2026年3月17日，理想汽车基座模型负责人詹锟出席NVIDIA GTC 2026，发表主题演讲《MindVLA-o1：开启全能范式——下一代统一视觉-语言-动作自动驾驶大模型探索》，发布了理想汽车的下一代自动驾驶基础模型MindVLA-o1。这也标志着其自动驾驶技术从“端到端”向“具身智能”的重大跨越。简单来说，理想正在为车打造一个像人一样能看、能思考、能行动的“数字大脑”。这是将车转向具身智能的重要的一步，自己做大模型就是升级迭代快。

该模型的核心突破可以概括为以下五个维度：

●看得更准（3D空间理解）： 以前的系统更多是在处理平面图像，而 MindVLA-o1 结合了摄像头和激光雷达，通过 3D 编码器让车能够像人类一样感知物体的深浅、距离和运动状态，真正理解三维物理空间。

●想得更深（多模态思考）： 它是首个能“脑补”未来的模型。通过隐世界模型，它不仅看现在，还能在隐形空间里提前“预演”未来几秒可能发生的场景，从而做出更有预见性的决策。

●行得更稳（统一行为生成）： 系统采用 VLA-MoE 架构，专门配备了“动作专家”。它能同时生成所有行驶轨迹点，并通过类似“去噪”的优化过程，确保车开得既丝滑又符合物理规律。

●进化更快（闭环强化学习）： 理想构建了一个强大的世界模拟器。模型不仅在马路上学，还能在虚拟世界里进行大规模、高效率的自我练习和策略优化，大大降低了训练成本。

●部署更高效（软硬件协同）： 通过研究模型精度与硬件延迟的平衡，理想将架构设计的时间从几个月缩短到几天，让复杂的大模型能更流畅地跑在车端芯片上。

这套框架本质上是将车视作一个“大号机器人”。它不再仅仅是听从规则的工具，而是正在进化成一个能够感知、理解并在复杂物理世界中自主行动的通用智能体。

你想了解这个模型在实际驾驶场景（如城区拥堵或高速避障）中具体是如何表现的吗？挺期待的～理想L9 Livis