也许过不了多久，语音也可以自如地指挥车子自动驾驶了。比如我们想喝咖啡，于是就让车子找家咖啡馆把我们带过去。
这种场景并不是一种在脑海中的设想，而是正在成为现实。理想智驾研发负责人贾鹏在今天的英伟达 GTC 大会上，就通过视频的方式演示了这种场景。
与此同时，贾鹏还演示了另外两种场景，一种是车主也不清楚自己在哪儿，但是可以呼唤车子来接；另一种则是车主先行下车，接着让车子自行去寻找车位。
总的来说，贾鹏把这形容为「每个人的专职司机」，并且他还表示理想会「重新定义智能驾驶」。
之所以能够实现这样的场景，据贾鹏介绍，理想依靠的就是 VLA 技术，也就是视觉语言动作模型（Vision-Language-Action Model），而理想则把自己的 VLA 技术称作 MindVLA。
当前，理想的智能驾驶技术仍是端到端 + VLM。这套技术方案上车之后，不仅大幅提升了理想的智驾水平，而且还助推了 AD Max 车型销量的增长。不过，贾鹏表示，端到端 + VLM 也有很多问题。
比如，端到端和 VLM 是两个独立的模型，要联合训练比较困难。此外，端到端 + VLM 还有对 3D 空间理解不够、驾驶知识和内存带宽不足、难以处理人类驾驶的多模态性等问题。
对于人类驾驶的多模态性，贾鹏专门做了进一步的解释，就是指同样一个驾驶行为，人不同的话，驾驶状态也会不同。另外，即使是同一个人，心情不一样的时候，开车的方式也会出现不同。
而 MindVLA，据贾鹏介绍，它并不是简单粗暴地将端到端和 VLM 这两个模型统一在一起，这其中有很多模块都需要重新设计。在能力上，MindVLA 可以同步提高智驾的上限和下限，实现空间、行为和语言的统一。
具体地说，MindVLA 可以对 3D 空间有更好的理解；具备语言智能，可以理解车主的语音驾驶指令；能够在世界模型中强化学习等。
最终，借助 VLA，理想就是要实现类似于开头所说的那些驾驶场景。等到那些驾驶场景真的落地的时候，车子也就更像是一个四轮机器人了。
新能源汽车42how理想汽车
