[首發(fā)于智駕最前沿微信公眾號]現(xiàn)在在網(wǎng)上搜索理想汽車，鋪天蓋地地會出現(xiàn)很多車主梗的視頻，很多人看到只是圖一樂，但拋開這些段子回歸到技術(shù)本身，可以看到，2026年3月，理想汽車在英偉達GTC大會上發(fā)布了下一代自動駕駛基礎(chǔ)模型MindVLA-o1；不久后，全新旗艦車型L9 Livis亮相，帶來了自研的馬赫M100芯片、馬赫VLA 2.1系統(tǒng)以及全線控底盤。那理想的智駕到底怎么樣？

MindVLA-o1為什么不是傳統(tǒng)VLA？

想理解MindVLA-o1，需要先知道它能解決什么問題，2024年理想做了端到端加視覺語言模型的雙系統(tǒng)架構(gòu)，2025年又推出了將空間理解、語言理解和動作決策合在一起的VLA司機大模型。但行業(yè)里的VLA方案有三個共同的痛點，一是3D空間理解與語義推理之間的對齊效率不理想，導(dǎo)致系統(tǒng)看懂了場景，但做出的駕駛動作卻不對；二是視覺、語言、動作之間的傳遞鏈路太長，決策延遲明顯；三是長尾場景的覆蓋不夠，單靠堆數(shù)據(jù)很難從根本上解決。

MindVLA-o1則針對這些問題提出了一個新的解法，它的核心是一個原生多模態(tài)MoE（混合專家）Transformer，在模型設(shè)計之初就把視覺、語言和行動統(tǒng)一到同一個表示空間中共同訓(xùn)練和對齊，而不是像傳統(tǒng)方案那樣分別訓(xùn)練三個模塊再拼到一起。這種原生的設(shè)計思路，使感知、思考和行為三個環(huán)節(jié)之間的信息傳遞效率更高，也減少了后期對齊造成的誤差。

圖片源自：網(wǎng)絡(luò)

在這個統(tǒng)一框架之上，理想圍繞3D空間理解、多模態(tài)思考、統(tǒng)一行為生成、閉環(huán)強化學習、軟硬件協(xié)同設(shè)計等5個維度做了具體的設(shè)計，下面帶大家逐一拆解下。

讓模型住進三維世界，意味著什么？

過去自動駕駛的視覺模型多以2D圖像為處理單元，BEV（鳥瞰視角）雖然能將多個攝像頭的畫面拼接成一張俯視圖，但本質(zhì)上是把三維世界拍扁了，高度信息丟失嚴重。OCC（占用網(wǎng)絡(luò)）能表達3D結(jié)構(gòu)，卻缺少語義信息，其可以知道那里有個東西，但不清楚到底是一輛車、一棵樹還是一堵墻。

MindVLA-o1的做法是用一個原生3D ViT（視覺Transformer）編碼器替代傳統(tǒng)2D方案，這個編碼器以高分辨率多視角視覺為核心，在編碼階段就直接對3D空間的幾何結(jié)構(gòu)和語義信息做統(tǒng)一理解，其中包括空間結(jié)構(gòu)、位置關(guān)系、物體類別和行為狀態(tài)等。同時，激光雷達點云的角色也發(fā)生了變化，它不再是獨立的感知主力，而是作為三維幾何參照，用來校準模型對物理空間的感知精度。

圖片源自：網(wǎng)絡(luò)

這套方案還引入了前饋式3DGS表示，將場景拆分為靜態(tài)環(huán)境和動態(tài)物體分別建模，用預(yù)測下一幀-作為自監(jiān)督信號，讓模型同時學習深度、語義和物體運動，整個模型可以穩(wěn)定感知并推理到500米以上的空間范圍。

引入3D ViT之后，導(dǎo)航目標從2D地圖坐標變成了3D空間里的鳥瞰點，與模型的感知結(jié)果在同一個三維空間中交互。這讓系統(tǒng)在窄路通行、三點式掉頭這類需要精細空間理解的場景中表現(xiàn)更好，也從根本上解決了傳統(tǒng)方案2D感知向3D控制映射時信息丟失的問題。

系統(tǒng)如何預(yù)演幾秒后的場景？

智駕系統(tǒng)如果只是理解了當前的三維環(huán)境，是遠遠不夠的，自動駕駛真正困難的地方在于判斷接下來會發(fā)生什么（旁邊車的并線意圖、前方行人的動作傾向、綠燈還剩幾秒夠不夠通過），這些都需要對未來做推演。

MindVLA-o1在這一點上引入了預(yù)測式隱世界模型。通俗地說，它在模型內(nèi)部構(gòu)建了一個隱空間，先把當前場景轉(zhuǎn)化為隱空間中的表達，然后在這個空間中直接推演未來幾秒的場景演化。因為不需要生成真實的像素畫面，而是在隱空間中完成推演，所以計算效率比直接生成未來圖像高得多。模型可以在隱空間中提前想象未來畫面，并基于想象結(jié)果來做邏輯判斷和駕駛決策，理想把這種能力稱為多模態(tài)思考。

圖片源自：網(wǎng)絡(luò)

這套隱世界模型的訓(xùn)練分三個階段，先用海量視頻數(shù)據(jù)預(yù)訓(xùn)練隱世界詞元，構(gòu)建未來的表征能力；再在MindVLA-o1中持續(xù)進行世界模型的推演，形成隱空間的未來推理能力；最后將世界模型、多模態(tài)推理和駕駛行為進行聯(lián)合訓(xùn)練和對齊。通過這種階段式的訓(xùn)練策略，模型對動態(tài)場景的預(yù)判能力將逐步建立，而不只是一步到位地擬合數(shù)據(jù)。

駕駛軌跡怎樣從一個統(tǒng)一框架中生成？

當模型完成了空間理解和未來推演之后，下一步就是把決策轉(zhuǎn)化為具體的駕駛軌跡，MindVLA-o1在行為生成上做了三層設(shè)計。

圖片源自：網(wǎng)絡(luò)

第一層是VLA-MoE架構(gòu)中的Action Expert，即動作專家。它是一個專門負責軌跡生成的專家模塊，從3D場景特征、導(dǎo)航目標和駕駛指令等多維輸入中提取信息，結(jié)合前面的多模態(tài)思考結(jié)果，生成高精度駕駛軌跡。

第二層是并行解碼。傳統(tǒng)方案逐幀生成軌跡點，延遲較高，MindVLA-o1采用一次并行生成所有軌跡點的方式，大幅提升了長序列軌跡預(yù)測的效率，滿足實時駕駛的需求。

第三層是軌跡優(yōu)化。生成原始軌跡后，系統(tǒng)引入離散擴散機制進行多輪迭代優(yōu)化，類似去噪過程，確保最終的軌跡在空間上連續(xù)、在時間上穩(wěn)定，并且符合車輛的動力學約束（不能出現(xiàn)車輛實際無法執(zhí)行的急轉(zhuǎn)或急剎）。

這三層設(shè)計使得駕駛行為從一個統(tǒng)一的框架中平滑產(chǎn)出，而不是靠人工規(guī)則來修補。

芯片和底盤，讓模型跑起來的硬件基礎(chǔ)

模型再先進，最終還是要部署到車上，這里涉及計算芯片和執(zhí)行機構(gòu)這兩個方面的硬件支撐。

理想在2026年5月正式發(fā)布了自研的馬赫M100芯片，這是一款車規(guī)級AI推理芯片，采用5nm工藝，單顆算力1280 TOPS。它采用了一種不同于傳統(tǒng)GPU的架構(gòu)，即動態(tài)數(shù)據(jù)流架構(gòu)。傳統(tǒng)GPU基于馮·諾依曼架構(gòu)，計算和數(shù)據(jù)搬運是分離的，AI推理時大量功耗和延遲都浪費在數(shù)據(jù)搬運上。而動態(tài)數(shù)據(jù)流架構(gòu)可以按數(shù)據(jù)流動路徑直接組織計算，能夠繞開這個瓶頸。

圖片源自：網(wǎng)絡(luò)

在運行VLA大模型時，馬赫M100的有效算力據(jù)稱是英偉達Thor-U的3倍，同功耗下推理延遲降低35%，能耗減少40%，端到端延遲整體下降40%，車輛反應(yīng)速度比人類快一倍。這組數(shù)據(jù)背后其實還涉及到軟硬件協(xié)同設(shè)計的策略，理想不是先做模型再找芯片適配，而是在研發(fā)階段就評估了近2000種模型架構(gòu)配置，讓模型結(jié)構(gòu)和芯片的計算、內(nèi)存特性聯(lián)合優(yōu)化，把原本需要數(shù)月的架構(gòu)篩選壓縮到幾天內(nèi)完成。L9 Livis就搭載了兩顆馬赫M100，總算力可以達到2560 TOPS。

硬件層的另一個重要部分是全線控底盤，它由線控轉(zhuǎn)向、線控機械制動和后輪轉(zhuǎn)向三套系統(tǒng)組成，全部通過電信號控制，替代了傳統(tǒng)的機械連接。對自動駕駛而言，線控底盤的電子信號傳遞遠快于機械結(jié)構(gòu)，整車控制系統(tǒng)可以實現(xiàn)全鏈路毫秒級響應(yīng)。這種毫秒級的控制能力，是高級別自動駕駛對車輛執(zhí)行層的適配要求。理想也曾明確表示，線控底盤是面向L3和L4自動駕駛做的提前布局，如果沒有比人類駕駛員快50%以上的響應(yīng)速度，高級別自動駕駛的安全接管就無從談起。

配合L9 Livis，理想一同推出的還有馬赫VLA 2.1系統(tǒng)，它是MindVLA-o1模型的車端落地版本。在雙馬赫M100芯片和3D ViT感知模型的加持下，馬赫VLA 2.1的多模態(tài)計算量提升了10倍，可視距離提升50%，在風險預(yù)判和意圖理解方面有顯著增強。

最后的話

從MindVLA-o1到馬赫M100芯片，再到線控底盤和馬赫VLA 2.1，理想搭建的是一套縱向打通的系統(tǒng)，基礎(chǔ)模型負責理解世界和做決策，自研芯片負責讓大模型在車上高效運行，線控底盤負責把數(shù)字決策快速、精準地變成物理動作。三者缺一不可，少了任何一個環(huán)節(jié)，整套系統(tǒng)的上限都會被拉低。這也解釋了理想為什么要在模型、芯片和底盤三條線上同時投入，它的目標不是只做一套輔助駕駛功能，而是構(gòu)建一個能在物理世界中完整閉環(huán)的AI系統(tǒng)。