在智能汽车与自动驾驶领域的激烈角逐中，核心领先企业正逐步形成统一的技术路径。特别是在 ICCV 2025 会议上，这一趋势已然显露无遗：端到端方法虽已主导市场，但数据瓶颈日益凸显，强化学习与云端生成式世界模型正成为新的技术基石。特斯拉与理想汽车等巨头，在这场 AI 顶会上同步分享了前沿实践，彰显出行业共识的形成。
特斯拉自动驾驶副总裁 Ashok Elluswamy 强调，他们正利用世界模拟器对车载模型进行评估。与此同时，理想汽车 VLA 模型负责人詹锟在具身智能专题研讨会上，围绕“世界模型：从数据闭环向训练闭环的演进”主题，深入剖析了理想的创新思路。
理想的核心观点是：单纯的数据闭环已难以支撑 L4 级自动驾驶的突破，VLA 模型需借助训练闭环实现跃升。詹锟在会议后进一步交流中，详述了这一闭环的构建逻辑与实际应用。
自动驾驶进入新阶段：数据闭环的局限与训练闭环的兴起
理想在 ICCV 开场白中指出，自动驾驶技术正如大模型一般，步入“下半场”。回顾上半场，端到端架构整合了整个技术栈，充分发挥了 Scaling Law 的红利，推动 AI 性能迅猛提升。
然而，理想团队很快意识到，基于模仿学习的 AI 仅能捕捉数据中的平均表现，难以逾越人类驾驶极限，这要求技术范式进行根本性调整。与此同时，大规模计算资源和高精度仿真技术的迅猛发展，为这一转变提供了坚实基础。于是，理想果断从数据闭环转向训练闭环。
数据闭环是行业标配：通过采集、训练、评估与部署的循环迭代。但它难以触及罕见边缘场景，导致覆盖不全。
训练闭环则更进一步：模型通过生成虚拟环境并获取反馈，实现持续优化，直至达成预设目标。具体而言，理想在云端搭建了世界模型训练平台，用于培育融合先验知识与驾驶经验的车载 VLA 模型。这是业内首创的完整架构，将世界模型无缝融入强化学习闭环，并应用于量产自动驾驶系统。
需澄清的是，理想的世界模型并非单一组件，而是一个综合体系，涵盖环境搭建、智能体设计、反馈机制及多路径场景演化。该系统是本次 ICCV 分享的焦点，核心功能分为三大模块：
- 区域规模的仿真与评估
- 创新数据合成
- 强化学习驱动的世界引擎
这些模块协同发力，推动训练闭环落地。以下逐层展开。
首先，区域级仿真与评估是车载 VLA 模型实现长序列真实测试的基础。理想采用“重建 + 生成”的混合策略，以平衡二者优势。
重建路径能精确复现目标对象，确保高稳定性和忠实度，但输出多为静态。生成路径则擅长动态变幻，可产出全新视角的图像，提升泛化能力，却易失控。为此，理想融合两者，并与合作伙伴联合产出多项顶会成果。
例如，早前参与的 Street Gaussians 算法——首个针对自动驾驶的 3D 高斯街景重建方案，被 ECCV 2024 录用。
此外，本届 ICCV 收录的《Hierarchy UGP: Hierarchy Unified Gaussian Primitive for Large-Scale Dynamic Scene Reconstruction》（分层统一高斯图元用于大规模动态场景重建），由浙江大学、理想汽车及电子科技大学等联合完成。该模型在自建数据集及 Waymo 公开数据上均创 SOTA 纪录。
其结构分三层：根层作为入口，子场景层细化空间划分并提取元素，图元层则运用 4D 统一高斯图元（Unified Gaussian Primitive）建模刚性与非刚性运动，实现高效重建。
上述聚焦重建的成果之外，在混合方向，理想与 GigaAI 合作推出的 ReconDreamer 方案——通过生成补充缺失视角的重建方法，被 CVPR 2025 接纳。
尽管重建已获显著进展，但詹锟认为，生成技术能低成本批量制造边缘场景，且多样性更强。因此，未来仿真中生成的比重将持续上升，重建占比相应下降，这一演进势不可挡。
世界模型的第二大应用是数据合成能力：通过构建均衡、多样的场景库，实现评估的全面性，并提升模型效能。
理想将合成数据分为三层：场景编辑（优化现有素材）、迁移（跨域适应）及全场景生成（原创极端案例）。这一机制显著拓宽数据边界——传统采集数据多局限于晴朗天气、常规路况与标准车辆（上图上半部），而融合合成后（下图下半部），极端与复杂场景激增，模型鲁棒性随之跃升。
强化学习世界引擎是理想视作最大难关的第三层：它赋予模型在虚拟环境中自主探索与即时反馈的能力，五大要素决定成败：
- 世界模型、3D 资产及仿真智能体：确保环境真实度
- 奖励模型：直接主导强化学习效果
- 性能优化：关乎大规模部署的可行性
其中，仿真智能体最为棘手：精确模拟他车与自车的交互，甚至他车间的动态，比单车 L4 更具挑战。詹锟分享两种应对策略：一是自博弈（Self-play），二是理想独创的约束范式——通过目标与奖励函数规范多智能体行为，包括个体轨迹与交互模式，并动态调整权重以丰富样本分布。
这些技术积累正驱动理想辅助驾驶能力迅猛迭代，通过分步升级逐步逼近 L4。詹锟现场演示了园区内道路的辅助驾驶片段，展现初步成效。
理想的盈利引擎：支撑创新的商业化闭环
率先转向训练闭环，得益于理想独有的另一闭环——商业化闭环。作为新势力中首家盈利企业，理想将巨额资金注入研发：2023-2024 年年均超百亿，2025 上半年达 53 亿，全年预计破百亿。
投入不止于上层算法，还延伸至底层整车 OS：理想星环 OS 于 2024 年首发，实现软硬件解耦，芯片适配仅需 4 周。
上车后，星环 OS 贯通车辆多模块，提升整体协同。以 AEB（自动紧急制动）为例，传统链路涉及传感器感知、中央决策与执行刹车，多域控制器间延迟累积。星环 OS 的跨域设计加速响应，据测，在 120 km/h 时速下，刹停距离缩短 7 米——极端情境下，这或成生死一线。
这项成果不止惠及 130 万车主，还辐射行业：2025 年 3 月开源，源码渐次释出。自研投入超 10 亿，上车后年省 BOM 数十亿。开源后，多家车企免去数亿研发开支，迅获 OS 能力。
开源生态迅兴：2025 年 9 月，长城汽车、英飞凌、芯驰科技、汇川联合动力、欣旺达及德赛西威等 16 家伙伴，与理想共签《星环 OS 社区章程》。
理想开源不止获业界青睐，还获学术肯定。本届 ICCV 录用其 3DRealCar 数据集，Apache 2.0 协议全开源。
该集含 2500 辆真实汽车，每辆超 200 张高分辨 RGB-D 图像，是业内首大规模高质量 3D 车辆库，覆盖 360° 视角与多光照。
每车附 RGB-D、点云、解析图及详尽标注，适用于 2D/3D 任务与场景重建。3D 车辆数据稀缺一直是痛点，开源后迅速被头部企业采纳。
理想的 AI 转型：从汽车到空间机器人的跨越
随着 AI 成果频现，理想已摆脱“家用车”标签，转向技术驱动型企业——一个 AI 赋能、超越汽车边界的空间机器人玩家。
这一转变水到渠成：造车全链闭环稳固，VLA 技术全栈上车，预研水准获全球认可（如 ICCV 的《RoboPearls: Editable Video Simulation for Robot Manipulation》——3D 高斯泼溅的可编辑视频仿真，用于机器人任务数据生成）。
更关键是“研产闭环”：研究源于量产痛点，成果速落地。典型如 CoRL 2024 的《DriveVLM: The Convergence of Autonomous Driving and Large Vision-Language Models》——VLM 与端到端双架构，已量产并显著提升辅助驾驶。
综观今年 AI 车企，算法、商业与研产三闭环齐备者凤毛麟角。特斯拉领衔，理想紧随。
这份融合车企底蕴的 AI 阵营，将日益壮大……但当下，仅是破圈伊始。从学术到产业，再到大众认知，理想正以崭新姿态前行。
趋势已定，三日不见，当刮目相看。
