问题——随着城市道路参与者更加多样、道路要素更密集，自动驾驶从“能跑”走向“跑得稳、跑得安全”仍面临多重瓶颈：感知环节对距离与速度的准确判断容易受光照、遮挡影响；决策环节对短时变化预判不足，难以及时应对并线加塞、行人突然横穿等不确定事件；训练环节长期依赖实路数据积累，成本高、周期长，且难以覆盖长尾场景；同时，大模型能力增强也推高车端算力需求并拉长部署链路，影响量产节奏； 原因——业内普遍认为，这些难题的共同根源于对“物理世界”的建模不够深入：一上，以二维图像为主的处理方式难以稳定表达空间几何关系；另一方面，决策系统往往基于当前观测被动响应，缺少对未来几秒演化的可计算推演；此外，训练与验证难以形成高效闭环，算法迭代速度跟不上场景复杂度提升；同时，算法与芯片协同不足，使先进模型难以可控成本下落到车端。 影响——因此，理想汽车在大会上发布MindVLA-o1，尝试以“模型能力—训练体系—端侧部署”的一体化方案抬升系统上限。其一，模型强调三维空间理解，通过融合摄像头与激光雷达等信息，并引入三维编码机制，强化对目标深度、相对距离与运动趋势的刻画，使车辆对立体交通环境形成更稳定的几何认知。其二，在决策与规划层面引入“隐世界模拟”思路，在动态预测框架下推演未来3至5秒的可能变化，为风险规避与策略选择提供更充足的提前量。其三，在行为生成上采用混合专家机制，将“动作生成”模块化并进行约束优化，同步输出连续轨迹点，减少抖动与突兀操作。企业披露的测试结果显示，这些改进可使驾驶平顺性提升四成以上。其四，训练环节构建闭环强化学习平台，借助高保真仿真环境开展大规模回放与对抗训练，将更多场景学习转移至虚拟环境，据称训练效率较实路测试提升约20倍。其五，面向量产部署推进软硬协同优化，通过调整模型结构与计算精度策略、匹配芯片时延特性，将部署周期从以往的数月压缩到数天，降低工程落地门槛。 对策——业内人士指出，智能驾驶竞争正从单点能力比拼转向体系化建设：一是以多源融合与三维表征提升感知可靠性，降低复杂光照和遮挡条件下的误判漏判；二是以可预测、可解释的短时推演增强决策前瞻性，减少“临近才刹、临近才变”的被动操作；三是以闭环训练提升对长尾场景的覆盖，在守住安全边界的前提下加快迭代；四是以工程化与端侧部署能力保障规模交付，避免先进模型停留在演示或小规模试运行阶段。同时，行业还需完善安全评测体系与数据合规边界，用标准化方法验证模型在极端场景与边界条件下的可控性。 前景——从产业趋势看，基础模型与世界模拟、闭环训练的结合，正推动自动驾驶向更强的物理理解、更快的迭代效率、更低的落地门槛演进。未来，决定技术扩散速度的关键不仅是一次发布的参数与指标，更在于能否在真实道路长期稳定运行、能否形成持续学习与安全验证机制，以及能否在算力受限的车端实现可靠的实时推理。随着软硬协同、仿真训练与安全评测体系深入成熟，智能驾驶有望在更多城市道路与复杂气候条件下提供更稳健的体验；同时也需要在法规、责任界定与数据治理等同步推进，使技术进步与公共安全相匹配。
理想汽车此次发布的技术成果，说明了我国新能源汽车产业在智能化方向的探索进展，也传递出智能驾驶即将进入新阶段的信号。在全球汽车产业加速迈向智能化的过程中，持续创新仍是企业保持竞争力的关键。随着对应的技术逐步落地应用，更安全、更智能的出行体验有望加快走向大众。