[首發(fā)于智駕最前沿微信公眾號(hào)]從小米開(kāi)始造車到現(xiàn)在，它似乎一直在話題的中央，無(wú)論是在剛發(fā)布新車時(shí)的高調(diào)期，到后來(lái)被眾多網(wǎng)友口誅筆伐的質(zhì)疑期，再到現(xiàn)在回歸本源的沉穩(wěn)期，小米的一舉一動(dòng)似乎都被全網(wǎng)關(guān)注。

作為一個(gè)專注于智駕的平臺(tái)，我們也一直關(guān)注著小米智駕的發(fā)展，其實(shí)從2024年的規(guī)則驅(qū)動(dòng)，到2025年的端到端神經(jīng)網(wǎng)絡(luò)，再到2026年以認(rèn)知驅(qū)動(dòng)為核心的XLA大模型和OneVL模型，小米用兩年時(shí)間完成了三次底層技術(shù)架構(gòu)的躍遷。今天智駕最前沿就帶大家來(lái)盤(pán)一盤(pán)小米智駕！

從模仿到理解，技術(shù)路線經(jīng)歷了怎樣的轉(zhuǎn)變？

2024年3月，小米輔助駕駛系統(tǒng)在第一代SU7上首次量產(chǎn)，當(dāng)時(shí)行業(yè)的主流方案是無(wú)圖城市領(lǐng)航，小米也采用了類似的路線，其系統(tǒng)依賴大量人工編寫(xiě)的規(guī)則，分別處理感知、規(guī)劃和控制等子任務(wù)。這種方案在規(guī)則有限的場(chǎng)景下可以工作，但隨著道路場(chǎng)景越來(lái)越復(fù)雜，規(guī)則數(shù)量急劇膨脹，最終陷入了維護(hù)困難的處境，人工規(guī)則不可能窮舉真實(shí)世界里所有可能發(fā)生的情況，系統(tǒng)的上限很快被觸及。

2025年，智駕行業(yè)的整體思路發(fā)生了變化，開(kāi)始從規(guī)則驅(qū)動(dòng)轉(zhuǎn)向端到端架構(gòu)。所謂端到端，就是不再把自動(dòng)駕駛拆成感知、預(yù)測(cè)、規(guī)劃、控制等多個(gè)獨(dú)立模塊，而是直接將傳感器的原始數(shù)據(jù)輸入一個(gè)統(tǒng)一的深度神經(jīng)網(wǎng)絡(luò)，由模型自己學(xué)習(xí)從輸入到駕駛動(dòng)作的映射關(guān)系。

圖片源自：網(wǎng)絡(luò)

小米在2025年2月推出了第一版端到端輔助駕駛系統(tǒng)，同年7月又迭代到了1000 Clips版本，將真實(shí)駕駛場(chǎng)景的訓(xùn)練數(shù)據(jù)規(guī)模提升到了百萬(wàn)量級(jí)。端到端方案讓加減速更加平順，變道決策更加果斷，因?yàn)檫@些行為不再需要人工用規(guī)則去定義，而是由模型從海量駕駛數(shù)據(jù)中自動(dòng)提取。

不過(guò)，端到端方案本質(zhì)上仍然屬于模仿學(xué)習(xí)的范疇，模型通過(guò)觀看大量的人類駕駛數(shù)據(jù)來(lái)模仿駕駛行為，但并不會(huì)真正理解為什么要這樣開(kāi)。它的工作方式更接近背誦題庫(kù)，也就是遇到訓(xùn)練數(shù)據(jù)中見(jiàn)過(guò)的場(chǎng)景，就表現(xiàn)不錯(cuò)；一旦遇到訓(xùn)練數(shù)據(jù)中從未出現(xiàn)過(guò)的長(zhǎng)尾場(chǎng)景，模型就會(huì)因?yàn)槿狈斫饽芰Χ龀霾缓侠淼臎Q策。也就是說(shuō)，僅靠堆數(shù)據(jù)和擴(kuò)大模型規(guī)模，并不能從根本上解決泛化問(wèn)題。

從2025年下半年開(kāi)始，小米的技術(shù)方向開(kāi)始從數(shù)據(jù)驅(qū)動(dòng)向認(rèn)知驅(qū)動(dòng)轉(zhuǎn)型，也就是嘗試讓模型理解環(huán)境的物理規(guī)律和因果關(guān)系，而不是模仿人類的表面行為。這個(gè)思路最終在2026年3月，隨著新一代SU7的發(fā)布，以XLA認(rèn)知大模型的形式落地。

XLA認(rèn)知大模型，認(rèn)知驅(qū)動(dòng)意味著什么？

XLA是小米輔助駕駛的第三代軟件架構(gòu)，2026年3月正式發(fā)布，XLA中的X代表多模態(tài)輸入（Multi-modal Inputs），即系統(tǒng)不只接收攝像頭拍攝的圖像，還融合了激光雷達(dá)點(diǎn)云、4D毫米波雷達(dá)信號(hào)、導(dǎo)航信息、車內(nèi)麥克風(fēng)音頻，甚至包括來(lái)自小米機(jī)器人研發(fā)過(guò)程中產(chǎn)生的物理交互數(shù)據(jù)。

這種多模態(tài)輸入的設(shè)計(jì)出發(fā)點(diǎn)很明確，不同傳感器在物理特性上是互補(bǔ)的，攝像頭提供密集的語(yǔ)義信息但受光照影響大，激光雷達(dá)能給出精確的三維幾何結(jié)構(gòu)但在雨霧中衰減嚴(yán)重，4D毫米波雷達(dá)則在惡劣天氣下依然穩(wěn)定，且能測(cè)量目標(biāo)的高度信息。把這些不同來(lái)源的信號(hào)在模型輸入端統(tǒng)一處理，系統(tǒng)對(duì)環(huán)境的理解就會(huì)比單一依賴視覺(jué)的方案更加完整。L代表融入智能語(yǔ)言，A代表執(zhí)行過(guò)程，將他們合在一起構(gòu)成了一個(gè)以多模態(tài)認(rèn)知為核心的技術(shù)框架。

圖片源自：網(wǎng)絡(luò)

支撐XLA架構(gòu)的底層模型，是小米自研的Xiaomi MiMo-Embodied具身基座大模型，這個(gè)基座模型能同時(shí)在輔助駕駛場(chǎng)景數(shù)據(jù)和室內(nèi)機(jī)器人物理交互數(shù)據(jù)上進(jìn)行訓(xùn)練。工廠里機(jī)器人抓取零件、擰螺絲、放置物料這些精細(xì)操作所涉及的空間感知與推理能力，通過(guò)混合訓(xùn)練的方式遷移到了車輛對(duì)道路場(chǎng)景的理解中。

這種跨域訓(xùn)練策略不是簡(jiǎn)單的多任務(wù)學(xué)習(xí)，而是利用不同任務(wù)背后的公共物理規(guī)律，即無(wú)論是機(jī)器人在工位上操作螺絲，還是車輛在路口判斷行人運(yùn)動(dòng)軌跡，本質(zhì)上都需要對(duì)三維空間的幾何關(guān)系、物體的運(yùn)動(dòng)趨勢(shì)、接觸與碰撞的物理約束進(jìn)行建模。用一個(gè)統(tǒng)一的基座模型來(lái)承載這些能力，可以在更底層、更通用的層面提升模型的推理質(zhì)量。

基于MiMo-Embodied基座，XLA架構(gòu)帶來(lái)了幾個(gè)實(shí)質(zhì)性的能力提升。在行車場(chǎng)景中，系統(tǒng)對(duì)復(fù)雜路口的通行策略更加合理，縱向速度控制更加平滑，不再出現(xiàn)急加速急減速的情況。在安全方面，全系標(biāo)配包括緊急轉(zhuǎn)向輔助、盲區(qū)監(jiān)測(cè)與干預(yù)、前向碰撞預(yù)警等25項(xiàng)安全輔助功能。在功能創(chuàng)新方面，XLA首次支持語(yǔ)音控車，駕駛員可以直接用自然語(yǔ)言指令控制輔助駕駛的相關(guān)功能，還推出了商場(chǎng)地庫(kù)的車位級(jí)領(lǐng)航功能，可以在沒(méi)有GPS信號(hào)的地下停車場(chǎng)內(nèi)完成從入口到目標(biāo)車位的全程引導(dǎo)。

圖片源自：網(wǎng)絡(luò)

值得一提的是，XLA還打通了輔助駕駛和具身機(jī)器人兩大技術(shù)任務(wù)，這意味著同一個(gè)模型架構(gòu)可以同時(shí)支撐車輛的自動(dòng)駕駛規(guī)劃和機(jī)器人的操作學(xué)習(xí)。從長(zhǎng)期研發(fā)效率的角度看，這種統(tǒng)一架構(gòu)可以避免維護(hù)兩套獨(dú)立技術(shù)棧的重復(fù)投入，同時(shí)讓兩個(gè)方向的數(shù)據(jù)和算法形成互相促進(jìn)的效應(yīng)。

Xiaomi OneVL開(kāi)源發(fā)布，憑什么把兩條技術(shù)路線統(tǒng)一了？

2026年5月13日，小米正式發(fā)布并全面開(kāi)源了自動(dòng)駕駛模型Xiaomi OneVL，全稱是一步式潛空間語(yǔ)言視覺(jué)推理框架，這是在XLA技術(shù)方向上的一次深度推進(jìn)，也是最值得關(guān)注的一項(xiàng)技術(shù)進(jìn)展。

在理解OneVL解決了什么問(wèn)題之前，先給大家介紹兩條獨(dú)立的技術(shù)路線。第一條是VLA，即視覺(jué)-語(yǔ)言-動(dòng)作模型（Vision-Language-Action）。VLA的思路是讓模型以思維鏈的方式逐步推理，即先理解當(dāng)前場(chǎng)景中有哪些對(duì)象，再用自然語(yǔ)言描述場(chǎng)景狀態(tài)，最后基于這個(gè)描述輸出駕駛動(dòng)作。它的優(yōu)勢(shì)在于可解釋性強(qiáng)，你能看到模型在每一步想了什么。但VLA的問(wèn)題也很明顯，其推理過(guò)程需要生成大量自然語(yǔ)言文本，自回歸解碼速度慢，難以滿足車載場(chǎng)景對(duì)實(shí)時(shí)性的要求。

圖片源自：網(wǎng)絡(luò)

第二條是世界模型（World Model）路線，它讓模型學(xué)習(xí)環(huán)境中的物理因果規(guī)律，在內(nèi)部腦補(bǔ)未來(lái)可能發(fā)生的情況，再據(jù)此規(guī)劃行為。世界模型擅長(zhǎng)預(yù)測(cè)和預(yù)判，但不像VLA那樣具備清晰的可解釋性，也就是你不知道模型為什么做出了某個(gè)預(yù)測(cè)。這兩條路線各有側(cè)重，但此前一直處在相對(duì)獨(dú)立的發(fā)展路徑上。

OneVL的核心創(chuàng)新，是找到了一種方式將這兩條路線統(tǒng)一起來(lái)，這個(gè)方式叫做潛空間推理。通俗地解釋這個(gè)方式，也就是傳統(tǒng)的思維鏈推理是把推理過(guò)程展開(kāi)成人類可讀的自然語(yǔ)言文本，逐步生成、逐步判斷。潛空間推理則是把推理過(guò)程壓縮到一個(gè)高維的、向量化的潛空間中直接完成邏輯推演，不再展開(kāi)為自然語(yǔ)言。這個(gè)潛空間中承載了VLA的場(chǎng)景理解能力和世界模型的環(huán)境預(yù)測(cè)能力，但所有運(yùn)算都發(fā)生在向量層面而非文本層面，因此推理速度可以大幅提升。

OneVL提出了三項(xiàng)關(guān)鍵技術(shù)來(lái)支撐這個(gè)方案。第一，讓模型用自己的內(nèi)部語(yǔ)言進(jìn)行思考，而不是受限于自然語(yǔ)言的表達(dá)效率；第二，讓模型學(xué)會(huì)預(yù)測(cè)未來(lái)的視覺(jué)畫(huà)面，這對(duì)應(yīng)世界模型的預(yù)測(cè)能力；第三，把整個(gè)推理過(guò)程壓縮到一步完成，即一步式推理，避免多步自回歸帶來(lái)的延遲累積。

圖片源自：網(wǎng)絡(luò)

從實(shí)測(cè)性能來(lái)看，這套方案的效果相當(dāng)可觀。Xiaomi OneVL的推理延遲最低僅0.24秒，僅為傳統(tǒng)VLA自回歸推理時(shí)間的5.4%。在精度方面，它超越了顯式思維鏈方法，同時(shí)在ROADWork、Impromptu、Alpamayo-R1等多個(gè)主流基準(zhǔn)測(cè)試上刷新了潛在推理方法的性能上限。它還能為模型決策提供語(yǔ)言和視覺(jué)雙維度的可解釋性，既可以用文字說(shuō)明為什么這樣開(kāi)，也可以用預(yù)測(cè)畫(huà)面展示接下來(lái)會(huì)發(fā)生什么。這意味著OneVL在精度、速度和可解釋性三個(gè)維度上找到了一個(gè)平衡點(diǎn)。

小米已將OneVL的模型權(quán)重、訓(xùn)練代碼和推理代碼全部開(kāi)源，對(duì)于行業(yè)來(lái)說(shuō)，開(kāi)源一個(gè)同時(shí)具備VLA推理能力和世界模型預(yù)測(cè)能力的自動(dòng)駕駛基礎(chǔ)模型，不僅降低了大模型研發(fā)的門(mén)檻，也為學(xué)術(shù)研究和工程探索提供了一套可以復(fù)現(xiàn)和對(duì)比的基準(zhǔn)方案。

硬件層面，傳感器和計(jì)算平臺(tái)如何支撐這些算法？

軟件算法的進(jìn)步必須以匹配的硬件平臺(tái)為前提，新一代SU7全系標(biāo)配了由1顆激光雷達(dá)、1顆4D毫米波雷達(dá)、11個(gè)高清攝像頭和12個(gè)超聲波雷達(dá)組成的多傳感器融合方案。

每個(gè)傳感器承擔(dān)著不同的角色，激光雷達(dá)位于車頂最突出的位置，是系統(tǒng)最重要的前向感知硬件，最遠(yuǎn)探測(cè)距離約200米。它的核心能力是精確測(cè)量前方空間的三維形態(tài)，包括道路邊界、車道結(jié)構(gòu)、前方障礙物的輪廓等。而且激光雷達(dá)不依賴環(huán)境光，在夜間或暗光條件下依然能穩(wěn)定工作。

4D毫米波雷達(dá)集成在前保險(xiǎn)杠中央，這是新一代車型新增的核心感知硬件。傳統(tǒng)的3D毫米波雷達(dá)只能測(cè)量距離、水平方位和速度三個(gè)維度的信息，無(wú)法感知高度，因此容易出現(xiàn)誤判。4D毫米波雷達(dá)在3D基礎(chǔ)上增加了俯仰角的測(cè)量能力，也就是能夠檢測(cè)障礙物的高度信息，從而有效區(qū)分路牌、高架橋、地面井蓋與真正需要避讓的障礙物。

圖片源自：網(wǎng)絡(luò)

此外，毫米波雷達(dá)在雨、雪、霧等惡劣天氣下依然保持較好的穿透和感知能力，這是攝像頭和激光雷達(dá)都難以比擬的優(yōu)勢(shì)。它可以準(zhǔn)確判斷前方側(cè)方動(dòng)態(tài)目標(biāo)的距離、速度和運(yùn)動(dòng)趨勢(shì)，為系統(tǒng)提供“風(fēng)險(xiǎn)是否在快速靠近”這類關(guān)鍵的動(dòng)態(tài)信息。

11個(gè)高清攝像頭分為7顆周視攝像頭和4顆環(huán)視攝像頭，分別負(fù)責(zé)遠(yuǎn)距離的行駛路況感知和近距離的車身盲區(qū)監(jiān)控，12個(gè)超聲波雷達(dá)則分布在車身周圍的關(guān)鍵盲區(qū)位置，負(fù)責(zé)泊車和低速挪車時(shí)對(duì)近距離障礙物的精確探測(cè)。四種傳感器各司其職又互為冗余，確保系統(tǒng)在不同場(chǎng)景、不同天氣、不同光照條件下都能獲得可靠的感知輸入。

新一代SU7還全系搭載NVIDIA DRIVE AGX Thor芯片，算力為700 TOPS，較前代雙Orin方案提升約37.8%。Thor是NVIDIA面向L2至L4級(jí)別自動(dòng)駕駛設(shè)計(jì)的新一代集中式計(jì)算平臺(tái)，在芯片層面就支持激光雷達(dá)融合感知、復(fù)雜路徑規(guī)劃算法和多路傳感器數(shù)據(jù)的并行處理。700TOPS的算力為XLA認(rèn)知大模型和OneVL這類重度計(jì)算任務(wù)在車端的實(shí)時(shí)推理提供了充裕的計(jì)算資源。

圖片源自：網(wǎng)絡(luò)

配套的電子電氣架構(gòu)也做了相應(yīng)升級(jí)。新一代SU7采用了四合一域控制模塊設(shè)計(jì)，將輔助駕駛、智能座艙、通信和整車控制整合到統(tǒng)一的架構(gòu)中，核心搭載高通第三代驍龍8移動(dòng)平臺(tái)和NVIDIA DRIVE AGX Thor芯片，支持雙5G雙卡雙通、三藍(lán)牙、雙Wi-Fi和5個(gè)UWB定位錨點(diǎn)。這種高集成度的電子電氣架構(gòu)有助于降低各域之間的通信延遲，提高數(shù)據(jù)傳輸效率，為多傳感器數(shù)據(jù)的實(shí)時(shí)融合和模型的快速推理提供底層支撐。

審核編輯 黃宇