2025年3月18日，理想汽車自動駕駛技術研發(fā)負責人賈鵬在NVIDIA GTC 2025發(fā)表主題演講《VLA：邁向自動駕駛物理智能體的關鍵一步》，分享了理想汽車對于下一代自動駕駛技術MindVLA的最新思考和進展。

賈鵬表示：“MindVLA是機器人大模型，它成功整合了空間智能、語言智能和行為智能，一旦跑通物理世界和數(shù)字世界結合的范式后，將有望賦能更多行業(yè)。MindVLA將把汽車從單純的運輸工具轉變?yōu)橘N心的專職司機，它能聽得懂、看得見、找得到。我們希望MindVLA能為汽車賦予類似人類的認知和適應能力，將其轉變?yōu)槟軌蛩伎嫉闹悄荏w。”

理想全棧自研MindVLA 深度融合空間、語言及行為智能

基于端到端+VLM雙系統(tǒng)架構的最佳實踐，及對前沿技術的敏銳洞察，理想自研VLA模型——MindVLA。VLA是機器人大模型的新范式，其將賦予自動駕駛強大的3D空間理解能力、邏輯推理能力和行為生成能力，讓自動駕駛能夠感知、思考和適應環(huán)境。

MindVLA不是簡單地將端到端模型和VLM模型結合在一起，所有模塊都是全新設計。3D空間編碼器通過語言模型，和邏輯推理結合在一起后，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（擴散模型）進一步優(yōu)化出最佳的駕駛軌跡，整個推理過程都要發(fā)生在車端，并且要做到實時運行。

MindVLA六大關鍵技術 樹立全新技術范式

MindVLA打破自動駕駛技術框架設計的傳統(tǒng)模式，使用能夠承載豐富語義，且具備出色多粒度、多尺度3D幾何表達能力的3D高斯（3D Gaussian）這一優(yōu)良的中間表征，充分利用海量數(shù)據(jù)進行自監(jiān)督訓練，極大提升了下游任務性能。

理想從0開始設計和訓練了適合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(xiàn)模型稀疏化，保證模型規(guī)模增長的同時，不降低端側的推理效率?；Ｐ陀柧氝^程中，理想加入大量3D數(shù)據(jù)，使模型具備3D空間理解和推理能力。為了進一步激發(fā)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(xiàn)自主切換快思考和慢思考。為了把NVIDIA Drive AGX的性能發(fā)揮到極致，MindVLA采取小詞表結合投機推理，以及創(chuàng)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(xiàn)了模型參數(shù)規(guī)模與實時推理性能之間的平衡。

MindVLA利用Diffusion將Action Token解碼成優(yōu)化的軌跡，并通過自車行為生成和他車軌跡預測的聯(lián)合建模，提升在復雜交通環(huán)境中的博弈能力。同時Diffusion可以根據(jù)外部條件，例如風格指令，動態(tài)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(xiàn)了2-3步就能完成高質量軌跡的生成。面對部分長尾場景，理想建立起人類偏好數(shù)據(jù)集，并且創(chuàng)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。

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全，以及未見視角預測能力，構建接近真實世界的仿真環(huán)境。源于世界模型的技術積累與充足計算資源的支撐，MindVLA實現(xiàn)了基于仿真環(huán)境的大規(guī)模閉環(huán)強化學習，即真正意義上的從“錯誤中學習”。過去一年，理想自動駕駛團隊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量和效率，其中一項工作是將3D GS的訓練速度提升至7倍以上。

理想通過創(chuàng)新性的預訓練和后訓練方法，讓MindVLA實現(xiàn)了卓越的泛化能力和涌現(xiàn)特性，其不僅在駕駛場景下表現(xiàn)優(yōu)異，在室內環(huán)境也展示出了一定的適應性和延展性。

MindVLA賦能汽車變?yōu)閷Ｂ毸緳C 重塑用戶體驗

MindVLA將為用戶帶來全新的產(chǎn)品形態(tài)和產(chǎn)品體驗，有MindVLA賦能的汽車是聽得懂、看得見、找得到的專職司機?！奥牭枚笔怯脩艨梢酝ㄟ^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對車輛說：“帶我去找超市”，車輛將在沒有導航信息的情況下，自主漫游找到目的地；車輛行駛過程中，用戶還可以跟理想同學說：“開太快了”“應該走左邊這條路”等，MindVLA能夠理解并執(zhí)行這些指令。

 “看得見”是指MindVLA具備強大的通識能力，不僅能夠認識星巴克、肯德基等不同的商店招牌，當用戶在陌生地點找不到車輛時，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，其中典型應用場景是用戶在商場地庫找不到車位時，可以跟車輛說：“去找個車位停好”，車輛就會利用強大的空間推理能力自主尋找車位，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，整個過程不依賴地圖或導航信息，完全依賴MindVLA的空間理解和邏輯推理能力。

總結來說，對于用戶而言，有MindVLA賦能的車不再只是一個駕駛工具，而是一個能與用戶溝通、理解用戶意圖的智能體；對于汽車行業(yè)而言，像iPhone 4重新定義了手機，MindVLA也將重新定義自動駕駛；對于人工智能領域而言，汽車作為物理人工智能的最佳載體，未來探索出物理世界和數(shù)字世界結合的范式，將有望賦能多個行業(yè)協(xié)同發(fā)展。