理想OTA最硬一战：近百万老车主迎来马赫VLA 2.0

贾浩楠 发自 凹非寺

量子位 | 公众号 QbitAI

2022年交付的车，2026年的辅助驾驶模型——

中间隔着两代英伟达车规芯片、三套算力规格、一套从自研编译器到英伟达Orin-X的适配层。

9月10日，理想推送OTA 8.6：理想马赫VLA 2.0覆盖2022-2025款AD Max车型近百万用户，Orin-X与Thor-U同期收到适配版本。

给老车型推送最新的智能驾驶辅助模型，在今年已经不算新鲜事，甚至“蒸馏”这一专业术语也开始走进大众视野。

但理想这次OTA却不仅仅停留在“蒸馏一个小模型”的层面，更关键的信息是：多平台、同期、能力最大化。

用户实际得到了什么？为什么前两代旧芯片能同时拿到？

OTA 8.6落地了什么

理想OTA 8.6如果只挑一个重点讲，那必须是智能辅助驾驶——也就是这次新上的理想马赫VLA 2.0。

改的全是以前最容易让人觉得别扭的几个环节：跟车、绕行、变道和博弈。我们收集了一些理想用户升级OTA 8.6的实际上路表现，一起来看看。

先看跟车：跟车更跟手，车辆提速更快，不再容易出现前车走了、自己还慢悠悠跟着的情况；同时跟车过程也更平顺，对前车动作的理解更快，也能够更快做出反应：

△

来自理想车主@晓鹏有理想

再看绕行：绕行更主动，既有“静态”场景，比如遇到故障车提前发起绕行：

△来自理想车主@Zjy

更有“动态”绕行场景，和变道同时完成：

△来自理想车主@晓鹏有理想

变道超慢车的同时，发现那个要超的“慢车”同时也在变道，理想马赫VLA 2.0果断再次加速，完成了两次变道+超越慢车，而没有机械地因为“时机不好”取消超车。

这个案例中，还能看到第三大变化：变道更强调效率，过去偶尔出现的犹豫、骑线现象得到改善：

△来自理想车主@爱折腾的大刘

市面上最常见的超车变道能力，通常是简单的规则主导，即“前车”速度低于某个数值，必然启动变道，但缺乏对整体路况通行效率的考虑，所以常常出现变过去反而更慢（比如误入了转弯车道）的情况。

但理想马赫VLA 2.0在上面的案例中，表现出的是对路况的整体把握，不仅看当前车道，还会综合判断其他车道状况。

高峰拥堵时的变道博弈，理想马赫VLA 2.0变得更加果断坚决，对方稍微让出一点空隙，马上干净利落地完成变道：

△

来自理想车主@老6要有理想

即便遇到突然停止的进站公交车，也几乎不带任何犹豫就能够发起变道：

△来自理想车主@不系

同时，博弈能力也得到了很大提升，在突遇拥堵需要强博弈的路段，OTA 8.6的表现可以说能够让人满意：

△来自理想车主@老6要有理想

理想马赫VLA 2.0智能辅助驾驶的边界，还继续往车外延伸。

泊车部分增加了非划线车位识别，连露营、路边临时停车这类不那么标准的空间也能尝试识别；遥控泊出支持远程唤醒，不用提前站在车边等。

更有意思的是，理想开始把AI眼镜Livis和App接进泊车流程，用户人在车外，直接说一句“帮我泊车”或者“向前开5米”，车辆就能执行相应操作。

从行车、泊车到补能，理想OTA 8.6其实是在把“人坐在车里操作”逐步变成“人给车下指令，车自己把事情办完”。

至于智能座舱和智能电动，这次更多是体验层面的升级：座舱新增转向盲区影像、哨兵多视角上传，音乐、视频和目的地预测等功能同步升级；

电动部分则围绕续航和补能做细节优化，包括末段温控、备车电池预冷、多时段预约充电以及自动充电车型开放等。

所以，理想OTA 8.6最核心的变化，还是理想马赫VLA 2.0把智驾从“完成动作”，进一步推向“处理复杂情况”；而眼镜控车则开始把这种自动化能力从道路延伸到整个用车过程。

都是旧平台OTA，理想的升级难点在哪？

理想OTA 8.6背后的真正难点，不是把理想马赫VLA 2.0简单蒸馏成一个轻量版，而是让同一套模型能力跨过不同年代、不同算力乃至不同计算架构的芯片，最终尽可能带给原用户近乎一致的驾驶体验。

理想的做法，是先在云端训练更强的教师模型，再针对马赫、Thor-U、Orin-X等平台，把能力迁移到各自的车端学生模型上。难就难在，这几套硬件并不是简单的“高低配”。

马赫M100采用动态数据流架构，Orin-X和Thor-U则是GPU架构，连底层计算方式都不同；同时，Thor-U可以使用FP4、FP8，Orin-X高效部署则主要依赖INT8。因此从马赫迁移到英伟达平台，模型结构、Token预算、量化、算子和部署策略都要重新设计。

这里还有一个很关键的训练思路：不是让学生模型一味照抄教师模型的标准答案，而是让它自己先开、自己做判断，再专门抓住它容易犹豫、容易犯错的地方，让教师模型及时纠偏。

这样训练出来的模型，学到的不是一套“标准答案”，而是自己在真实道路上遇到问题时应该怎么处理，因此更有利于改善上车之后的实际表现。就像学生学会老师的解题思路，也一样能解开难题。

而这背后依靠的，也不只是一个模型团队。

理想过去4、5年搭起来的自研模型、Harness、自研操作系统、编译器团队和自研芯片，实际上共同组成了一套从训练到部署、再到车端执行的完整体系。

最终还要经过算法评测、仿真、实车测试、多城市泛化和用户反馈，验证功能、平顺性、稳定性以及安全边界后，才能全量推送。

所以，理想OTA 8.6真正有价值的地方，是理想把一次模型升级，变成了一套跨芯片的AI能力迁移工程：

云端把能力做强，再针对不同硬件重新压缩、适配、训练和验证，最后把这套能力“翻译”成不同芯片都能执行的版本。

模型可以是一套，但要让不同硬件上的车都尽可能开出相近的体验，背后其实是一整套软硬件协同的工程。

如何解读

如果只把理想OTA 8.6理解成“老车也吃到了理想马赫VLA 2.0”，其实还是低估了它的意义。

本质上，是理想正在解决一个汽车行业越来越绕不开的问题：AI模型的迭代速度，远快于汽车硬件的生命周期。

一辆车通常要用五六年，但AI模型几个月就可能换一代。新车可以直接匹配最新模型，真正困难的是，硬件已经冻结的老车，能不能继续跟上AI能力的迭代。或者说，愿不愿意让这些硬件冻结的老车，跟上AI能力的迭代。

理想的答案是：意愿和能力都得有。

这也是为什么，理想强调老用户是最宝贵的资产的同时，也让我们看到过去几年建立的自研模型、自研芯片、星环OS、Harness和编译器五大体系协同起来时，会有怎样的爆发力。

这甚至会改写后续对于一家车企技术能力的评判标准。当然，也可能改变汽车产品本身的生命周期。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

— 完 —

🌟 点亮星标 🌟

科技前沿进展每日见