2025大会上，理想汽车自动驾驶研发负责人揭开MindVLA神秘面纱

在 NVIDIA GTC 2025 大会的聚光灯下，理想汽车自动驾驶技术研发负责人贾鹏揭开了 MindVLA 的神秘面纱。这款全栈自研的视觉-语言-行为大模型，不仅是技术的突破，它更像是通向未来的钥匙。MindVLA 正在努力让自动驾驶技术迈入所谓的 "iPhone 4 时刻"，在三维空间编码、逻辑推理与扩散模型的深度融合下，重新定义人与机器的交互边界。

图片来源于网络

MindVLA 的核心技术，实际上是在对现实世界进行“双重建模”——它不仅能够精准还原三维场景的每个细节，还能预测未知视角的动态变化。换句话说，MindVLA 就像是为世界搭建了一座数字化的双向镜，它能够从多个维度对现实进行反向推演。借助自研的“重建 + 生成”云端统一世界模型，系统通过仿真环境的反复训练，使自动驾驶车辆能够在数字世界里完成高达90%的决策训练，而在真实世界中通过物理验证不断优化。

图片来源于网络

这种虚实交融的训练方式，让车辆能够快速获得类人的空间认知能力，像人类一样在复杂场景中做出反应。比如，车辆能够自动识别“前方路口左转”或“车库断头路倒车”等复杂情况，并进行三维语义解析。这种突破传统模块化架构的行为生成方式，可以让车辆在感知、思考、行动的闭环中自动生成行动指令，进而通过扩散模型优化出最佳的轨迹规划。

图片来源于网络

当系统理解了环境之后，车辆不仅能做出精准的决策，还能以惊人的速度响应。用户只需简单的一句指令：“找星巴克”，车辆便能自动规划路径、调整车速、并完成停车，速度比传统系统提高了300%。最令人惊叹的是，这种智能系统在处理复杂场景时的置信度高达98.7%。

图片来源于网络

理想汽车的 CEO 李想称 MindVLA 为“机器人大模型”，并指出它的革命性在于打破了空间、语言和行为这三大智能维度之间的界限。通过这种跨模态的互动，车辆不仅能理解环境，还能根据用户的需求进行自主导航。比如，当用户通过手机拍摄环境并发送接载指令时，系统可以自动匹配视觉特征点，无需预设路线，便能自主完成导航。

在封闭园区测试中，搭载 MindVLA 的车辆已经在98.5%的场景中实现了零接管率。这意味着，车辆不仅具备了超强的自主决策能力，还能在多变的环境中展现出极高的可靠性。

图片来源于网络

MindVLA 的云端训练集群采用了第三代英伟达 DRIVE Thor 芯片，每秒可处理1200万亿次操作，保证了系统强大的计算能力。通过持续吸纳全球100万辆车的行驶数据，系统每月都会进行三次全量模型的迭代。这种数据驱动的进化模式，使得自动驾驶系统不仅能应对“施工路段绕行”或“临时交通管制”等长尾场景，还能展现出超越常规规则的决策智慧。

更为惊人的是，内部预测显示，这一架构的成熟将使 L4 级自动驾驶的商业化落地提前18至24个月。这一变革将彻底改变我们对智能出行的认知，或许就如李想所说的，这将成为智能汽车时代的“寒武纪大爆发”。