乘客用大白话让车「停到前面那辆白车边」，车真照做了——没有一个程序员为这个确切位置写过规则。这正是理想汽车（理想汽车）在交付、而非演示的能力。其司机模型已成为中国车企里使用量最大的大模型功能之一。当同行还在比拼城市NOA的开城数量，理想把叙事推到了「用一句话指挥一辆车」的层面。
从规则堆叠到「一个模型」
传统辅助驾驶（辅助驾驶）是一层层独立模块：感知、预测、规划，各自人工调参。理想的赌注是把它压成一个统一的视觉—语言—行动（视觉—语言—行动，VLA）模型。「语言」让乘客能发模糊指令、车去理解；「行动」就是驾驶输出。公司认为这不是一个功能，而是迈向物理世界通用智能体的转向。
落地是分步的：2023年6月发布自研认知大模型Mind GPT，2024年10月推送端到端+VLM（端到端+VLM）架构，2025年把空间理解、语言与行动统一进VLA司机大模型，随理想i8在8月推送、9月覆盖所有AD Max用户。到年底已规模使用：月使用率80%，累计指令1225.4万次，仅春节期间就在2.5亿公里辅助驾驶里程中产生了130.3万次VLA指令。
GTC上的MindVLA-o1
2026年3月17日英伟达GTC大会，基座模型负责人詹锟发布下一代自动驾驶基础模型MindVLA-o1，称其为原生多模态MoE Transformer。理想列出五大技术支柱：3D空间理解、多模态思考、统一行为生成、闭环强化学习、软硬件协同设计。其主张是同一套VLA模型既能开车，原则上也能延伸到机器人——「自动驾驶只是物理AI的起点」。
研究足迹为这一主张提供一定支撑：理想称MindVLA-o1相关工作登上CVPR、ICLR等2026顶会。这些是公司自身引用，应视为重投入的证据，而非对性能的独立验证。
数据飞轮才是护城河
真正难抄的不是架构，而是数据。每一次真实路况下的VLA指令、每一公里辅助驾驶里程，都会回流成训练样本，让模型在「看得更远、想得更深、行得更稳」上持续迭代。理想披露的年化千万级指令量，本质是一条数据飞轮：用得越多，模型越懂中国道路的复杂与方言式指令。这也是为何理想把自己重新定义为「All in AI」的实体AI公司——车是这台飞轮最大的采集端与部署端，机器人只是同一套能力的延伸场景。
统一模型难在哪
把感知、预测、规划压进一个模型，好处是端到端、迭代快，风险也集中：一旦推理出错，错误会直接传导到转向与油门，没有中间模块兜底。理想自身也承认，早期端到端系统对突发场景的应对仍需提升。所以在可预见的未来，VLA更像「增强」而非「替代」——复杂路口与极端天气仍要驾驶员随时接管，模型负责的是高频、重复的常规场景。
从车到机器人
「车是最大号的机器人」不是比喻。自动驾驶要解决的感知—决策—执行闭环，与移动机器人、人形机器人同源。理想把MindVLA-o1定位为「面向物理世界的通用智能体」，意味着同一套视觉—语言—行动能力可迁移到工厂巡检、家庭服务或仓储机器人。但这仍是路线图：今天落地的是车，机器人产品尚未交付，组织与数据能否跨场景复用，要等真机验证。
诚实的局限
本文依据理想官方社区与微信、官媒（央视、国际在线、北京日报）及世界互联网大会资料。80%使用率与1225.4万次指令为公司披露的2025年末数据，未经独立审计；2.5亿公里春节里程为公司统计。MindVLA-o1架构主张为理想在GTC 2026的展示。我们未独立测试其真实接管率、安全表现或第三方基准排名，「首创/领先」表述属公司自身口径。
普通人现在能做什么
- 把1225万次指令看作「采用度」而非「能力」；等脱离接管或安全数据出来再评判模型好坏。
- 对竞品车企，真正的启示在组织：统一模型需要基座模型团队，而不只是感知团队。
- 对车主，在安全的空旷场景下试几句模糊的、基于位置的语音指令，看清VLA模型在哪帮得上、在哪仍交还人工控制。