成人免费午夜精品一区二区-亚洲视频在线观看久久-国产原创自拍看在线视频-这里只有精品自拍偷拍亚洲色图-亚洲变态另类色图天堂网-国产欧美日韩亚洲一区-国产精品自拍35页-男人插入女人下面的真实视频-蜜桃臀一区二区三区精品视频

芝能智芯出品

在 NVIDIA GTC 2026 上，理想汽車發(fā)布了新一代自動(dòng)駕駛基座模型 MindVLA-o1。官方的描述是"自動(dòng)駕駛進(jìn)入物理智能體時(shí)代"。

這類表述在發(fā)布會(huì)上出現(xiàn)太多次，很容易被當(dāng)成話術(shù)略過。

這意味在工程層面做了什么？自動(dòng)駕駛這件事本身的問題定義正在被重寫。

Part 1問題變了，自動(dòng)駕駛在解決什么

三次躍遷之后，卡在哪里了

過去十年，自動(dòng)駕駛的技術(shù)路徑經(jīng)歷了三次迭代。

◎ 第一代是規(guī)則驅(qū)動(dòng)：工程師手寫規(guī)則，告訴系統(tǒng)什么情況下剎車、什么情況下變道。這套方法在結(jié)構(gòu)化道路上能用，但規(guī)則寫不完，現(xiàn)實(shí)比規(guī)則復(fù)雜得多。

◎ 第二代是端到端：不再手寫規(guī)則，而是喂給模型海量數(shù)據(jù)，讓它自己學(xué)出駕駛策略。這解決了規(guī)則無法窮舉的問題，但新的問題出現(xiàn)了——模型學(xué)會(huì)的是數(shù)據(jù)里的模式，遇到訓(xùn)練數(shù)據(jù)覆蓋不到的情況就容易崩。

◎ 第三代是 VLA，也就是把視覺、語言、行動(dòng)整合進(jìn)一個(gè)架構(gòu)，讓系統(tǒng)具備跨任務(wù)的理解和泛化能力，不再只是一個(gè)駕駛專用的預(yù)測(cè)機(jī)器。

但 VLA 也有它自己的天花板。它能理解場(chǎng)景，能做出決策，但它對(duì)世界的理解是靜態(tài)的——它知道現(xiàn)在是什么狀態(tài)，但不能很好地推演這個(gè)狀態(tài)接下來會(huì)怎么變。

一個(gè)行人正在路邊站著，VLA 能識(shí)別他，但很難預(yù)判他下一秒會(huì)不會(huì)突然走出來。這不是感知精度的問題，而是對(duì)物理世界的因果結(jié)構(gòu)缺乏理解。

◎ 第四次躍遷：從"開車"到"理解世界"

MindVLA-o1 想解決的正是這個(gè)缺口。

它的核心主張是：自動(dòng)駕駛系統(tǒng)不應(yīng)該只是一個(gè)駕駛?cè)蝿?wù)執(zhí)行器，而應(yīng)該是一個(gè)能在物理世界中持續(xù)認(rèn)知、預(yù)測(cè)和行動(dòng)的智能體。

這個(gè)表述聽起來抽象，但落到工程上有一個(gè)很具體的含義：系統(tǒng)需要在內(nèi)部建立一個(gè)關(guān)于世界"接下來會(huì)發(fā)生什么"的模型，而不只是對(duì)當(dāng)前狀態(tài)做出反應(yīng)。這就是"世界模型"（World Model）的意義所在。

過去一年，自動(dòng)駕駛行業(yè)在 VLA 和世界模型之間存在一個(gè)技術(shù)路線的爭(zhēng)論，有人認(rèn)為應(yīng)該押注 VLA，有人認(rèn)為世界模型才是未來。

理想給出的答案是：這兩件事不是競(jìng)爭(zhēng)關(guān)系，而是分工關(guān)系：

◎ VLA 負(fù)責(zé)決策閉環(huán)，在車上實(shí)時(shí)運(yùn)行；

◎ 世界模型負(fù)責(zé)認(rèn)知和訓(xùn)練，在云端生成數(shù)據(jù)、模擬場(chǎng)景、優(yōu)化策略。

車端要的是快，云端要的是深，兩者承擔(dān)不同的職責(zé)，在不同的地方發(fā)揮價(jià)值。

這個(gè)分工聽起來合理，但把它真正做通，需要解決幾個(gè)過去沒有人徹底解決的工程問題。

Part 2

理想怎么做——

三個(gè)關(guān)鍵的工程選擇

讓模型學(xué)會(huì)"世界如何變化"，而不是"當(dāng)前是什么樣"

傳統(tǒng)自動(dòng)駕駛的感知系統(tǒng)，處理的是空間問題：這里有什么，那里有什么，彼此的位置關(guān)系是什么。

這個(gè)問題被描述成一張鳥瞰圖——把三維世界壓平成二維平面，標(biāo)注出障礙物和車道線。這套方法在很長(zhǎng)時(shí)間里夠用，但它有一個(gè)根本性的局限：它丟失了時(shí)間。

MindVLA-o1 的第一個(gè)關(guān)鍵選擇，是從空間表示轉(zhuǎn)向時(shí)空表示，引入了一種叫做"下一幀預(yù)測(cè)"的訓(xùn)練方式：模型不只是學(xué)習(xí)"當(dāng)前世界是什么狀態(tài)"，而是學(xué)習(xí)"這個(gè)狀態(tài)接下來會(huì)怎么變"。

同時(shí)，感知編碼器升級(jí)到了三維結(jié)構(gòu)，融合了攝像頭和激光雷達(dá)的信息，保留了高度和動(dòng)態(tài)關(guān)系——這些在鳥瞰圖里會(huì)被壓平的信息。

這個(gè)改變的意義在于：模型開始理解物理因果關(guān)系，而不只是識(shí)別靜態(tài)模式。

一輛車正在加速，下一幀它會(huì)在哪里；一個(gè)行人正在轉(zhuǎn)身，下一步他最可能走向哪個(gè)方向——這類判斷需要對(duì)世界的動(dòng)態(tài)結(jié)構(gòu)有理解，光靠感知精度是不夠的。

把"想象未來"的成本壓下來

有了對(duì)世界動(dòng)態(tài)的理解，如何在車上實(shí)時(shí)使用這種理解。世界模型的計(jì)算代價(jià)很高，直接在車端運(yùn)行幾乎不可能。

理想的解法是把預(yù)測(cè)過程壓縮到"隱空間"里進(jìn)行。所謂隱空間，是模型內(nèi)部的一種壓縮表示——不是真實(shí)世界的圖像或點(diǎn)云，而是經(jīng)過編碼之后的抽象向量。

在隱空間里推演未來，比在原始感知數(shù)據(jù)層面推演要快得多、省得多。訓(xùn)練的時(shí)候先用視頻數(shù)據(jù)學(xué)會(huì)如何壓縮和解壓縮這種表示，然后在隱空間里建立預(yù)測(cè)未來的能力，最后再把這種預(yù)測(cè)能力和駕駛決策聯(lián)合訓(xùn)練。

結(jié)果是：系統(tǒng)獲得了"想象未來"的能力，但把這種能力的計(jì)算成本壓縮到了可以在車端實(shí)時(shí)使用的級(jí)別。

從預(yù)測(cè)軌跡到生成軌跡

傳統(tǒng)的自動(dòng)駕駛規(guī)劃，做的是一個(gè)預(yù)測(cè)問題：給定當(dāng)前狀態(tài)，預(yù)測(cè)出未來最可能的路徑點(diǎn)序列。MindVLA-o1 把這件事改造成了一個(gè)生成問題：用類似大語言模型生成文字的方式，生成駕駛軌跡。

這個(gè)轉(zhuǎn)變聽起來像換了個(gè)說法，但工程含義很不同。

◎ 生成模型可以同時(shí)考慮多種可能性，然后通過多輪迭代優(yōu)化收斂到最好的解；

◎ 而傳統(tǒng)預(yù)測(cè)模型更像是沿著一條確定的路徑走下去。

具體實(shí)現(xiàn)上，理想用了三項(xiàng)技術(shù)的組合：混合專家模型（不同駕駛場(chǎng)景交給不同專家模塊處理）、并行解碼（所有軌跡點(diǎn)同時(shí)生成，避免順序生成帶來的延遲積累）、擴(kuò)散優(yōu)化（多輪迭代讓軌跡越來越平滑穩(wěn)定）。

這三件事加在一起解決的是一個(gè)實(shí)際問題：在復(fù)雜場(chǎng)景里，軌跡生成既要快，又要穩(wěn)，還要能覆蓋多種不同的處置策略。以前這三個(gè)要求很難同時(shí)滿足，現(xiàn)在有了一套組合解法。

模型結(jié)構(gòu)之外，還有一個(gè)更根本的問題：數(shù)據(jù)從哪里來。

自動(dòng)駕駛最難搞定的不是常見場(chǎng)景，而是長(zhǎng)尾場(chǎng)景——那些在真實(shí)道路上出現(xiàn)概率很低、但一旦出現(xiàn)就很危險(xiǎn)的情況。靠真實(shí)采集數(shù)據(jù)來覆蓋這些場(chǎng)景，成本極高，而且有些極端情況根本不可能在真實(shí)路測(cè)中主動(dòng)制造。

MindVLA-o1 的解法是用世界模型生成仿真場(chǎng)景，再用強(qiáng)化學(xué)習(xí)在這些場(chǎng)景里讓模型自己探索最優(yōu)策略。這套流程在效率上有一個(gè)關(guān)鍵改進(jìn)：場(chǎng)景生成從逐步重建改成了前饋生成，速度快了約兩倍，訓(xùn)練成本降低了約 75%。

更重要的是這套機(jī)制帶來的能力：系統(tǒng)不再只是被動(dòng)地從人類標(biāo)注數(shù)據(jù)里學(xué)習(xí)，而是可以主動(dòng)生成從未見過的情況，然后在其中試錯(cuò)、優(yōu)化、迭代。這是一種質(zhì)的變化——從"被教會(huì)"到"自己學(xué)會(huì)"。

最后一個(gè)工程選擇是軟硬件協(xié)同。模型再先進(jìn)，如果在車端硬件上跑不起來，等于白做。

理想引入了一套叫做 Roofline 的分析框架，用來在模型結(jié)構(gòu)和硬件性能之間建立精確的映射關(guān)系，再通過大規(guī)模架構(gòu)搜索——測(cè)試了大約 2000 種不同的模型配置——找到在精度和延遲之間的最優(yōu)平衡點(diǎn)。

一個(gè)有意思的發(fā)現(xiàn)是：在車端場(chǎng)景里，更"寬但淺"的模型結(jié)構(gòu)優(yōu)于深層結(jié)構(gòu)。這與大語言模型的經(jīng)驗(yàn)相反，反映的是車端對(duì)實(shí)時(shí)性的要求比對(duì)參數(shù)規(guī)模更敏感。

這套探索過程，過去需要數(shù)月，現(xiàn)在壓縮到了數(shù)天。

Part 3這件事更大的意義

車，是目前最好的具身智能載體

MindVLA-o1 最值得關(guān)注的方向：自動(dòng)駕駛正在成為通用物理 AI 的入口。

這件事的邏輯并不復(fù)雜。要訓(xùn)練一個(gè)能在真實(shí)物理世界中行動(dòng)的 AI，你需要三件東西：完整的感知系統(tǒng)、實(shí)時(shí)的決策需求、大規(guī)模的真實(shí)數(shù)據(jù)。

汽車恰好同時(shí)具備這三件東西，而且已經(jīng)有數(shù)百萬輛在路上跑，每天產(chǎn)生海量的真實(shí)場(chǎng)景數(shù)據(jù)。

相比之下，機(jī)器人雖然是更通用的具身載體，但它的規(guī)模化部署還要等很多年。

誰在自動(dòng)駕駛上建立了強(qiáng)大的感知、預(yù)測(cè)、決策和學(xué)習(xí)體系，誰就在通用物理 AI 的競(jìng)爭(zhēng)中擁有了一個(gè)很難被繞過的先發(fā)優(yōu)勢(shì)。

同一套模型，可以控制機(jī)器人

理想已經(jīng)明確，MindVLA-o1 的架構(gòu)不只用于駕駛，同一套 VLA 模型可以遷移到機(jī)器人控制上。這不是一個(gè)遙遠(yuǎn)的路線圖，而是一個(gè)工程上已經(jīng)在驗(yàn)證的方向。

原因在于，駕駛和機(jī)器人在底層問題上高度相似：都需要感知三維空間，都需要理解物體的運(yùn)動(dòng)和意圖，都需要在實(shí)時(shí)約束下做出行動(dòng)決策。兩者的差異更多在于執(zhí)行器，一個(gè)是方向盤和油門，一個(gè)是機(jī)械臂和腿。

如果感知和決策的底層模型是通用的，那么遷移的成本會(huì)大幅降低。這是一個(gè)值得認(rèn)真看待的技術(shù)判斷，自動(dòng)駕駛的邊界可能比我們通常想的要寬得多。

過去幾年，自動(dòng)駕駛的軍備競(jìng)賽主要發(fā)生在兩個(gè)地方：傳感器數(shù)量和城市覆蓋里程。這兩件事當(dāng)然重要，但它們正在快速成為行業(yè)基線，不再是真正的差異化來源。

小結(jié)

MindVLA-o1 所代表的方向，指向的是另一維度的競(jìng)爭(zhēng)：數(shù)據(jù)閉環(huán)能力、仿真能力、強(qiáng)化學(xué)習(xí)基礎(chǔ)設(shè)施、系統(tǒng)工程整合能力。

這些東西都不是一兩年能追上的，它們依賴長(zhǎng)期的技術(shù)積累和大規(guī)模的工程投入，本質(zhì)上是組織能力，而不只是模型能力。

MindVLA-o1 的意義或許不在于它今天是否已經(jīng)領(lǐng)先，而在于它標(biāo)志著競(jìng)爭(zhēng)維度的一次遷移，從"誰的感知更準(zhǔn)"到"誰的系統(tǒng)進(jìn)化更快"。后一場(chǎng)競(jìng)爭(zhēng)，才剛剛開始。

       原文標(biāo)題 : 理想的自動(dòng)駕駛基座：MindVLA-o1在做什么？