理想汽车最近发布了新一代自动驾驶基础模型MindVLA-o1，其实核心就一件事：让车真正看懂3D世界。

以前的主流方案，要么是BEV，把场景拍扁成2D，高度信息全丢；要么是OCC，虽然是3D，但只知道“那儿有东西”，不知道是啥、能不能碰。说到底，还是都缺少了对真实物理空间的理解。

理想的解法是3D ViT+多模态思考，通过视频流直接还原完整的三维信息：位置、点云、语义全都有。为此，李想还打了个比方：小孩一开始接不住球，多扔几次，大脑就对距离、速度有了直觉，眼睛没变，判断却越来越准。

AI也得先补上这堂“0-6岁”的空间认知课，才能真把车开好。[并不简单]#理想全能辅助驾驶来了#