在昨天的NVIDIA GTC 2026上，詹锟代表理想发布了下一代自动驾驶基座模型MindVLA-o1。我们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。

我们在尝试解答一个问题：人类开车看上去没那么难，每个普通人都能把车开得又快又稳，但全世界最顶尖的企业砸了几千亿进去，自动驾驶仍然进展缓慢。问题到底出在哪？

我们一直在教AI做成年人的事，但从来没让它当过小孩。

人类在0到6岁的阶段学会了走路，学会了扔球、接球。看起来只是简单的动作，但实际上已经帮助孩子建立了对三维物理空间的理解。这就是为什么我们能精准测距、稳定驾驶，因为“3D预训练”6岁前就完成了。

但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。

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。

这件事以前不是没人想做，是做不到，因为3D ViT对车端推理算力提出了极高的要求。我们自研的马赫芯片，单颗有效算力是上一代的3倍，能把这套架构真正放进车里。

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。

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。

自动驾驶，只是物理AI的一个起点。