GTC大会上，理想发布下一代自动驾驶架构MindVLA

3 月 18 日，理想汽车自动驾驶技术研发负责人贾鹏在英伟达 GTC 2025 大会上发表主题演讲《VLA：迈向自动驾驶物理智能体的关键一步》，分享了理想对于下一代自动驾驶技术 MindVLA 的最新思考和进展。

贾鹏表示：「MindVLA 是机器人大模型，它成功整合了空间智能、语言智能和行为智能，一旦跑通物理世界和数字世界结合的范式后，将有望赋能更多行业。MindVLA 将把汽车从单纯的运输工具转变为贴心的专职司机，它能听得懂、看得见、找得到。我们希望 MindVLA 能为汽车赋予类似人类的认知和适应能力，将其转变为能够思考的智能体。」

全栈自研：深度融合空间、语言及行为智能

基于端到端 + VLM 双系统架构的最佳实践，及对前沿技术的敏锐洞察，理想提出了新的 VLA 模型——MindVLA。理想认为，VLA 是机器人大模型的新范式，其将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，让自动驾驶能够感知、思考和适应环境。

MindVLA 不是简单地将端到端模型和 VLM 模型结合在一起，所有模块都经过了全新设计。其中，3D 空间编码器通过语言模型，和逻辑推理结合在一起后，给出合理的驾驶决策，并输出一组 Action Token（动作词元），Action Token 指的是对周围环境和自车驾驶行为的编码，并通过 Diffusion（扩散模型）进一步优化出最佳的驾驶轨迹，整个推理过程都要发生在车端，并且要做到实时运行。

MindVLA 的六大关键技术

MindVLA 打破了自动驾驶技术框架设计的传统模式，使用能够承载丰富语义，且具备出色多粒度、多尺度 3D 几何表达能力的 3D 高斯（3D Gaussian）这一优良的中间表征，充分利用海量数据进行自监督训练，极大提升了下游任务性能。

理想从零开始设计和训练了适合 MindVLA 的 LLM 基座模型，采用 MoE 混合专家架构，引入 Sparse Attention（稀疏注意力），实现模型稀疏化，保证模型规模增长的同时，不降低端侧的推理效率。在基座模型训练过程中，理想加入大量 3D 数据，使模型具备 3D 空间理解和推理能力。为了进一步激发模型的空间智能，理想加入了未来帧的预测生成和稠密深度的预测等训练任务。

LLM 基座模型获得 3D 空间智能的同时，还需要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思考过程，让快慢思考有机结合到同一模型中，并可以实现自主切换快思考和慢思考。为了把 NVIDIA Drive AGX 的性能发挥到极致，MindVLA 采取小词表结合投机推理，以及创新性地应用并行解码技术，进一步提升了实时推理的速度。至此，MindVLA 实现了模型参数规模与实时推理性能之间的平衡。

MindVLA 利用 Diffusion 将 Action Token 解码成优化的轨迹，并通过自车行为生成和他车轨迹预测的联合建模，提升在复杂交通环境中的博弈能力。同时 Diffusion 可以根据外部条件，例如风格指令，动态调整生成结果。为了解决 Diffusion 模型效率低的问题，MindVLA 采用 Ordinary Differential Equation（常微分方程）采样器，实现了 2-3 步就能完成高质量轨迹的生成。

面对部分长尾场景，理想建立起人类偏好数据集，并且创新性地应用 RLHF（基于人类反馈的强化学习）微调模型的采样过程，最终使 MindVLA 能够学习和对齐人类驾驶行为，显著提升安全下限。

MindVLA 基于自研的重建 + 生成云端统一世界模型，深度融合重建模型的三维场景还原能力与生成模型的新视角补全，以及未见视角预测能力，构建接近真实世界的仿真环境。源于世界模型的技术积累与充足计算资源的支撑，MindVLA 实现了基于仿真环境的大规模闭环强化学习，即真正意义上的从「错误中学习」。

过去一年，理想自动驾驶团队完成了世界模型大量的工程优化，显著提升了场景重建与生成的质量和效率，其中一项工作是将 3D GS 的训练速度提升至 7 倍以上。

理想通过创新性的预训练和后训练方法，让 MindVLA 实现了卓越的泛化能力和涌现特性，其不仅在驾驶场景下表现优异，在室内环境也展示出了一定的适应性和延展性。

赋能汽车变为专职司机，重塑用户体验

MindVLA 将为用户带来全新的产品形态和产品体验，有 MindVLA 赋能的汽车是听得懂、看得见、找得到的专职司机。「听得懂」是用户可以通过语音指令改变车辆的路线和行为，例如用户在陌生园区寻找超市，只需要通过理想同学对车辆说：「带我去找超市」，车辆就能在没有导航信息的情况下自主漫游找到目的地；车辆行驶过程中，用户还可以跟理想同学说：「开太快了」、「应该走左边这条路」等，MindVLA 能够理解并执行这些指令。

「看得见」是指 MindVLA 具备强大的通识能力，不仅能够认识星巴克、肯德基等不同的商店招牌，当用户在陌生地点找不到车辆时，可以拍一张附近环境的照片发送给车辆，拥有 MindVLA 赋能的车辆能够搜寻照片中的位置，并自动找到用户。

「找得到」意味着车辆可以自主地在地库、园区和公共道路上漫游，其中典型应用场景是用户在商场地库找不到车位时，可以跟车辆说：「去找个车位停好」，车辆就会利用强大的空间推理能力自主寻找车位，即便遇到死胡同，车辆也会自如地倒车，重新寻找合适的车位停下，整个过程不依赖地图或导航信息，完全依赖 MindVLA 的空间理解和逻辑推理能力。

总结来说，对于用户而言，有 MindVLA 赋能的车不再只是一个驾驶工具，而是一个能与用户沟通、理解用户意图的智能体。理想表示，对于汽车行业而言，MindVLA 就像 iPhone 4 重新定义手机一样将重新定义自动驾驶。对于人工智能领域而言，汽车作为物理人工智能的最佳载体，未来探索出物理世界和数字世界结合的范式，将有望赋能多个行业协同发展。