（问题）自动驾驶能否安全、稳定地走进日常出行，仍是公众最关注的话题之一；业内调研显示，超过六成车主对涉及的功能保持观望，担忧主要集中“关键场景是否可靠”“复杂环境会不会误判”“极端天气是否失效”等。随着城市道路开放测试推进、辅助驾驶功能普及，技术能力与用户信任之间的差距，正成为产业继续向前的实际门槛。 （原因）李想指出，目前不少方案主要基于2D视觉数据进行训练与推理，容易在三维几何结构、遮挡关系和距离尺度等关键信息上出现缺失。他将其概括为：系统在“看见”与“理解”之间仍有断层。业内常用的BEV（鸟瞰）表征便于规划与融合，但从二维到三维的映射不可避免带来维度压缩；OCC（占用网络）更强调几何占据状态，对道路语义、交通参与者意图等更“可解释”的信息表达仍偏弱。在他看来，人类驾驶能力依赖对三维物理空间的长期建模与经验归纳；如果模型训练难以在三维空间内形成一致认知，就容易在施工路段、异形车道、汇入汇出等非典型场景暴露边界问题。 （影响）这些短板直接影响自动驾驶系统的安全冗余与推广能力。一上，感知不稳定会放大决策风险，使制动、变道、让行等动作出现犹豫或过度保守；另一方面，过度依赖单一传感器或特定数据分布，也会提高系统在雨雾夜间、逆光炫目等条件下的失效概率。对车企而言，这不仅是体验问题，还涉及合规测试、事故责任与品牌信任，影响技术从“能用”走向“可规模化使用”的节奏。 （对策）针对行业普遍的二维训练路径，理想提出原生3D视觉编码器与三维空间训练方案。据介绍，该方案将模型学习与推理直接放在三维空间中完成，并以更高算力支撑更大规模的三维特征计算与多模态融合。理想称，自研“马赫”芯片带来约三倍算力提升，使系统在500米以上距离实现更稳定的环境感知；激光雷达在该体系中更多承担高精度标定与校验角色，用于增强整体冗余与一致性。相关技术文档披露，动态障碍物轨迹预测准确率提升约42%，复杂路口决策延迟可降至90毫秒以内；在夜间雨雾等极端天气测试中，有效感知率仍可保持在98.7%左右。业内人士指出，若上述指标能在更大规模、更多城市道路和更长周期内持续验证，将有助于缓解用户对“关键时刻靠不靠得住”的核心担忧。 （前景）从产业趋势看，自动驾驶竞争正从“堆传感器、拼数据”转向“重认知、重通用”。李想同时透露，公司正探索基于该架构的通用平台能力，尝试向家庭服务、工业自动化等更广泛的物理场景延伸。业内认为，若三维感知与更强的场景推演能力能够沉淀为可复用底座，有望提升跨场景迁移效率，推动技术从“单一交通功能”走向“通用物理智能体”。但也需要看到，任何路线要实现大规模商用，仍需经受法规边界、公开道路验证、极端场景覆盖、数据合规与安全评测体系等多重考验，尤其要在可解释性、失效监测与人机共驾策略上形成更严格的工程闭环。
自动驾驶的突破不仅会改变出行方式，也是在推动人工智能更深入地理解物理世界；理想汽车提出的三维视觉方案为缓解行业瓶颈提供了新思路，其意义或在于深入打开“机器如何认知现实”的技术路径。当智能系统能够更接近人类对三维空间与物理规律的理解，我们或将看到人工智能与物理世界更紧密的融合。