jìng)爭(zhēng)，走向架構(gòu)競(jìng)爭(zhēng)的時(shí)間點(diǎn)上，理想更明確地把賭注押向了“統(tǒng)一智能體”。

接下來幾年，行業(yè)表面上的差異，仍然會(huì)體現(xiàn)在功能體驗(yàn)、開城節(jié)奏以及用戶感知上；但更深層的競(jìng)爭(zhēng)，正在轉(zhuǎn)向——誰能把理解、預(yù)判和行動(dòng)更穩(wěn)定地組織起來，誰能讓系統(tǒng)在復(fù)雜現(xiàn)實(shí)中持續(xù)積累能力。

自動(dòng)駕駛是個(gè)入口，而理想下注的，是更大的方向：一套面向物理世界的統(tǒng)一智能能力。自動(dòng)駕駛的下一階段，未必馬上分出勝負(fù)，但行業(yè)已經(jīng)開始換題了。

過去比的，是誰把功能做得更全；現(xiàn)在比的，是誰先做出“駕駛大腦”；而未來要比的，則是誰先做出真正能夠理解世界、持續(xù)成長(zhǎng)的統(tǒng)一智能體。

理想這次發(fā)布MindVLA-o1，相當(dāng)于在這個(gè)分叉點(diǎn)上提前押注了一個(gè)方向。這個(gè)方向能否兌現(xiàn)，要靠時(shí)間驗(yàn)證；但至少，它不再是一次普通的功能升級(jí)。

本內(nèi)容由作者授權(quán)發(fā)布，觀點(diǎn)僅代表作者本人，不代表虎嗅立場(chǎng)。如對(duì)本稿件有異議或投訴，請(qǐng)聯(lián)系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4844164.html?f=wyxwapp