理想发布下一代自动驾驶架构MindVLA，助力物理智能体实现空间智能与逻辑推理突破

段落一：
3月18日，理想汽车自动驾驶技术负责人贾鹏在英伟达GTC 2025大会上发表了主题演讲《VLA：迈向自动驾驶物理智能体的关键一步》。他分享了理想汽车对下一代自动驾驶技术MindVLA的最新思考和进展。贾鹏提到：“MindVLA是一种机器人大模型，成功整合了空间智能、语言智能和行为智能。一旦实现物理世界与数字世界的结合，将为更多行业赋能。MindVLA将把汽车从单纯的运输工具转变为贴心的专职司机，具备听懂指令、识别环境和找到目标的能力。”

段落二：
基于端到端和VLM双系统架构的最佳实践，以及对前沿技术的敏锐洞察，理想提出了全新的VLA模型——MindVLA。MindVLA被认为是机器人大模型的新范式，赋予自动驾驶强大的3D空间理解能力、逻辑推理能力和行为生成能力。它不仅感知环境，还能思考和适应环境变化。所有模块经过全新设计，其中3D空间编码器通过语言模型和逻辑推理结合，输出一组Action Token（动作词元），并通过扩散模型优化驾驶轨迹。

段落三：
MindVLA采用六大关键技术，打破传统自动驾驶技术框架。首先，使用3D高斯作为中间表征，提升多粒度、多尺度3D几何表达能力，并利用海量数据进行自监督训练。其次，从零开始设计适合MindVLA的LLM基座模型，采用MoE混合专家架构和稀疏注意力机制，确保模型规模增长时不影响端侧推理效率。此外，加入未来帧预测和稠密深度预测等任务，增强模型的空间智能。

段落四：
为了进一步提升逻辑推理能力，理想训练LLM基座模型学习人类的快慢思考过程，并实现自主切换。同时，为充分发挥NVIDIA Drive AGX性能，MindVLA采用小词表结合投机推理和并行解码技术，显著提高实时推理速度。通过Diffusion模型将Action Token解码成优化轨迹，并联合建模自车行为和他车轨迹预测，提升复杂交通环境中的博弈能力。

段落五：
面对长尾场景，理想建立人类偏好数据集，并应用RLHF（基于人类反馈的强化学习）微调模型采样过程，使MindVLA能够学习和对齐人类驾驶行为，显著提升安全性。MindVLA基于自研的重建+生成云端统一世界模型，深度融合三维场景还原和新视角补全能力，构建接近真实世界的仿真环境。通过大规模闭环强化学习，实现从“错误中学习”的目标。

段落六：
过去一年，理想团队完成了大量工程优化，显著提升了场景重建与生成的质量和效率。通过创新性预训练和后训练方法，MindVLA展现出卓越的泛化能力和涌现特性，不仅在驾驶场景下表现优异，还具备一定的室内环境适应性和延展性。

段落七：
MindVLA将重塑用户体验，为用户提供听得懂、看得见、找得到的专职司机体验。用户可以通过语音指令改变车辆路线和行为，例如寻找超市或调整驾驶速度。MindVLA具备强大的通识能力，能识别商店招牌，甚至根据用户发送的照片自动找到位置。此外，车辆可以自主漫游地库、园区和公共道路，完成停车等任务，完全依赖于MindVLA的空间理解和逻辑推理能力。

段落八：
总结而言，MindVLA将汽车从单纯的驾驶工具转变为能与用户沟通、理解意图的智能体。对于汽车行业，MindVLA如同iPhone 4重新定义手机一样，将重新定义自动驾驶。对于人工智能领域，汽车作为物理人工智能的最佳载体，未来探索出物理世界与数字世界的结合范式，有望赋能多个行业的协同发展。

本文来源： 机器之心【阅读原文】