今天小編分享的互聯網經驗：自動駕駛的“iPhone 4”時刻：理想MindVLA到底變革了什麼？，歡迎閱讀。
文 / 陳鋒
編輯 / 子夜
AI 對于理想汽車意味着什麼？
幾個月前的 "2024 理想 AI Talk" 上，理想汽車董事長兼 CEO 李想的回答是：（在願景上）意味着未來的全部。
" 電動化是上半場，智能化是下半場，但我認為，這個智能化講的不是傳統的軟體智能，而是真正的人工智能，這是造車往下延續的一個必經之路。汽車将從工業時代的交通工具，進化成為人工智能時代的空間機器人。" 李想這麼說道。
在當下的新能源汽車市場中，理想也是在 AI 戰略上布局更早、投入更堅決的車企之一。
從 2022 年 9 月在内部将發展 AI 定為戰略核心，到 2023 年初正式将這一戰略對外，再到去年底 "2024 理想 AI Talk" 分享了對人工智能的最新思考和戰略成果，理想已經跑出了更快的 AI" 加速度 "。
近期，圍繞 AI 戰略布局，以及 AI 在智能駕駛上的落地，理想汽車又迎來了一個關鍵裡程碑，發布了理想汽車自動駕駛架構—— MindVLA。
圖源理想汽車官方微信公眾号
理想汽車自動駕駛技術研發負責人賈鵬表示：" 就像 iPhone 4 重新定義了手機，MindVLA 也将重新定義自動駕駛 "。在理想汽車 2024 年第四季度及全年财報業績會上，李想表示今年計劃将 MindVLA 和首款純電 SUV 車型理想 i8 同時發布。
MindVLA，
一個司機 Agent 究竟能做什麼？
MindVLA 到底是什麼？
它是視覺 - 語言 - 行為大模型，是機器人大模型的新範式，非簡單的将端到端模型和 VLM 模型結合在一起。它所有的模塊都是全新設計的，将空間智能、語言智能和行為智能統一在了同一個模型裡。
具體來看，3D 空間編碼器通過語言模型，和邏輯推理結合在一起後，給出合理的駕駛決策，并輸出一組 Action Token（動作詞元），Action Token 指的是對周圍環境和自車駕駛行為的編碼，并通過 Difusion ( 擴散模型 ) 進一步優化出最佳的駕駛軌迹，整個推理過程都要發生在車端，并且要做到實時運行。
理想汽車在 VLA 上的率先布局，源于其對自動駕駛以及大模型前沿技術的敏銳洞察，也源于更早、更堅定的 AI 戰略。
" 我們認為，基座模型到一定時刻，一定會變成 VLA。" 此前，李想如此表示。在他看來，語言模型也要看三維世界，也要通過語言、認知理解三維世界，同時自動駕駛走向 L4，也要有極強的認知能力。
這意味着，未來在 MindVLA 模型加持下的理想汽車，能更好地感知、思考和适應環境，成為一個能聽懂用戶說話、看懂用戶需求、幫用戶解決問題的 " 專職司機 "。具體來說：
一來，用戶可以通過語音指令來改變車輛的路線和行為。
比如你正在陌生園區尋找超市，這時你只需要通過理想同學對車輛說 " 帶我去超市 "，車輛将在沒有導航信息的情況下，自主漫遊找到目的地；車輛在行駛的過程中，你還可以跟理想同學說 " 開太快了 "" 應該走左邊這條路 "，MindVLA 都能理解并執行這些指令。
二來，基于強大的通識能力，MindVLA 能更好地識别周圍環境。
比如 MindVLA 能認識星巴克、肯德基等不同的商店招牌，當你在陌生地點找不到車輛時，可以拍一張附近環境的照片發送給車輛，擁有 MindVLA 賦能的車輛能夠搜尋照片中的位置，并自動找到你。
第三，基于空間理解和邏輯推理能力，搭載了 MindVLA 的車輛，" 找得到 " 的能力也提升了。
搭載 MindVLA 的車型可以自主地在地庫、園區和公共道路上漫遊。典型的場景是 " 找車位 "。比如用戶在商場地庫找不到車位時，用戶只需要對着車輛說 " 去找個車位停好 "，車輛無需依賴地圖或導航信息，并實現自主尋找合适的車位停下。
總結來看，在有了 MindVLA 賦能後，每一輛車其實都不再是單純的駕駛工具了，而是真正成了能與用戶溝通、理解用戶意圖的智能體。
MindVLA 賦能的車輛，
為何能成為 " 專職司機 "？
MindVLA 能成為一名聽得懂、看得見、找得到的專職司機，強大的功能背後在于 MindVLA 六大關鍵技術賦能。
MindVLA 打破了自動駕駛技術框架設計的傳統模式，使用了能夠承載豐富語義，且具備出色多粒度、多尺度 3D 幾何表達能力的 3D 高斯這一中間表征，能幫系統更高效地感知、理解周圍環境，同時充分利用海量數據進行自監督訓練，進而極大提升了下遊任務性能。
理想從 0 開始設計和訓練了适合 MindVLA 的 LLM 基座模型，采用 MoE 混合專家架構，引入 Sparse Attention（稀疏注意力），實現模型稀疏化，保證模型規模增長的同時，不降低端側的推理效率。
基座模型訓練過程中，理想加入大量 3D 數據，使模型具備 3D 空間理解和推理能力。為了進一步激發模型的空間智能，理想加入了未來幀的預測生成和稠密深度的預測等訓練任務。
LLM 基座模型獲得 3D 空間智能的同時，還需要進一步提升邏輯推理能力。理想訓練 LLM 基座模型學習人類的思考過程，讓快慢思考有機結合到同一模型中，并可以實現自主切換快思考和慢思考。
為了把 NVIDIA Drive AGX 的性能發揮到極致，MindVLA 采取小詞表結合投機推理，以及創新性地應用并行解碼技術，進一步提升了實時推理的速度。至此，MindVLA 實現了模型參數規模與實時推理性能之間的平衡。
MindVLA 利用 Diffusion 将 Action Token 解碼成優化的軌迹，并通過自車行為生成和他車軌迹預測的聯合建模，提升在復雜交通環境中的博弈能力。同時 Diffusion 可以根據外部條件，例如風格指令，動态調整生成結果。為了解決 Diffusion 模型效率低的問題，MindVLA 采用 Ordinary Differential Equation（常微分方程）采樣器，實現了 2-3 步就能完成高質量軌迹的生成。
面對部分長尾場景，理想建立起人類偏好數據集，并且創新性地應用 RLHF（基于人類反饋的強化學習）微調模型的采樣過程，最終使 MindVLA 能夠學習和對齊人類駕駛行為，顯著提升安全下限。
與此同時，基于理想自研的重建 + 生成雲端統一世界模型，MindVLA 深度融合了模型的三維場景還原能力與生成模型的新視角補全，以及未見視角的預測能力，構建了接近真實的仿真環境。
源于理想在世界模型上的技術積累與充足計算資源的支撐，MindVLA 也實現了基于仿真環境的大規模強化學習，即真正意義上的從 " 錯誤中學習 "。
我們了解到，過去一年裡，理想自動駕駛團隊完成了世界模型大量的工程優化，顯著提升了場景重建與生成的質量和效率，其中一項工作，是将 3D GS 的訓練速度提升了 7 倍以上。
理想通過創新性的預訓練和後訓練方法，讓 MindVLA 的泛化能力和湧現特性，都更明顯了。其不僅在駕駛場景下表現優異，在室内環境也展示出了一定的适應性和延展性。
自動駕駛，将被 MindVLA 重新定義？
從 OpenAI 到 DeepSeek，大模型推理能力不斷更新與進化下，VLA 将成為車企探索智駕能力上限的新出口。
" 端到端 +VLM 可以解決 L3，比如實現 500 公裡到 1000 公裡一次接管，讓你在車上相對輕松。但僅靠端到端實現不了 L4。" 李想如此說道。
他還提到，自動駕駛實現 L4，必須使用 VLA。
李想的這一判斷，正加速成為車企共識—— 2025 年以來，VLA 所呈現出來的強大感知、思考和适應環境的能力，正重新定義自動駕駛，也将成為車企競逐自動駕駛的新錨點。
"VLA 模型極有可能在未來兩年内改寫智能駕駛市場的競争格局。" 最近，中國自動駕駛產業創新聯盟調研員高超如此表示。
他提到，預計 2025 年 VLA 模型的量產落地，将推動城區 NOA 滲透率提升。
高盛發布的一則自動駕駛報告也提到，到 2030 年，VLA 模型主導的端到端方案，或将占據 L4 級自動駕駛市場 60% 的份額。
連線 Insight 也注意到，理想汽車之外，元戎啟行、小鵬、華為等玩家已經在加速布局。市場上也有聲音認為，2025 年将是 "VLA 上車元年 "。
基于上述背景讨論 MindVLA，其不僅是理想在通向 L4 級别自動駕駛路上的一次率先搶跑，也是 AI 推動自動駕駛能力持續上探的一個範本。
從最核心的用戶體驗來看，MindVLA 加持之下，傳統的駕乘關系，正加速迎來新一輪變革。過往的智駕體驗中，主駕必須監管、監督車輛行為，但當加持了 MindVLA 的車能夠真正 " 看得見 "" 聽得懂 "" 找得到 "，疊加車本身的智駕能力不斷上探，這帶來的是人與車更絲滑的互動體驗、更舒适的駕乘生活，乃至更便捷的出行方式。
圖源理想汽車官網
某種程度上，這與早些年智能手機領網域的 "iPhone 4 時刻 " 有一定相似之處——同樣是最大限度變革了人與 " 機器 " 的互動方式和互動體驗。
由此，如果說 "iPhone 4" 的推出重新定義了手機行業，那如今 MindVLA 的推出，以及後續陸續上車，實際上已經在 " 重新定義自動駕駛 "。
從更長遠視角來看，MindVLA 所呈現出來的對物理世界和數字世界結合範式的探索，也有望賦予更多行業協同發展。
( 本文頭圖來源于理想汽車官網。）
