北京
来源：环球网
【环球网科技综合报道】近日，理想汽车基座模型负责人詹锟在NVIDIA GTC 2026 上发布了下一代自动驾驶基础模型 MindVLA-o1。对此，理想汽车 CEO 李想在社交平台发文称，其在底层实现了一个核心突破：原生3D ViT——真正的三维视觉编码器。
李想提到，今天所有的端到端系统本质上都是“看2D视频学开车”，更像是一个人坐在电脑前看了十万小时行车记录仪，然后直接上路。它有了智能，但离人类的智能程度差得远。过去我们和行业使用的BEV把世界从俯视角拍扁，丢失了高度信息；OCC确实是3D的，但缺失了语义信息。物理AI缺的不是更大的模型、更多的数据，而是一个能真正理解3D世界的视觉基础。
“3D ViT解决了这个问题。不再是从2D‘还原’3D，而是让模型一开始就工作在真实的三维世界里。以高分辨率多视角视觉为核心，在编码阶段直接完成对3D空间几何和语义的统一理解——空间结构、位置关系、语义信息，一次完成。模型不只是看见画面，而是理解世界，既知道它在哪，也知道它是什么。”李想说道。
他解释称，在这个体系下，激光雷达的角色变了。它不再是感知的核心，而更像一把高精度的尺子，为视觉提供几何标定和近场空间约束。真正决定感知上限的，不是传感器的物理线数，而是模型的表征能力。在统一建模下，3D ViT可以稳定感知并推理到500米以上的空间范围。
“有了3D ViT打底，MindVLA-o1把空间理解、思考推理、驾驶行为统一在一个模型里。不光看见世界，还能在隐空间里模拟未来几秒的场景变化，想清楚再开。我们把这种能力称之为多模态思考。”李想说。
“我们也已经进行了验证，这套基座模型不只是为自动驾驶设计的。同一套VLA基座模型，能开车，也能控制机器人，它正在逐渐演化成一个通用的物理世界智能体。”他总结道，“自动驾驶，只是物理AI的一个起点。”（青山）
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
