四川
人類用3D空間認知世界，AI卻只看2D視頻上路。自動駕駛卡在哪？李想一句話點破！
他的核心觀點很扎眼：全球車企與科技公司砸了巨資，為什么自動駕駛進展緩慢？因為主流方案一直在用2D視頻訓練AI，相當于讓AI只看行車記錄儀就上路。
這話不是夸張。傳統BEV架構會丟失高度信息，OCC方案缺少語義信息。AI始終無法像人一樣真正理解三維世界。
而理想的破局方案，叫原生3D ViT三維視覺編碼器。讓模型從一開始就工作在3D空間，同步完成幾何結構與語義理解。
01 人類用3D認知世界，AI卻只看2D錄像
李想的邏輯起點，是一個人盡皆知但行業一直沒解決的問題。
人類駕駛員的安全性從哪來？不是18歲拿到駕照那天才開始學的。李想指出，人類在幼年就通過活動建立了完整的3D物理空間認知。爬、走、跑、跳，觸摸物體、躲避障礙，這些看似簡單的活動，讓大腦學會了理解三維世界。
而AI學開車的方式呢？
行業主流方案一直是用2D視頻素材訓練AI模型。說白了，就是讓AI看海量的行車記錄儀畫面，然后指望它能從這些平面影像里學會駕駛。
李想把這事兒比喻得太形象了：相當于只看行車記錄儀就上路。
更扎心的是，不是沒人意識到這個問題。傳統BEV（鳥瞰圖）架構確實火了幾年，但它最大的缺陷是會丟失高度信息——一棵樹和一個人的投影可能在鳥瞰圖上長得差不多，但開車撞上去的后果天差地別。
后來的OCC（占用網絡）方案雖然是3D架構，卻又缺少語義信息——模型知道某個空間被占用了，但不知道被什么占用了，無法判斷物體的可碰撞屬性。
AI始終無法像人一樣真正理解三維世界，這才是幾千億砸下去卻進展緩慢的關鍵癥結。
02 理想的破局：讓AI從一開始就活在3D世界
針對這個痛點，理想給出的答案叫原生3D ViT三維視覺編碼器。
為什么叫“原生3D”？因為它徹底拋棄了從2D到3D的轉換過程。過去的方案是先讓AI看2D視頻，再通過算法“腦補”出三維信息；理想的方案是讓模型從一開始就工作在3D空間。
這套系統能同步完成兩件事：幾何結構理解和語義理解。換句話說，AI不僅知道“那里有東西”，還知道“那是什么東西”，以及“它可能怎么運動”。
更關鍵的是算力支撐。理想自研的馬赫芯片，單顆有效算力是上一代的3倍，讓這套3D ViT架構能夠真正放進車里，而不是停留在實驗室。
效果如何？這套系統可穩定感知500米以上范圍。激光雷達的角色也變了——從感知核心轉變為高精度的標定工具，為視覺提供幾何約束。
李想還透露，理想正在將3D ViT與多模態思考能力結合，讓模型擁有更完整的3D認知。預計今年年中完成融合。
03 MindVLA-o1：不只是自動駕駛，是通用物理世界智能體
3月17日，在NVIDIA GTC 2026大會上，理想汽車基座模型負責人詹錕正式發布了下一代自動駕駛基礎模型MindVLA-o1。
這款模型的核心突破在于，統一了空間理解、思考推理和駕駛行為。
傳統的自動駕駛模型，感知、決策、控制各走一套體系，中間有信息損耗。MindVLA-o1用一個統一的VLA模型，同時完成三個任務。更關鍵的是，它具備多模態思考能力——融合語言推理與空間推演，可在隱空間內模擬未來幾秒的場景變化。
李想特別強調，這套模型不只是用于自動駕駛，同樣能適配機器人。
“同一套VLA基座模型，能開車，也能控制機器人。它正在逐漸演化成一個通用的物理世界智能體。”
這話的潛臺詞很明確：自動駕駛只是物理AI的起點，不是終點。
2025年，理想全年交付40.63萬輛新車，雖然同比下滑，但龐大的車隊每天都在為這套模型貢獻真實路況數據。截至2025年底，理想VLA司機大模型月使用率達到80%，VLA指令累計使用超1200萬次。這些數據，是任何實驗室都無法復制的“飼料”。
04 百億豪賭：理想為何敢All in AI
李想敢在這個時候捅破行業窗戶紙，不是因為他閑得慌，是因為理想的轉型已經到了關鍵時刻。
3月中旬，理想發布2025年財報，一組數據很扎眼：全年營收1123億元，同比下滑22.3%；凈利潤驟降至11億元，相較2024年的80億元暴跌86%。
但就在這份堪稱“上市以來最慘”的財報中，有一個數字格外刺眼：研發投入113億元，創歷史新高，其中約50%砸向了AI相關項目。
一邊是利潤斷崖式下滑，一邊是研發逆勢狂飆。李想用行動表明：理想不再只是一家汽車公司，而是正在轉型為AI公司。
更激進的調整在組織層面。過去半年，理想有8位核心高管離職，涵蓋智駕、芯片、產品等關鍵崗位。原自動駕駛部門被徹底拆分重組，智駕“端到端”時代的核心班底幾乎清空。
這不是人事地震，是戰略換道。李想親自定調：2026年是理想成為AI頭部公司的最后窗口期。在他眼里，繼續在造車這條路上和對手卷配置、卷價格，只會陷入死循環。真正的突圍方向，是具身智能。
截至2025年末，理想現金儲備1012億元。這筆錢，足夠讓理想在寒冬里完成這場豪賭。
李想那句話，值得所有還在討論自動駕駛的人聽三遍：
“人類用3D空間認知世界，AI卻只看2D視頻上路。”
這不僅僅是技術的差距，是認知的鴻溝。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
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.
