[首發于智駕最前沿微信公眾號]現在在網上搜索理想汽車，鋪天蓋地地會出現很多車主梗的視頻，很多人看到只是圖一樂，但拋開這些段子回歸到技術本身，可以看到，2026年3月，理想汽車在英偉達GTC大會上發布了下一代自動駕駛基礎模型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架構，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，導致系統看懂了場景，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，單靠堆數據很難從根本上解決。

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MoE（混合專家）Transformer，在模型設計之初就把視覺、語言和行動統一到同一個表示空間中共同訓練和對齊，而不是像傳統方案那樣分別訓練三個模塊再拼到一起。這種原生的設計思路，使感知、思考和行為三個環節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：網絡

在這個統一框架之上，理想圍繞3D空間理解、多模態思考、統一行為生成、閉環強化學習、軟硬件協同設計等5個維度做了具體的設計，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，但本質上是把三維世界拍扁了，高度信息丟失嚴重。OCC（占用網絡）能表達3D結構，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空間的幾何結構和語義信息做統一理解，其中包括空間結構、位置關系、物體類別和行為狀態等。同時，激光雷達點云的角色也發生了變化，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：網絡

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

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

系統如何預演幾秒后的場景？

智駕系統如果只是理解了當前的三維環境，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測式隱世界模型。通俗地說，它在模型內部構建了一個隱空間，先把當前場景轉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，并基于想象結果來做邏輯判斷和駕駛決策，理想把這種能力稱為多模態思考。

圖片源自：網絡

這套隱世界模型的訓練分三個階段，先用海量視頻數據預訓練隱世界詞元，構建未來的表征能力；再在MindVLA-o1中持續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、多模態推理和駕駛行為進行聯合訓練和對齊。通過這種階段式的訓練策略，模型對動態場景的預判能力將逐步建立，而不只是一步到位地擬合數據。

駕駛軌跡怎樣從一個統一框架中生成？

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化為具體的駕駛軌跡，MindVLA-o1在行為生成上做了三層設計。

圖片源自：網絡

第一層是VLA-MoE架構中的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、導航目標和駕駛指令等多維輸入中提取信息，結合前面的多模態思考結果，生成高精度駕駛軌跡。

第二層是并行解碼。傳統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測的效率，滿足實時駕駛的需求。

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

這三層設計使得駕駛行為從一個統一的框架中平滑產出，而不是靠人工規則來修補。

芯片和底盤，讓模型跑起來的硬件基礎

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行機構這兩個方面的硬件支撐。

理想在2026年5月正式發布了自研的馬赫M100芯片，這是一款車規級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GPU的架構，即動態數據流架構。傳統GPU基于馮·諾依曼架構，計算和數據搬運是分離的，AI推理時大量功耗和延遲都浪費在數據搬運上。而動態數據流架構可以按數據流動路徑直接組織計算，能夠繞開這個瓶頸。

圖片源自：網絡

在運行VLA大模型時，馬赫M100的有效算力據稱是英偉達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%，車輛反應速度比人類快一倍。這組數據背后其實還涉及到軟硬件協同設計的策略，理想不是先做模型再找芯片適配，而是在研發階段就評估了近2000種模型架構配置，讓模型結構和芯片的計算、內存特性聯合優化，把原本需要數月的架構篩選壓縮到幾天內完成。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，它由線控轉向、線控機械制動和后輪轉向三套系統組成，全部通過電信號控制，替代了傳統的機械連接。對自動駕駛而言，線控底盤的電子信號傳遞遠快于機械結構，整車控制系統可以實現全鏈路毫秒級響應。這種毫秒級的控制能力，是高級別自動駕駛對車輛執行層的適配要求。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，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的多模態計算量提升了10倍，可視距離提升50%，在風險預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，基礎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，少了任何一個環節，整套系統的上限都會被拉低。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，而是構建一個能在物理世界中完整閉環的AI系統。