2025年3月18日，理想汽車自動駕駛技術(shù)研發(fā)負(fù)責(zé)人賈鵬在NVIDIA GTC 2025分享了理想汽車對于下一代自動駕駛技術(shù)MindVLA的最新思考和進(jìn)展。
賈鵬表示：“MindVLA是機(jī)器人大模型，它成功整合了空間智能、語言智能和行為智能，一旦跑通物理世界和數(shù)字世界結(jié)合的范式后，將有望賦能更多行業(yè)。MindVLA將把汽車從單純的運(yùn)輸工具轉(zhuǎn)變?yōu)橘N心的專職司機(jī)，它能聽得懂、看得見、找得到。我們希望MindVLA能為汽車賦予類似人類的認(rèn)知和適應(yīng)能力，將其轉(zhuǎn)變?yōu)槟軌蛩伎嫉闹悄荏w。”
理想全棧自研MindVLA 深度融合空間、語言及行為智能
基于端到端+VLM雙系統(tǒng)架構(gòu)的最佳實(shí)踐，及對前沿技術(shù)的敏銳洞察，理想自研VLA模型——MindVLA。VLA是機(jī)器人大模型的新范式，其將賦予自動駕駛強(qiáng)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(yīng)環(huán)境。
MindVLA不是簡單地將端到端模型和VLM模型結(jié)合在一起，所有模塊都是全新設(shè)計(jì)。3D空間編碼器通過語言模型，和邏輯推理結(jié)合在一起后，給出合理的駕駛決策，并輸出一組Action Token（動作詞元），Action Token指的是對周圍環(huán)境和自車駕駛行為的編碼，并通過Diffusion（擴(kuò)散模型）進(jìn)一步優(yōu)化出最佳的駕駛軌跡，整個(gè)推理過程都要發(fā)生在車端，并且要做到實(shí)時(shí)運(yùn)行。
MindVLA六大關(guān)鍵技術(shù) 樹立全新技術(shù)范式
MindVLA打破自動駕駛技術(shù)框架設(shè)計(jì)的傳統(tǒng)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(dá)能力的3D高斯（3D Gaussian）這一優(yōu)良的中間表征，充分利用海量數(shù)據(jù)進(jìn)行自監(jiān)督訓(xùn)練，極大提升了下游任務(wù)性能。
理想從0開始設(shè)計(jì)和訓(xùn)練了適合MindVLA的LLM基座模型，采用MoE混合專家架構(gòu)，引入Sparse Attention（稀疏注意力），實(shí)現(xiàn)模型稀疏化，保證模型規(guī)模增長的同時(shí)，不降低端側(cè)的推理效率?；Ｐ陀?xùn)練過程中，理想加入大量3D數(shù)據(jù)，使模型具備3D空間理解和推理能力。為了進(jìn)一步激發(fā)模型的空間智能，理想加入了未來幀的生成和稠密深度的預(yù)測等訓(xùn)練任務(wù)。
LLM基座模型獲得3D空間智能的同時(shí)，還需要進(jìn)一步提升邏輯推理能力。理想訓(xùn)練LLM基座模型學(xué)習(xí)人類的思考過程，讓快慢思考有機(jī)結(jié)合到同一模型中，并可以實(shí)現(xiàn)自主切換快思考和慢思考。為了把NVIDIA Drive AGX的性能發(fā)揮到極致，MindVLA采取小詞表結(jié)合投機(jī)推理，以及創(chuàng)新性地應(yīng)用并行解碼技術(shù)，進(jìn)一步提升了實(shí)時(shí)推理的速度。至此，MindVLA實(shí)現(xiàn)了模型參數(shù)規(guī)模與實(shí)時(shí)推理性能之間的平衡。
MindVLA利用Diffusion將Action Token解碼成優(yōu)化的軌跡，并通過自車行為生成和他車軌跡預(yù)測的聯(lián)合建模，提升在復(fù)雜交通環(huán)境中的博弈能力。同時(shí)Diffusion可以根據(jù)外部條件，例如風(fēng)格指令，動態(tài)調(diào)整生成結(jié)果。為了解決Diffusion模型效率低的問題，MindVLA采用Ordinary Differential Equation（常微分方程）采樣器，實(shí)現(xiàn)了2-3步就能完成高質(zhì)量軌跡的生成。面對部分長尾場景，理想建立起人類偏好數(shù)據(jù)集，并且創(chuàng)新性地應(yīng)用RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)）微調(diào)模型的采樣過程，最終使MindVLA能夠?qū)W習(xí)和對齊人類駕駛行為，顯著提升安全下限。
MindVLA基于自研的重建+生成云端統(tǒng)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(bǔ)全，以及未見視角預(yù)測能力，構(gòu)建接近真實(shí)世界的仿真環(huán)境。源于世界模型的技術(shù)積累與充足計(jì)算資源的支撐，MindVLA實(shí)現(xiàn)了基于仿真環(huán)境的大規(guī)模閉環(huán)強(qiáng)化學(xué)習(xí)，即真正意義上的從“錯(cuò)誤中學(xué)習(xí)”。過去一年，理想自動駕駛團(tuán)隊(duì)完成了世界模型大量的工程優(yōu)化，顯著提升了場景重建與生成的質(zhì)量和效率，其中一項(xiàng)工作是將3D GS的訓(xùn)練速度提升至7倍以上。
理想通過創(chuàng)新性的預(yù)訓(xùn)練和后訓(xùn)練方法，讓MindVLA實(shí)現(xiàn)了卓越的泛化能力和涌現(xiàn)特性，其不僅在駕駛場景下表現(xiàn)優(yōu)異，在室內(nèi)環(huán)境也展示出了一定的適應(yīng)性和延展性。
MindVLA賦能汽車變?yōu)閷Ｂ毸緳C(jī) 重塑用戶體驗(yàn)
MindVLA將為用戶帶來全新的產(chǎn)品形態(tài)和產(chǎn)品體驗(yàn)，有MindVLA賦能的汽車是聽得懂、看得見、找得到的專職司機(jī)。“聽得懂”是用戶可以通過語音指令改變車輛的路線和行為，例如用戶在陌生園區(qū)尋找超市，只需要通過理想同學(xué)對車輛說：“帶我去找超市”，車輛將在沒有導(dǎo)航信息的情況下，自主漫游找到目的地；車輛行駛過程中，用戶還可以跟理想同學(xué)說：“開太快了”“應(yīng)該走左邊這條路”等，MindVLA能夠理解并執(zhí)行這些指令。
“看得見”是指MindVLA具備強(qiáng)大的通識能力，不僅能夠認(rèn)識星巴克、肯德基等不同的商店招牌，當(dāng)用戶在陌生地點(diǎn)找不到車輛時(shí)，可以拍一張附近環(huán)境的照片發(fā)送給車輛，擁有MindVLA賦能的車輛能夠搜尋照片中的位置，并自動找到用戶。
“找得到”意味著車輛可以自主地在地庫、園區(qū)和公共道路上漫游，其中典型應(yīng)用場景是用戶在商場地庫找不到車位時(shí)，可以跟車輛說：“去找個(gè)車位停好”，車輛就會利用強(qiáng)大的空間推理能力自主尋找車位，即便遇到死胡同，車輛也會自如地倒車，重新尋找合適的車位停下，整個(gè)過程不依賴地圖或?qū)Ш叫畔?，完全依賴MindVLA的空間理解和邏輯推理能力。
總結(jié)來說，對于用戶而言，有MindVLA賦能的車不再只是一個(gè)駕駛工具，而是一個(gè)能與用戶溝通、理解用戶意圖的智能體；對于汽車行業(yè)而言，像iPhone 4重新定義了手機(jī)，MindVLA也將重新定義自動駕駛；對于人工智能領(lǐng)域而言，汽車作為物理人工智能的最佳載體，未來探索出物理世界和數(shù)字世界結(jié)合的范式，將有望賦能多個(gè)行業(yè)協(xié)同發(fā)展。