加利福尼亚州圣何塞 – 在英伟达GTC 2025大会上，中国造车新势力理想汽车发布了其下一代自动驾驶架构MindVLA，引发业界广泛关注。理想汽车自动驾驶技术研发负责人贾鹏在主题演讲中表示，MindVLA将“重新定义自动驾驶”，并将其比作“重新定义手机”的iPhone 4，预示着自动驾驶技术发展的新纪元。
MindVLA并非简单的技术升级，而是理想汽车对未来自动驾驶的深刻理解和前瞻布局。贾鹏强调，MindVLA是一个“机器人大模型”，它整合了空间智能、语言智能和行为智能，旨在将汽车从单纯的运输工具转变为能够“听得懂、看得见、找得到”的贴心专职司机，赋予车辆类似人类的认知和适应能力。
全栈自研：融合空间、语言与行为智能
理想汽车认为，MindVLA是机器人大模型的新范式，它赋予自动驾驶强大的3D空间理解能力、逻辑推理能力和行为生成能力，使车辆能够感知、思考和适应复杂多变的环境。与简单地将端到端模型和VLM模型结合不同，MindVLA的各个模块都经过了全新设计。
其中，3D空间编码器通过语言模型与逻辑推理相结合，给出合理的驾驶决策，并输出一组Action Token（动作词元）。这些Action Token是对周围环境和自车驾驶行为的编码，并通过Diffusion（扩散模型）进一步优化出最佳的驾驶轨迹。整个推理过程均在车端实时运行，对算力提出了极高的要求。
MindVLA的六大关键技术
为了实现上述目标，MindVLA采用了多项关键技术：
- 3D高斯（3D Gaussian）中间表征：打破传统自动驾驶技术框架设计模式，利用3D高斯承载丰富语义，具备出色的多粒度、多尺度3D几何表达能力，并通过海量数据进行自监督训练，提升下游任务性能。
- LLM基座模型：理想汽车从零开始设计和训练了适合MindVLA的LLM基座模型，采用MoE混合专家架构，引入Sparse Attention（稀疏注意力），实现模型稀疏化，保证模型规模增长的同时，不降低端侧的推理效率。
- 3D空间智能：在基座模型训练过程中，理想汽车加入大量3D数据，使模型具备3D空间理解和推理能力，并通过未来帧的预测生成和稠密深度的预测等训练任务，进一步激发模型的空间智能。
- 逻辑推理能力：训练LLM基座模型学习人类的思考过程，让快慢思考有机结合到同一模型中，并可以实现自主切换快思考和慢思考。
- 实时推理速度：为了把NVIDIA Drive AGX的性能发挥到极致，MindVLA采取小词表结合投机推理，以及创新性地应用并行解码技术，进一步提升了实时推理的速度，实现了模型参数规模与实时推理性能之间的平衡。
- Diffusion模型优化：MindVLA利用Diffusion将Action Token解码成优化的轨迹，并通过自车行为生成和他车轨迹预测的联合建模，提升在复杂交通环境中的博弈能力。同时，采用Ordinary Differential Equation（常微分方程）采样器，实现了2-3步就能完成高质量轨迹的生成。
解决长尾场景：RLHF微调
面对部分长尾场景，理想汽车建立起人类偏好数据集，并且创新性地应用RLHF（基于人类反馈的强化学习）微调模型的采样过程，最终使MindVLA能够学习和对齐人类驾驶行为，显著提升安全下限。
世界模型：从“错误中学习”
MindVLA基于自研的重建+生成云端统一世界模型，深度融合重建模型的三维场景还原能力与生成模型的新视角补全，以及未见视角预测能力，构建接近真实世界的仿真环境。通过基于仿真环境的大规模闭环强化学习，MindVLA实现了真正意义上的从“错误中学习”。
赋能汽车：重塑用户体验
MindVLA将为用户带来全新的产品形态和产品体验。例如，用户可以通过语音指令改变车辆的路线和行为，车辆可以在没有导航信息的情况下自主漫游找到目的地，甚至可以理解用户“开太快了”、“应该走左边这条路”等指令。此外，MindVLA还具备强大的通识能力，能够识别商店招牌，并根据用户提供的照片找到车辆位置。
未来展望
理想汽车MindVLA的发布，不仅展示了其在自动驾驶领域的强大技术实力，也预示着自动驾驶技术发展的新方向。通过深度融合空间、语言和行为智能，MindVLA有望将汽车转变为真正的“物理智能体”，为用户带来更加安全、便捷和智能的出行体验。然而，MindVLA的实际表现以及大规模应用仍面临诸多挑战，包括算力、数据安全、伦理道德等问题，需要整个行业共同努力解决。
参考文献
- 理想汽车官方新闻稿
- 机器之心相关报道
作者： [你的名字]，资深新闻记者和编辑
Views: 0