理想MindVLA-o1让自动驾驶更像人？

这种改变意味着车子不再是单纯地执行指令，而是在理解物理世界的基础上进行思考。

传统自动驾驶系统各功能其实是分开的，感知负责看见，规划负责决策，控制负责执行。这样做的好处是结构清楚，坏处也很明显，就是各个模块之间容易割裂，在遇到复杂场景时，信息传递不够顺，系统也很难形成统一理解。

MindVLA-o1做的就是尽量把这些能力放到一个模型里，让它不只是“看见了什么”，还要“明白这意味着什么”，并进一步判断“接下来该怎么做”。

从“看见路”到“理解路”

MindVLA-o1在感知层面不是单纯把图像识别做得更细，而是把三维空间理解补起来。理想采用以视觉为核心的3D ViT Encoder，同时把激光雷达点云当作三维几何提示，帮助模型更好地理解真实空间结构。这个做法的价值在于它让模型不只是识别前方有车、有行人、有障碍物，还能更稳定地把这些目标放到具体的三维关系里去理解。

图片源自：理想汽车

这一步其实很关键，因为自动驾驶真正难的地方，从来不只是“有没有看到”，而是“有没有看懂”。同一个目标，在不同距离、不同遮挡、不同道路结构下，系统对它的判断会完全不同。把语义信息和三维空间信息合到一起，模型对场景的把握才会更完整。

理想还引入了前馈式3DGS表示，把静态环境和动态物体分开建模，再通过下一帧预测作为自监督信号，让模型同时学到深度、语义和运动变化。这样做的结果，是模型对环境的理解不再停留在单帧图像，而是带上了时间维度。

智驾最前沿以为，这部分其实是让自动驾驶从二维识别往三维场景理解迈了一大步。它解决了自动驾驶一个很现实的问题，即车在路上面对的从来不是静态图片，而是连续变化的空间。

从“判断当下”到“推演下一秒”

如果说空间理解解决的是“眼前看得清”，那多模态思考解决的就是“接下来怎么想”。理想在MindVLA-o1里引入了预测式隐世界模型，让模型能够在隐空间里模拟未来的场景变化。

它不是简单地做一个下一帧预测，而是把世界模型、多模态推理和驾驶行为联合起来训练，让模型在做决策之前，先在内部把未来的可能性推演一遍。

这一点很像人类驾驶员的真实思考方式。人类驾驶员并不会只看当前这一秒的画面，而是会顺着路况、车速、交通参与者的动作，提前判断接下来可能发生什么。

MindVLA-o1想做的，就是把这种能力放进模型里。它通过海量视频预训练隐世界词元，再持续强化世界模型推演能力，最后把这些能力和驾驶动作对齐。这样一来，模型在面对复杂场景时，不只是做当下反应，还能提前形成对未来几秒的判断。

这也是智驾最前沿认为MindVLA-o1最有价值的地方之一。很多大模型讲“会思考”，但在自动驾驶里，真正有用的思考不是抽象推理，而是对未来场景变化的预判。

车速、距离、轨迹、相对位置，这些东西都要求模型对时间有稳定理解。只有把这种能力做进了系统里，才让“想得更深”不只是口号。

从“输出动作”到“稳定开车”

自动驾驶最后要实现的一定要落到动作上，而动作生成往往最容易暴露系统短板。理想在这里做的是统一行为生成。

MindVLA-o1使用VLA-MoE架构，并加入Action Expert，从3D场景特征、导航目标和驾驶指令中提取信息，再结合前面的多模态思考，直接生成高精度驾驶轨迹。

它不是把几个模块拼起来再凑一个结果，而是尽量让“理解”和“动作”之间少一些中间损耗。

在这个方面理想还有两个很重要的设计。一个是并行解码，也就是一次性生成所有轨迹点，提升实时性。另一个是离散扩散，用多轮迭代的方式去优化轨迹，让轨迹更连续、更稳定，也更符合车辆动力学约束。

这个部分听起来不像感知和推理那么“高大上”，但它恰恰决定了车开起来稳不稳。模型能不能在复杂场景下给出平顺、可执行、可控的动作，最终还是看这一层。

智驾最前沿觉得，MindVLA-o1在动作生成上的意义不在于“更会开车”，而在于它开始像一个真正的驾驶系统，而不是一个只会给答案的模型。

自动驾驶最怕的其实不是看不见，而是看见了却做出不稳定、不连贯的动作。统一行为生成解决的，正是这个问题。

MindVLA-o1是一套会进化的系统？

MindVLA-o1不只是一个静态模型，它背后还有一整套闭环强化学习和软硬件协同设计。理想把传统逐步优化式重建，升级成前馈式场景重建，让系统能更快生成大规模、高保真的驾驶场景，再结合世界模拟器持续训练和优化。

这个思路的核心，不是靠一次训练定终局，而是让模型在仿真和真实世界之间不断循环，持续修正自己。

与此同时，理想还把模型设计和硬件约束放到一起考虑。通过Roofline模型分析计算能力和内存带宽限制，再评估近2000种架构配置，最终找出精度和推理延迟之间的平衡点。