“我要是不给车主打电话，它能在这蛄蛹一下午。”
7月27日，一段视频在社交平台上炸开了锅。画面里，一辆理想汽车在地下车库的车位前反复前进、后退、调整方向，像一条蠕动的虫子一样在狭窄的通道里折腾了整整五分钟，始终没能停进那个看似并不复杂的车位里。后方车辆排起了长队，路过的车主无奈拍下这一幕。
视频发布后，理想汽车自动泊车翻车迅速登上热搜。网友们戏称这辆车为“蛄蛹者”，评论区里挤满了人——“智驾变智障”“这车是在车位前面跳舞吗”“看着都替它着急”。
事后，理想汽车产品线负责人李昕旸发文回应：当时车位后方有一辆电动自行车占用了空间，系统持续尝试寻找避让角度，导致反复调整。车主本人也在社交媒体上证实了这一说法，承认自己刚提车不久，以为电动车不影响泊车。理想方面同时表示，将在9月推送的9.1版本中优化复杂场景下的泊车能力，并完善泊车受阻提醒机制。
官方解释听上去合情合理——电动自行车占位，系统识别到了障碍物，所以反复调整。但问题恰恰出在这里：一个标榜“全场景智能泊车”的系统，面对一辆停在后方的电动自行车，就陷入了长达五分钟的死循环——既停不进去，也不主动退出或明确告知用户“此路不通”。
理想汽车主推的智驾系统叫“马赫VLA”。按照官方的宣传口径，这是理想汽车实现“具身智能”的关键技术组件，核心采用端到端大模型与自研马赫芯片，旨在让智能驾驶系统从“感知”走向“理解”，具备类人思考与风险预判能力。
VLA的全称是“视觉-语言-动作”大模型——融合视觉感知、语言理解与行动决策，实现端到端智能驾驶。根据公开资料，理想自研的MindVLA模型参数量约40亿，是国内首个成功部署在车端的VLA模型，马赫M100芯片单颗算力高达1280TOPS。在如此强悍的硬件加持下，全场景智能泊车本该是“基操”。
但这次的“蛄蛹”事件，暴露了至少两个层面的技术难题。
感知层面：低矮障碍物是系统的“视力盲区”。 理想客服在回应中承认：“如果车位周围有立柱、立体障碍物，系统可能无法检测到，就会出现反复调整的情况。”电动自行车的高度通常低于车头摄像头的视野下沿，超声波雷达对低矮、非金属物体的回波信号又偏弱，导致系统始终无法准确判断“这个障碍物到底占了多少空间”。它不是不想停进去，而是“看不清”。
决策层面：安全冗余的保守策略反成累赘。 系统识别到障碍物后，在“绕行”与“停止”之间反复切换，路径规划在每一次试探中都选择了“慢速调整”而非“果断判断”。对比人类驾驶员——一个经验丰富的司机扫一眼就能判断“这电动车碰不到，直接倒进去”，但机器没有这种空间推理能力，它只能依赖有限的数据反复“试错”。五分钟的无效尝试，本质上是一个算法在不确定中陷入了死循环。
更值得关注的是，这并非孤立事件。第三方实测数据显示，在断头路车位、极窄侧方、机械车库等极端场景的多方对比测试中，极氪、小鹏、问界均一次完成断头路泊入，而理想两次测试均以失败告终。一台车的“蛄蛹”是笑料，一个系统在多场景下的连续翻车，就是问题了。
理想不是第一个，也不会是最后一个。
2026年，自动泊车事故正在集中暴露。7月，南京一位蔚来乐道L60车主在使用自动泊车功能时，车辆未能识别悬挂在立柱上的消防栓，导致右侧车漆剐蹭。售后回应称：“智能驾驶相关功能仅为辅助功能，驾驶员应时刻观察车辆周围环境。”更早前的案例中，有宝马车主在自动泊车时撞上悬空水管，销售方称系统雷达在保险杠下方，对悬空物体存在盲区。
这几个案例有一个共同的“罪魁祸首”——非标准、低矮、半遮挡的障碍物。在技术术语里，这叫“corner case”，是当前所有泊车系统的共同软肋。
当前主流智能泊车方案依赖高精地图加离线训练，对动态环境的自适应能力先天不足。搭载激光雷达加多传感器融合的车型，在标准车位里成功率能到95%以上，但一旦遇到无标线车位或低矮障碍物，识别率就会明显下滑。而纯靠超声波雷达加摄像头的方案，在真实世界的复杂场景面前更加脆弱。
有媒体走访多家4S店发现，销售在试驾时重点展示自动泊车的“丝滑便捷”，甚至用“什么都不用管”来形容，但对系统识别盲区、使用边界、事故责任归属等关键风险几乎不主动告知。理想销售被追问才承认“复杂环境自己停，没必要赌它能不能检测到”；小鹏销售演示无人泊车时称“不可能擦碰”，被追问才承认悬空物识别不了。
宣传时无所不能，出事后“只是辅助”——这种落差，正在一点点消耗消费者对智驾功能的信任。
理想汽车在此次事件中的回应速度值得肯定——事发后两天内，产品线负责人李昕旸就公开回应并承诺在9.1版本中优化复杂场景下的泊车能力，完善泊车受阻提醒机制。当系统判断无法完成时，主动提示用户接管。
但这起事件留下的思考，远不止“一个OTA版本能解决”的范畴。
算法层面可以优化，但硬件盲区是物理天花板。 增加低矮障碍物的训练数据、调整安全冗余阈值、优化泊车受阻提醒——这些都能缓解问题。但摄像头安装位置决定的视野下沿、超声波雷达对非金属物体的探测局限，这些物理层面的盲区，无法通过软件升级消除。短期能“补丁”，根治需要下一代传感器方案。
安全冗余与用户体验之间，存在根本矛盾。 更保守的策略——遇到障碍物直接停止并请求接管——会降低用户满意度，用户会抱怨“动不动就退出，还不如我自己停”。更激进的策略——强行绕行——可能带来剐蹭风险，出了事故责任更难划分。折中方案是分级报警：慢速试探、变道尝试、最终求助。但“分级”的边界在哪里，考验的是车企对场景理解的真实深度。
2026年2月，工信部和市场监管总局联合发布了《关于进一步加强智能网联汽车产品准入、召回及软件在线升级管理的通知》，更多聚焦于准入和OTA管理层面。 8月，《关于加强智能网联新能源汽车产品召回、生产一致性监督管理与规范宣传的通知（征求意见稿）》正式发布，向社会公开征求意见。但对于“自动泊车失败导致拥堵或事故，责任如何划分”这类具体问题，仍处于模糊地带。
电动自行车占位确实是不利因素，但真实世界中从来就没有“完美车位”。地下车库的立柱、隔壁车位的斜停、后方堆放的杂物——这些都是日常泊车中的常态。如果一个智驾系统只能在“完美条件”下工作，那它的“智能”就太脆弱了。
当一台号称“智能”的车在众目睽睽之下反复“蛄蛹”却停不进一个普通车位时，消费者对“智驾”的信任，正在被一点点消耗殆尽。理想汽车承诺在9.1版本中优化复杂场景下的泊车能力，我们期待这个承诺能够兑现。
但更希望整个行业都能意识到：智驾的“最后一公里”，不能靠用户在围观中尴尬收场。
你认为自动泊车的“智能”边界应该划在哪里？
