3月18日，理想汽車自動駕駛技術研發負責人賈鵬在NVIDIA GTC 2025發表主題演講，詳細分享了理想汽車自研VLA模型——MindVLA。賈鵬表示：“就像iPhone 4重新定義了手機，MindVLA也將重新定義自動駕駛”。能為智慧駕駛帶來iPhone 4時刻的重大技術，距離使用者也並不遙遠，在理想汽車2024年第四季度及全年財報業績會上，李想透露MindVLA將計劃今年和首款純電SUV車型理想i8同時釋出。

基於端到端+VLM雙系統架構的最佳實踐，及對前沿技術的敏銳洞察，理想自研VLA模型——MindVLA。VLA是機器人大模型的新正規化，其將賦予自動駕駛強大的3D空間理解能力、邏輯推理能力和行為生成能力，讓自動駕駛能夠感知、思考和適應環境。

MindVLA不是簡單地將端到端模型和VLM模型結合在一起，所有模組都是全新設計。3D空間編碼器透過語言模型，和邏輯推理結合在一起後，給出合理的駕駛決策，並輸出一組Action Token（動作詞元），Action Token指的是對周圍環境和自車駕駛行為的編碼，並透過Diffusion（擴散模型）進一步優化出最佳的駕駛軌跡，整個推理過程都要發生在車端，並且要做到即時執行。

MindVLA打破自動駕駛技術框架設計的傳統模式，使用能夠承載豐富語義，且具備出色多粒度、多尺度3D幾何表達能力的3D高斯（3D Gaussian）這一優良的中間表徵，充分利用海量資料進行自監督訓練，極大提升了下游任務效能。

理想從0開始設計和訓練了適合MindVLA的LLM基座模型，採用MoE混合專家架構，引入Sparse Attention（稀疏注意力），實現模型稀疏化，保證模型規模增長的同時，不降低端側的推理效率。基座模型訓練過程中，理想加入大量3D資料，使模型具備3D空間理解和推理能力。為了進一步激發模型的空間智慧，理想加入了未來幀的預測生成和稠密深度的預測等訓練任務。

LLM基座模型獲得3D空間智慧的同時，還需要進一步提升邏輯推理能力。理想訓練LLM基座模型學習人類的思考過程，讓快慢思考有機結合到同一模型中，並可以實現自主切換快思考和慢思考。為了把NVIDIA Drive AGX的效能發揮到極致，MindVLA採取小詞表結合投機推理，以及創新性地應用並行解碼技術，進一步提升了即時推理的速度。至此，MindVLA實現了模型引數規模與即時推理效能之間的平衡。

MindVLA利用Diffusion將Action Token解碼成最佳化的軌跡，並透過自車行為生成和他車軌跡預測的聯合建模，提升在複雜交通環境中的博弈能力。同時Diffusion可以根據外部條件，例如風格指令，動態調整生成結果。為了解決Diffusion模型效率低的問題，MindVLA採用Ordinary Differential Equation（常微分方程）取樣器，實現了2-3步就能完成高質量軌跡的生成。面對部分長尾場景，理想建立起人類偏好資料集，並且創新性地應用RLHF（基於人類反饋的強化學習）微調模型的取樣過程，最終使MindVLA能夠學習和對齊人類駕駛行為，顯著提升安全下限。

MindVLA基於自研的重建+生成雲端統一世界模型，深度融合重建模型的三維場景還原能力與生成模型的新視角補全，以及未見視角預測能力，構建接近真實世界的模擬環境。源於世界模型的技術積累與充足計算資源的支撐，MindVLA實現了基於模擬環境的大規模閉環強化學習，即真正意義上的從“錯誤中學習”。過去一年，理想自動駕駛團隊完成了世界模型大量的工程最佳化，顯著提升了場景重建與生成的質量和效率，其中一項工作是將3D GS的訓練速度提升至7倍以上。

理想透過創新性的預訓練和後訓練方法，讓MindVLA實現了卓越的泛化能力和湧現特性，其不僅在駕駛場景下表現優異，在室內環境也展示出了一定的適應性和延展性。

MindVLA將為使用者帶來全新的產品形態和產品體驗，有MindVLA賦能的汽車是聽得懂、看得見、找得到的專職司機。“聽得懂”是使用者可以透過語音指令改變車輛的路線和行為，例如使用者在陌生園區尋找超市，只需要透過理想同學對車輛說：“帶我去找超市”，車輛將在沒有導航資訊的情況下，自主漫遊找到目的地；車輛行駛過程中，使用者還可以跟理想同學說：“開太快了”“應該走左邊這條路”等，MindVLA能夠理解並執行這些指令。

 “看得見”是指MindVLA具備強大的通識能力，不僅能夠認識星巴克、肯德基等不同的商店招牌，當用戶在陌生地點找不到車輛時，可以拍一張附近環境的照片傳送給車輛，擁有MindVLA賦能的車輛能夠搜尋照片中的位置，並自動找到使用者。

“找得到”意味著車輛可以自主地在地庫、園區和公共道路上漫遊，其中典型應用場景是使用者在商場地庫找不到車位時，可以跟車輛說：“去找個車位停好”，車輛就會利用強大的空間推理能力自主尋找車位，即便遇到死衚衕，車輛也會自如地倒車，重新尋找合適的車位停下，整個過程不依賴地圖或導航資訊，完全依賴MindVLA的空間理解和邏輯推理能力。

2025年，註定成為自動駕駛元年。當車輛能自主理解“開快點、開慢點”的語音指令；在車庫漫遊找車位，並自主完成泊車；並且看得懂世間萬物時，傳統“人車關係”已被徹底重構——這既是汽車從工具進化為“空間機器人”的里程碑，也是人工智慧跨越數字與物理世界鴻溝的關鍵一躍，正如李想所言：“我們透過人工智慧將物理世界和數字世界進行融合，讓有限的空間實現無限的延伸”。在這場技術革命中，理想汽車不再定位於領跑者，而是規則制定者，當MindVLA真正駛入千家萬戶，一個由AI定義的出行方式、由資料重塑生產力的未來圖景，正加速照進現實。