在NVIDIA GTC 2026大会上，理想汽车基座模型负责人詹锟正式发布了下一代自动驾驶基础模型MindVLA-o1。这款模型的核心突破在于实现了原生3D视觉编码器（3D ViT），标志着自动驾驶技术向物理世界理解迈出关键一步。理想汽车CEO李想随后通过长文详细阐释了技术逻辑，指出自动驾驶的瓶颈并非数据或算力不足，而是缺乏对三维空间的本质认知。
传统自动驾驶系统依赖BEV（鸟瞰图）或OCC（占用网络）技术，前者将三维世界压缩为二维平面导致高度信息丢失，后者虽保留空间维度却缺乏语义理解。理想汽车研发的3D ViT技术突破了这一局限，通过多视角高分辨率视觉输入，在编码阶段直接完成对空间几何结构与语义信息的统一解析。这种设计使模型能够同时感知物体的位置、形态及功能属性，例如准确识别交通标志牌的立体轮廓及其指示内容。
技术团队从人类认知发展规律中获取灵感：儿童在6岁前通过基础动作训练建立的三维空间感知能力，正是自动驾驶系统所缺失的"预训练"阶段。现有端到端系统相当于让AI直接观看十万小时行车记录仪后上路，而3D ViT则通过构建真实三维认知框架，使模型具备类似人类的场景理解能力。实验数据显示，该技术可将空间感知范围稳定扩展至500米以上，较传统方案提升3倍以上。
硬件层面的突破为技术落地提供支撑。理想自研的马赫芯片单颗算力达前代3倍，有效解决了3D视觉处理对车端算力的严苛要求。这种软硬协同设计使激光雷达的角色发生转变：从感知核心降级为辅助标定工具，其提供的高精度几何数据仅用于修正视觉模型的局部误差。系统整体性能不再受制于传感器物理参数，而是取决于模型对三维世界的表征能力。
MindVLA-o1的创新不止于自动驾驶领域。通过将空间理解、决策推理与执行控制统一在单一模型架构中，该系统展现出多模态思考能力——既能预测未来3-5秒的场景演变，又能根据推理结果生成最优驾驶策略。这种通用物理智能架构已初步验证可迁移至机器人控制场景，为理想汽车构建智能生态体系奠定基础。技术团队强调，自动驾驶只是物理AI的起点，未来该技术将推动更多实体设备获得环境交互能力。
