理想汽車具身 AI 三件套：由看懂場景到產生動作，還差哪一步？

理想汽車的 Foundation Model 團隊於 2026 年 9 月 22 日公布 ME-Brain-1.0、MachEmbodied-VLM（ME-VLM）和 MachEmbodied-U0（ME-U0）三項具身 AI 成果。放在一起看，它們勾勒出機械人由觀察場景、理解任務，到產生動作的技術路線。不過，三項成果同時發布，並不代表整套系統已在同一部端側裝置上，以自主機械人的形式通過獨立驗證。35

三個名稱，分工有何不同？

ME-Brain-1.0 是系統層面的構想。 理想汽車以記憶、認知和行動描述它。有報道指，其記憶相關模組可在自家 M100 系統單晶片（SoC）上運行，用於裝置端的記憶生成與檢索；這比「整個 ME-Brain 都在 M100 上運行」狹窄得多。35

ME-VLM 負責視覺與語言認知，以及智能體協調。 技術報告指，它的訓練涵蓋具身及多模態智能體任務，並納入執行過程的觀察與回饋，以協助評估結果和調整決策。報道提到一個 35B-A3B 混合專家版本，以及面向端側部署、規模較小的 4B 版本。15

ME-U0 則嘗試把「理解」接到「生成」。 據報，其 Mixture-of-Transformers 設計連接理解任務與場景的專家模組，以及產生動作的專家模組。看得懂要做甚麼，與能否穩定做出來，是兩道不同的考題。目前資料將三者描述為互補部分，未能證明它們已作為單一自主系統完成聯合測試。25

成績亮眼，但要看清測試條件

按理想汽車的比較表，大型 ME-VLM 在具身測試組的平均分約為 70.9，智能體測試組約為 72.5；4B 版本在公司比較中排第二。這些數字概括了公布的評估結果，但在缺乏完整測試條件及獨立重現下，不宜當作機械人普遍可靠性的指標。5

ME-U0 方面，理想汽車公布的 RoboDojo 得分為 17.66，在 LIBERO 和 LIBERO-Plus 的平均成功率分別為 99.1% 和 81.8%。關鍵細節是：LIBERO 成績是在使用各基準提供的監督訊號作適配之後取得，不能理解為模型毋須適配，就能在陌生實體環境達到相同成功率。3

訓練數據與 M100：哪些證據不能混為一談？

理想汽車稱，ME-U0 從約 5,700 小時機械人數據及 3,920 小時第一身視角影片的原始數據池中，篩選約 4,200 小時作預訓練。第一身影片或有助模型接觸機械人示範以外的視覺情境；但單憑數據時數，無法判斷它換到新機械人或新環境後表現如何。3

至於端側推論，ME-VLM 作者報告指，透過視覺 token 壓縮、W4A8 量化及軟硬件協同優化，4B 版本可在 M100 上運行，並將 prefill 延遲由 400 毫秒降至 188 毫秒。Prefill 只是模型推論的一個階段，並非機械人從感知變化到完成實際動作的總耗時。現有引述資料亦未證明 35B-A3B 版本，或完整的 ME-Brain 與 ME-U0 系統，能同時在單一 M100 上運行。15

示範之後，真正要驗證甚麼？

發布報道描述了一段約一小時的抓取示範，以及約四分鐘、包含 15 個步驟的沖咖啡流程。它們展示了理想汽車選擇呈現的任務，卻不能回答：物件、光線或干擾條件由獨立測試者決定時，系統成功率如何？長時間反覆使用後，又能否從失誤中恢復？現有引述資料亦不足以支持更具體的第三方示範失敗結論。3

下一步最有說服力的證據，是由外部訂明條件、可重現的整合系統測試：在陌生配置下量度任務成功率、失敗後的恢復能力，以及指定硬件上由感知到動作的全程延遲。在此之前，基準分數和 M100 的 prefill 改善各有參考價值，但不能合併成「通用機械人已獲驗證」的結論。135