将一半研发预算投向 AI 之后，理想汽车在 GTC 上亮出了第一张牌。
文｜刘欣怡 编辑｜冒诗阳
汽车像素 ( ID:autopix ) 原创
3 月 17 日，理想汽车在 NVIDIA GTC 2026 上发布下一代智能驾驶基础模型 MindVLA-o1。
一天后，李想又在 B 站与基座模型负责人詹锟对谈，进一步解释这套模型背后的逻辑。在这一轮密集发声中，理想对外传递的信息已经不只是智驾技术的升级。
理想想做"物理世界的 AI "。如果把这件事放在过去一年的理想汽车里看，它的意义会更清楚。
过去一年，理想一边做组织重组，一边持续加码芯片、操作系统、基座模型和线控底盘等关键能力。李想越来越频繁地提到具身智能、AI。
到了 GTC，理想给这套叙事补上了技术骨架，3D ViT、多模态思考、预测式隐世界模型、统一 VLA 架构，一套面向具身智能的完整 AI 框架。
理想不再只是在解释一辆车如何变得更聪明，而是在解释，一家车企为什么要把智能驾驶同具身智能发生关系。
一个模型，两种机器
MindVLA-o1 的真正重要之处，不在于它是理想发布的一套新模型，而在于它试图回答一个比"智能驾驶怎么升级"更底层的问题，为什么物理世界的 AI 一直进展缓慢？
理想给出的答案很明确。今天绝大多数物理 AI，不管是智能驾驶还是机器人，本质上都需要依赖"看 2D 视频学世界"。模型主要基于 2D 图像和视频训练，学到的是语义识别和关联，而不是对真实三维空间的理解。
李想把这比作人类成长的" 0-6 岁问题"，大部分人只要有小学学历就能把车开好，因为 0-6 岁时已经通过在三维空间中的真实感知，完成了对空间的基础训练。而当前的 AI，"拼命训练成年后要做的事，0-6 岁的空间训练的能力根本没解决"。
一个系统可以识别前方有行人、有车、有路口，但它未必真正理解这些物体在空间中的相对关系，也未必真正具备预测未来变化的能力。
这套判断的重要性在于，它把过去几年行业的很多努力重新放回到了一个更基础的框架里。无论是 BEV，还是 OCC，行业一直在为机器"补"三维世界，但理想认为这些方案仍然不够。BEV 把场景拍扁了，OCC 虽然表达了空间占用，却缺少足够语义信息。
它们在工程上都很有价值，但都还没有触达真正的物理世界。
MindVLA-o1 想补的正是这一步。3D ViT 不是把 2D 信息再加工一次，而是试图直接在视频流中重建空间、位置、点云、语义和像素的统一表示，再结合 LiDAR 提供的几何提示，形成一种更接近"真实世界"的视觉编码方式。
如果说 3D ViT 解决的是"怎么看"，那么多模态思考解决的是"怎么想"。它不再只是识别当前发生了什么，而是在 latent world model （隐世界模型）中模拟未来，提前推演接下来几秒可能出现的状态变化。
对智能驾驶来说，这意味着模型不再只是对当前帧做反应，而是开始拥有某种"脑内预演"的能力。理想把这件事称作 Generative Multimodal Thinking（多模态思考），本质上是在把语言理解、空间理解和未来预测放进同一个思考框架里。
再往前一步，MindVLA-o1 的目标不是做一个更强的感知模型，也不是做一个更强的轨迹模型，而是把 Vision、Language、Action 真正统一起来。
这一点决定了它的边界不只在车。同一套 VLA 模型、同一套数据系统，既可以控制车辆，也可以控制机器人。智能驾驶之所以只是起点，不是因为它不重要，而是因为它刚好是目前最成熟、最容易大规模落地的物理 AI 场景。
车，有足够复杂的环境、足够高频的数据、足够明确的控制目标，也有比人形机器人更成熟的量产路径。对任何一家试图进入物理世界 AI 的公司来说，它都是一个入口，是现实的训练场。
理想正在构建一套可以跨越产品形态的 AI 底座。汽车、机器人、AI 眼镜，共享同一个感知和决策系统。
过去它在智能驾驶上补课，现在它想证明自己在搭一个更大的台子。
MindVLA-o1 不是凭空出现的。它是理想过去一年多激烈变革的第一个可见产物。一个模型，两种机器，智能驾驶和具身智能之间的技术边界变得模糊。
这是理想公司拓展战略边界的起点。
GTC 之后，
理想重新定义汽车智能
理想这次把"自动驾驶只是起点"讲得很重，并不是偶然。对很多车企来说，2025 年都在面对同一个变化，汽车行业的天花板越来越清晰，但 AI 带来的想象空间越来越大。
十大杠杆配资2026 年 1 月 26 日上午，理想召开线上全员会，李想讲了近两个小时。他几乎没有提及汽车业务，把全部焦点投向 AI，" 2026 年是所有想成为 AI 头部公司上车的最后一年。"
紧接着 1 月底，理想启动了一轮组织重构。研发体系不再按传统的软件 / 硬件功能划分，而是按"人体结构"重新编排——芯片是心脏，数据集是肺，操作系统是神经，感知和模型是大脑，软件本体负责 Agent 和技能，硬件本体负责能源、驱动和控制。
▍左起：李想、詹锟
李想会反复把"汽车的终极形态是机器人"挂在嘴边，试图把汽车重新摆回到 AI 产业链里的位置。车和机器人、智能驾驶和具身智能，并不是截然分开的两个世界。
感知上，3D 视觉、激光雷达、时空建模是通用的；决策上，语言、规划、世界模型和强化学习高度复用；执行上，线控转向、线控制动、底盘控制与机器人执行器虽然具体形态不同，但都在朝"让模型直接驱动身体"这个方向演化。
这恰好串联起来理想过去几年中，看上去有些超配的布局。自研芯片、星环 OS、基座模型、线控底盘、数据引擎、世界模型、强化学习基础设施，这些东西如果只为今天的辅助驾驶服务，确实显得过重、过贵，也过于长期。
但如果把目标换成"构建一个面向物理世界的 AI 系统"，投入变得连贯了。
理想在内部把这套系统拆成了 MindData、MindVLA-o1、MindSim 和 RL Infra，试图把数据、模型、模拟世界和持续进化能力连成一个闭环。
背后的意图很清楚，想让芯片、数据、操作系统、模型、软件 Agent 和执行控制真正形成一个统一系统，而不是继续沿用传统车企"多个子系统并行推进"的研发逻辑。
这条路径还有一个现实层面的吸引力。和直接做人形机器人相比，车是更容易率先商业化、也更容易持续采集真实世界数据的载体。它既是产品，也是训练场。
所以，理想 All in AI 的动机，并不只是因为李想相信 AI，也不只是因为 GTC 上讲出新故事更有传播力。更真实的原因可能是，汽车行业正在逼着头部公司去寻找"车之后"的边界，而具身智能正是目前最自然、也最具想象力的一条延长线。
卖车与 AI，双线作战
在理想内部，不是所有人都理解。一些员工困惑，为什么不集中精力卖车？
李想对此的回应很直接。在 B 站的视频中，他把汽车行业的壁垒结构类比为手机行业，每个手机厂商都能把硬件做好、把软件做好，但对行业改变最大的是芯片和操作系统，比如苹果，就是靠 A 系列芯片 +iOS 建立的壁垒。这个壁垒，不是三星靠更用力做手机所能追上的。
调整带来的直接收益，是效率。
重组之后，理想的智驾模型的训练效率已经从两周迭代一次变成一天迭代一次。这个数字未必能直接等同于产品竞争力，但它说明理想正在试图把一家车企的研发节奏，往 AI 公司那边拽。
B 站视频中，李想说了一段关于时间分配的话。
他说，自己 70% 的时间还是在汽车上，评审设计、评审功能、体验操控、体验 NVH，随便就是半天。而 AI 相关的会议"可能半小时到一个小时就够了"。
外界之所以感觉他在大量谈论 AI，是因为"进化需要反复沟通和讲解"，用户很容易理解续航从 200 公里变成 400 公里，但很难理解"为什么线控和主动悬架是具身智能汽车必要的"。
李想的解释很清晰，但这依然说明，理想眼下做的更像是一场新的马拉松，它在为一个可能在未来几年才有明确产品回报的方向，提前搭技术栈。
在车的层面，理想需要找到路径，把这套重技术体系，真正转化成用户可感知、可持续付费、并且与竞争对手拉开差距的产品体验。
▍全新一代 L9 Livis
全新一代 L9 会是这场验证的第一块样板。这款车将在今年二季度发布，理想把它放到了很高的位置。L9 不只是一次换代，而是"具身智能时代旗舰 SUV "的第一次系统落地，3D ViT 感知系统、自研马赫 100 芯片、线控底盘、主动悬架等，全部要在这台车上拼起来。
元股证券:ygzq.hk
这也是为什么，理想今天的处境很微妙。一方面，它正在试图摆脱"只会做增程家庭 SUV "的旧标签，往更高一层的技术公司走；另一方面，它又必须继续把车卖好，把销量和利润守住，让宏大的 AI 叙事有现实土壤。
所以李想才会一边讲硅基人，一边讲门店合伙人、L9 换代、纯电车型上量和渠道效率。对理想来说，这两件事不是分裂的。AI 是为了定义下一阶段的上限，而卖车和组织效率，决定它走到那个阶段的速度。
李想认定" 2026 年是最后的上车窗口"。当芯片、模型、数据、硬件四个齿轮在少数几家企业手中形成闭环效应之后，后来者的追赶成本会指数级上升。就像今天很少有人再从零做一个手机操作系统，窗口期一旦关闭，竞争可能性会消失。
这件事最后会不会成功，今天当然没人知道。但至少有一点已经越来越清楚，GTC 之后的理想，已是一家想做"下一代公司"的企业了。
本文为汽车像素（autopix）原创内容
未经授权，请勿转载
配资步骤
股市杠杆网提示：本文来自互联网，不代表本网站观点。