從“猴子開車”到“人類智能”：基礎模型定義智駕新賽點

文｜三少爺

2026年3月17日，英偉達GTC大會的聚光燈下，理想汽車基座模型負責人詹錕向全球展示了下一代自動駕駛基礎模型MindVLA-o1。

3月18日，“智己超級智能體IM Ultra Agent”發(fā)布會上，智己汽車與Momenta聯(lián)合宣布推出IM AD ZETA，稱其為“直接面向L4級自動駕駛的基座模型”。無獨有偶，就在同一天，卓馭科技也發(fā)布了其面向移動物理AI的原生多模態(tài)基礎模型。

一時間，基礎模型/基座模型這個在大語言模型、多模態(tài)生成等領域已被充分驗證和廣泛宣傳的產(chǎn)業(yè)級范式，正式吹響了進軍物理世界的號角，快步走向量產(chǎn)前線。一個清晰的信號正在釋放：打造一個強大的物理世界基礎模型，已成為躋身智能駕駛「真第一梯隊」的新門票，沒有基礎模型，就不要來湊第一梯隊的熱鬧了。

瞄準物理AI的端側大腦

基礎模型的核心追求，在于鍛造一套面向物理世界的通用智能。這意味著，它不僅要能看懂紅綠燈和行人，更要能理解三維空間的幾何關系、物體運動的物理規(guī)律，并最終規(guī)劃出安全、舒適、高效的行動軌跡。

簡而言之，它要讓機器獲得在復雜、動態(tài)的物理世界中自主移動和操作所必需的空間直覺、物理常識與任務規(guī)劃能力。正因如此，它不再僅僅是“自動駕駛專屬大腦”，而更像一個可以安裝在不同機器人身體上的“通用智慧內核”。

在今年的GTC大會上，理想汽車自動駕駛負責人詹錕就展示了這樣的一幕：同一個MindVLA-o1模型，不僅能熟練地駕駛車輛，在切換接口后，也能流暢地驅動機器人完成操作任務。這一演示清晰地表明，基礎模型在設計之初，其視野就已超越了單一車輛的框架，內嵌了對不同本體結構、不同應用場景的深刻理解與適應潛力。

圖片來源：理想汽車

那么，基礎模型的核心特點到底是什么呢？我們可以從去年行業(yè)內那場沸沸揚揚的VLA與世界模型之爭談起。當時吵得多難聽我們就不再復述了，不過，那場有傷和氣的爭論到底在爭什么呢？這里既有技術路線的分歧，也包括對智能本質的不同理解。

書說簡短。傳統(tǒng)VLA如同一位“語言大師”，依托大語言模型，擅長將視覺信息轉化為文本進行語義推理，能理解路牌、指令乃至手勢。但三維世界到一維語言的“翻譯”過程，難免丟失精確的空間細節(jié)，它知道有行人，卻難以判斷那決定生死的幾十厘米。世界模型則更像一位“空間建筑師”，旨在內部構建動態(tài)世界，直接理解物體的三維形狀、距離、速度與相互作用規(guī)律，能進行更精細的環(huán)境感知與軌跡預測。但其表征往往是隱式的，在面對“潮汐車道”、“禮讓行人”等復雜社會規(guī)則時，理解的靈活性不如VLA。

圖片來源：元戎啟行

基礎模型的核心特點，正是彌合了VLA與世界模型之間的鴻溝，將語言智能的博聞強識與空間智能的精準直覺，統(tǒng)一到了同一個“智慧內核”之中。它意味著，基礎模型必須同時學會用語言理解“潮汐車道”的復雜規(guī)則，也用空間直覺判斷“右前方三輪車切入”的精確軌跡與風險。而這種融合后的統(tǒng)一智能，恰恰是任何想要在物理世界中安全、靈活移動的智能體（無論是自動駕駛汽車、人形機器人還是未來的飛行汽車）必須具備的基礎能力。它就像為機器安裝了一套通用的“感官與常識”系統(tǒng)，使其能適應不同本體，應對萬千場景。

基礎模型兼具VLA和世界模型能力且適應不同本體的特點，在小鵬汽車VLA的研發(fā)脈絡與公開表述中，體現(xiàn)得尤為清晰。在2025年11月的發(fā)布會上，小鵬明確將其第二代VLA表述為“是VLA，也是世界模型”。這句看似矛盾的表述，恰恰表明，小鵬二代VLA已經(jīng)將語言智能的推理能力與空間智能的物理理解原生地糅合在了一起。

圖片來源：小鵬汽車

小鵬之所以沒有將其二代VLA高調地冠以“基礎模型/基座模型”這么吊炸天的名字，是因為在它的話語體系里，真正的基座模型另有其人。那是一個位于云端的、更龐大的“母體”。

早在2025年4月，小鵬便推出了一個720億參數(shù)的“世界基座模型”，這個面向物理AI的通用“大腦”，作為一個知識淵博的“教師模型”，在云端消化海量的多模態(tài)數(shù)據(jù)，理解通用的物理規(guī)律與社會規(guī)則。然后，通過針對性的微調與蒸餾，這個“教師模型”可以將自身的能力“灌注”到不同的端側模型之中。于是，車端那個能理解、能推演、能駕駛的VLA司機模型誕生了；未來，一個能操控機器人手臂完成精細作業(yè)的模型，同樣可以由此孕育而來。

圖片來源：小鵬汽車

作為自動駕駛賽道的新晉玩家，小米同樣在基礎模型的星辰大海中展開了自己的探索。2025年11月，小米發(fā)布了“業(yè)界首個成功打通自動駕駛與具身智能的跨域具身基座模型”MiMo-Embodied，在隨后推出的新一代SU 7上，首次搭載了“融入Xiaomi MiMo-Embodied具身智能基座模型”的XLA方案。

然而，仔細審視其技術報告會發(fā)現(xiàn)，MiMo-Embodied采用的是“視覺編碼-投影對齊-語言推理”三段式架構，其核心架構更加接近于傳統(tǒng)VLA，與前文所述的將語言智能與空間智能原生融合的統(tǒng)一表征思路仍存在清晰可辨的差異。這或許正揭示了當前行業(yè)的一個現(xiàn)狀：“基礎模型”作為一個極具號召力的概念已被廣泛采納，但其具體的技術內涵、架構標準與能力邊界，仍在演進之中。

圖片來源：小米

描繪一個統(tǒng)一的物理AI基礎模型的美好藍圖是一回事，真正將它鍛造出來并投入實戰(zhàn)，則是另一回事。這道由基礎模型劃出的新戰(zhàn)線，其壁壘之高，遠超單一算法的創(chuàng)新。它考驗的是一家企業(yè)從模型、數(shù)據(jù)到軟硬協(xié)同部署的全棧體系化能力，將競爭直接拉入了深水區(qū)。

難以逾越的三重鴻溝

一個強大的、面向物理AI的基礎模型，正在成為一道高聳的門檻。這并非單一技術的領先，而是體系化能力的代差，具體體現(xiàn)在三個相互關聯(lián)、卻又各自獨立的關鍵維度上。

第一重鴻溝，是模型規(guī)模與工程錘煉的能力代差。能夠理解并駕馭物理世界的基礎模型，參數(shù)量動輒百億，這已非傳統(tǒng)用于感知或預測的專用小模型可比。而這種駕馭超大模型的能力，不是一蹴而就的。正所謂不積跬步無以至千里，它必須在之前完成徹底的、一段式端到端的架構改造，并在視覺語言模型、世界模型等前沿方向上積累足夠的探索與實踐之后，才能夠逐步打磨出來。

端到端本身就是一個將感知、預測、規(guī)劃等任務不斷神經(jīng)網(wǎng)絡化，從而將模型參數(shù)越做越大的過程。從分段式端到端到一段式端到端，車企的算法團隊正是在這個過程中，積累了處理海量數(shù)據(jù)、調試復雜網(wǎng)絡架構、進行超大規(guī)模分布式訓練的核心工程能力。這種能力的積累是循序漸進的，而模型參數(shù)規(guī)模的提升，正是這種能力積累到一定階段后的自然結果。

例如，理想汽車在2025年量產(chǎn)的VLA司機大模型參數(shù)約為40億級別，而其在GTC 2026發(fā)布的下一代MindVLA-o1，則明確指向百億參數(shù)以上的規(guī)模。小鵬汽車在2026年的技術規(guī)劃中也立下目標，計劃將其第二代VLA模型的參數(shù)量推向兩百億級別。沒有經(jīng)歷過這個漫長“煉丹”過程的團隊，很難憑空掌握駕馭百億參數(shù)巨獸的秘訣，這構成了第一道堅實的壁壘。

圖片來源：小鵬汽車

第二重鴻溝，是數(shù)據(jù)閉環(huán)的深度與“煉金”效率。很多車企宣稱不缺數(shù)據(jù)，但自動駕駛模型迭代的精髓在于針對性補齊短板，關鍵在于能否建立一套高效的機制，從充滿了無聊語料的數(shù)據(jù)海洋中篩選出真正的“黃金”。

這就像人的學習區(qū)分為舒適區(qū)和拉伸區(qū)一樣，大量簡單、重復的行車數(shù)據(jù)是舒適區(qū)，對能力提升貢獻有限，而那些復雜的交互、罕見的長尾場景，才是讓模型能力得到拉伸的關鍵。數(shù)據(jù)挖掘的核心意義，就在于高效、精準地找到這些拉伸區(qū)數(shù)據(jù)。而這，特別考驗車企的數(shù)據(jù)閉環(huán)體系。

第三重鴻溝，是軟硬件協(xié)同的終極考驗。 一個百億參數(shù)的基座模型，最終要部署到車端芯片上，在幾十毫秒內完成推理，同時滿足功能安全、實時性和功耗的嚴苛要求，這是一場極致的工程挑戰(zhàn)。

圖片來源：理想汽車

它要求從芯片架構、編譯器、運行時到算法模型進行深度協(xié)同設計。理想汽車在發(fā)布MindVLA-o1時強調的軟硬件協(xié)同設計定律，小鵬汽車與北京大學前沿計算研究中心聯(lián)合研究如何對視覺Token進行高效動態(tài)剪枝，以極致優(yōu)化車端推理效率，都是這個層面的攻堅。

這不僅僅是算法層面的優(yōu)化，更是對車載計算平臺從底層硬件到頂層應用的全棧掌控能力。采用標準化、黑盒化供應鏈方案的玩家，在這一環(huán)上幾乎失去了參與頂級競賽的資格，因為性能與效率的極限，往往就誕生在軟硬件縫隙被徹底抹平的地方。

李想曾將自動駕駛的演進生動地比作生物智能的躍遷：依賴規(guī)則算法的昆蟲智能、基于端到端方案的哺乳動物智能、基于VLA大模型的人類智能。如今，行業(yè)頭部玩家集體瞄準的物理AI基礎模型，其野心正是實現(xiàn)哺乳動物智能到人類智能的躍遷。

不過，這最后的躍遷遠比想象中艱難，它并非單一算法的突破，而是由模型規(guī)模、數(shù)據(jù)閉環(huán)與軟硬協(xié)同的三重高墻，共同構成的一項龐大的系統(tǒng)工程。這道全新的門檻，正將智能駕駛的競爭，從功能體驗的比拼，拉入一場考驗全棧能力的深度較量。

當理想汽車用MindVLA-o1演示多模態(tài)思考，當小鵬汽車宣布其第二代VLA在內部測試中實現(xiàn)“領先行業(yè)一流選手5倍”的體驗領先時，他們展示的，正是基礎模型在系統(tǒng)體驗上必然帶來的大踏步跨越。

這種跨越代表著競爭的邏輯已經(jīng)改變，那些仍在依賴舊范式、停留在“猴子開車”階段的玩家，面臨的不僅是體驗的落差，更是技術代際的斷層。留給它們的時間真的不多了。