在3月18日的NVIDIA GTC 2025上，理想汽车自动驾驶技术研发负责人贾鹏发表了主题为《VLA：迈向自动驾驶物理智能体的关键一步》的演讲，并发布了理想汽车的下一代自动驾驶架构——MindVLA。
理想汽车董事长兼CEO李想当日在社交平台发文称，“MindVLA是一个视觉-语言-行为大模型，但我们更愿意将其称为“机器人大模型”，它将空间智能、语言智能和行为智能统一在一个模型里，让自动驾驶拥有感知、思考和适应环境的能力，是我们通往L4路上最重要的一步。”他还表示，MindVLA能为自动驾驶赋予类似人类的驾驶能力，就像iPhone 4重新定义了手机，MindVLA也将重新定义自动驾驶。
据介绍，MindVLA不是简单地将端到端模型和VLM模型结合在一起，所有模块都是全新设计。3D空间编码器通过语言模型后，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。
从用户体验方面来看，有MindVLA赋能的汽车不再只是一个简单的驾驶工具，而是一个能与用户沟通、理解用户意图的智能体。能够听得懂、看得见、找得到，是一个真正意义上的司机Agent或者叫“专职司机”。
所谓“听得懂”是用户可以通过语音指令改变车辆的路线和行为，MindVLA能够理解并执行“开太快了”“应该走左边这条路”等这些指令。“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，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。
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。
