在全球汽車智能化與數字化浪潮不斷加速的背景下，理想汽車作為新勢力車企之一，早已將人工智能（AI）確立為未來發展的核心戰略。理想汽車正通過不斷深化智能駕駛、空間智能以及智能拓展等領域，努力實現從輔助駕駛到具備類人智能代理（Agent）的全方位轉型。理想汽車以“人工智能的汽車化”為愿景，提出了通過自研大模型及多端生態打通，實現車端AI與空間智能協同演進的戰略布局，其AI發展主要經歷三個階段。

1.增強能力階段——主要聚焦在輔助性工作，初步實現車輛智能化；

2.成為助手階段——通過多任務處理與結果負責機制，實現更高水平的智能輔助；

3.硅基家人（Agent）階段——完全擺脫指令約束，實現自主判斷與決策。

這種分階段的戰略路徑不僅符合技術演進的內在規律，也為企業在未來競爭中搶占先機提供了明確方向。

理想汽車智駕技術演進

1.1端到端大模型與VLM模型的融合

理想汽車采用了端到端大模型與視覺語言模型（VLM）相結合的雙系統架構，該架構可以實現L3級的自動駕駛，主要利用車載傳感器收集大量實時數據，經由端到端模型進行規劃與決策。由于純端到端模型在面對復雜駕駛場景時難以保證模型學習的準確性，理想汽車引入了VLM模型作為“參考答案”系統，將過去基于規則（rule-based）的成果整合進模型之中，為大模型提供明確的指導。這種設計類似于人類大腦中“快速直覺”與“慢速理性”的協同工作模式，從而有效提升了模型在復雜場景下的安全性與魯棒性。

端到端+VLM模型

如上圖所示，端到端大模型的輸入為傳感器數據（包括激光雷達、攝像頭、毫米波雷達等），經過深層神經網絡處理后直接輸出路徑規劃、車速控制等決策信息；VLM模型則利用視覺與語言信息對交通標識、路況環境等進行額外解析，兩者結合能夠形成更為準確的駕駛決策體系。當前階段主要采用的是“Learning by Watching”（通過模仿人類駕駛行為進行學習）的方式，但這一方式在面對長尾數據和極端環境時存在局限性，因此未來將逐步向“Learning by Practicing”模式轉變，即通過不斷訓練生成式視覺模型構建世界模型，提高對未來場景的預測能力。

2.2世界模型與MPI優化

在L3向L4的技術躍遷中，關鍵在于如何提升MPI（Miles Per Intervention，每兩次人工干預之間車輛行駛的平均里程數）的指標。現階段，MPI指標仍處于200公里以下，這說明系統在應對復雜場景時仍需要較多人工介入。為此，理想汽車正探索利用世界模型技術，通過“生成式視覺模型”構建車輛對周圍環境的整體認知。世界模型不僅能捕捉靜態信息，還能根據歷史數據預測未來變化，從而為決策層提供“教材”般的標準答案，利用分解后的世界模型和獎勵函數來動態規劃、優化數據標簽，有望大幅降低長尾數據問題對模型準確性的影響。

通過端到端模型與VLM模型的協同，理想汽車在智能駕駛技術方面正逐步從初級的L3階段邁向具備部分L4能力的未來車型，這不僅為用戶提供更高的駕駛安全性，也為汽車智能化的商業落地奠定堅實基礎。

理想汽車空間智能技術演進

2.1從自然語言處理到多模態感知

除了智能駕駛，理想汽車在空間智能領域的探索也同樣令人矚目，理想汽車的Mind GPT則經過多次迭代，目前已累計預訓練數據規模達到10萬億Token級別。在第一代Mind GPT 1.0發布后，理想同學迅速通過OTA升級進入車載系統，成為車機系統的重要交互入口；第二代Mind GPT 2.0在模型架構上采用了MoE（混合專家模型）與Transformer相結合的方式，使模型規模大幅翻倍，同時保持了較低的推理成本；第三代Mind GPT 3.0則進一步強化了語言模型的核心能力，未來有望實現語音、視覺、語言等多模態數據的融合，從而在一個模型內完成從感知到認知再到表達的完整閉環。

理想Mind GPT經歷多次升級

這一系列的技術迭代表明，理想汽車不僅在智能駕駛硬件與算法方面領先，在智能座艙和語音交互領域也在積極布局。通過整合自然語言處理與圖像識別技術，車載系統可以更精準地理解用戶指令、提供信息查詢、實現車機系統與手機APP的無縫互聯，這對于提高用戶體驗、擴大數據采集來源以及構建完善的語料庫都有著至關重要的意義。

2.2多端應用與生態構建

理想汽車的智能助手“理想同學”不僅僅局限于車機系統，其應用已擴展至手機端以及其他智能終端，實現了跨平臺的無縫對接。基于大模型的自然語言交互系統，可以在語音指令、知識問答、情感交互等多個方面滿足用戶需求。通過不斷優化模型參數和擴充語料庫，理想同學在面對市場上華為、小米等競爭對手時也具備一定優勢，憑借“具備GPT能力”的優勢，理想正逐步縮小與頭部手機廠商在自然語言處理領域的差距。

理想Mind GPT 3.0架構

理想汽車通過自主研發的AI平臺，打造了一個以車輛為核心、涵蓋車載、手機、家居等多終端的生態系統。這種生態系統不僅能夠實現數據的高效互通，也為未來的跨場景應用提供了堅實基礎。無論是在車輛行駛過程中的實時交互，還是在車外智能家居場景下的智能控制，均有望借助大模型的強大感知與處理能力實現更為流暢的用戶體驗。

理想汽車智能工業與智能商業拓展

3.1全棧自研智能工廠的構建

在智能制造領域，理想汽車憑借全棧自研的智能制造系統，已經走出了一條與傳統整車制造截然不同的數字化轉型之路。理想汽車通過Li-MOS系統實現了生產系統與銷售系統的緊密集成。當銷售端下達整車訂單后，系統能夠自動生成精確到工位和排序的生產計劃，并通過LI-SCM系統自動向供應商發送物料采購計劃，整個過程實現了無人干預的自動化作業。這種從需求預測到訂單排產、再到物料采購的全流程數字化管理，不僅大幅提升了生產效率，還保證了生產與銷售的高效對接，為企業降低成本、提升產品質量提供了有力支撐。

智能工廠的核心在于數據采集與實時監控，以及基于大數據和機器學習算法的動態調度。理想汽車通過對生產線上的各個環節進行精準監控，實時分析設備狀態、物料供應和工位調度，最終實現生產流程的最優化。借助高精度傳感器和邊緣計算設備，智能工廠還可以在極短時間內響應異常情況，并通過大數據分析預測設備故障，實現預防性維護。這種智能制造系統無疑是汽車產業邁向數字化轉型的重要一步，也是企業在激烈市場競爭中保持競爭優勢的重要支柱。

3.2 AI助力智能商業模式轉型

在智能商業領域，理想汽車正通過大模型技術與商業數據、知識圖譜的深度融合，構建起零售、營銷、客服、金融反欺詐、財經分析等多個方面的AI助手。這些AI助手不僅能夠幫助企業實現精準營銷、提升用戶粘性，還能在售后服務、投訴處理等方面提供智能化支持，大幅降低人工成本和運營風險。通過將AI技術嵌入商業流程中，理想汽車未來有望形成從產品設計、生產制造到市場銷售全鏈條的智能化運營模式。

理想汽車通過構建智能商業平臺需要解決數據整合、實時分析與跨系統協同等一系列難題。依托龐大的用戶數據和車聯網平臺，通過自然語言處理、大數據分析和機器學習等技術手段，能夠實現對用戶行為的深度洞察，從而為產品優化、市場推廣和售后服務提供數據支持。如在客戶服務方面，通過構建智能問答系統和語音交互平臺，企業可以實時解答用戶疑問，快速響應突發事件，提升客戶滿意度；在營銷環節，通過對用戶數據的精準分析，企業能夠實現個性化推薦和精準廣告投放，極大地提高轉化率。

智能商業平臺還為企業搭建了一個開放式生態系統，吸引外部合作伙伴和上下游企業共同參與。通過共享數據和技術資源，理想汽車不僅可以形成規模效應，還能夠在跨界合作中不斷拓寬業務邊界，實現商業模式的多元化發展。

總體來看，理想汽車在AI布局上采取了全方位、多維度的戰略布局。從智能駕駛領域的端到端大模型與VLM模型融合，到空間智能領域中Mind GPT系列的不斷迭代，再到智能工業和智能商業的全面拓展，理想汽車正通過數據、算力與模型能力三大核心要素的協同提升，實現從傳統汽車制造向數字化、智能化生態系統的跨越。

審核編輯 黃宇