文：懂車帝原創(chuàng) 常思玥

[懂車帝原創(chuàng) 行業(yè)] 3月18日，理想汽車自動駕駛技術(shù)研發(fā)負(fù)責(zé)人賈鵬在NVIDIA GTC 2025發(fā)表主題演講，同時(shí)發(fā)布了理想的下一代自動駕駛架構(gòu)MindVLA，該架構(gòu)由理想全棧自研。

根據(jù)理想汽車的表述，從應(yīng)用層面來看，該架構(gòu)能夠?qū)⑵囐x能為聽得懂、看得見、找得到的專職司機(jī)，理想汽車認(rèn)為，對于汽車行業(yè)而言，像iPhone 4重新定義了手機(jī)，MindVLA也將重新定義自動駕駛。

據(jù)介紹，MindVLA不是簡單地將端到端模型和VLM模型結(jié)合在一起，所有模塊都是全新設(shè)計(jì)。3D空間編碼器通過語言模型，和邏輯推理結(jié)合在一起后，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(huán)境和自車駕駛行為的編碼，并通過Diffusion（擴(kuò)散模型）進(jìn)一步優(yōu)化出最佳的駕駛軌跡，整個(gè)推理過程都要發(fā)生在車端，并且要做到實(shí)時(shí)運(yùn)行。

MindVLA基于自研的重建+生成云端統(tǒng)一世界模型，深度融合重建模型的三維場景還原能力與生成模型的新視角補(bǔ)全，以及未見視角預(yù)測能力，構(gòu)建接近真實(shí)世界的仿真環(huán)境。

據(jù)介紹，過去一年，理想自動駕駛團(tuán)隊(duì)完成了世界模型大量的工程優(yōu)化，顯著提升了場景重建與生成的質(zhì)量和效率，其中一項(xiàng)工作是將3D GS的訓(xùn)練速度提升至7倍以上。

據(jù)介紹，“聽得懂”是用戶可以通過語音指令改變車輛的路線和行為，例如用戶在陌生園區(qū)尋找超市，只需要通過理想同學(xué)對車輛說：“帶我去找超市”，車輛將在沒有導(dǎo)航信息的情況下，自主漫游找到目的地。

“看得見”是指MindVLA具備強(qiáng)大的通識能力，不僅能夠認(rèn)識星巴克、肯德基等不同的商店招牌，當(dāng)用戶在陌生地點(diǎn)找不到車輛時(shí)，可以拍一張附近環(huán)境的照片發(fā)送給車輛，擁有MindVLA賦能的車輛能夠搜尋照片中的位置，并自動找到用戶。

“找得到”意味著車輛可以自主地在地庫、園區(qū)和公共道路上漫游，其中典型應(yīng)用場景是用戶在商場地庫找不到車位時(shí)，可以跟車輛說：“去找個(gè)車位停好”，車輛就會自主尋找車位，即便遇到死胡同，車輛也會自如地倒車，重新尋找合適的車位停下，整個(gè)過程不依賴地圖或?qū)Ш叫畔?，完全依賴MindVLA的空間理解和邏輯推理能力。