小鹏AI战略：当汽车开始「思考」

为什么蔚来、小鹏、理想这三家都走上了自研芯片之路，以及他们如何走出了三条截然不同的路。
小鹏如何用端到端大模型重新定义智驾，以及图灵芯片如何成为这场AI革命的算力底座。

一、为什么「规则」走到了尽头
2024年10月，小鹏1024科技日上，何小鹏说了一句话：“未来10年，将是AI的10年。AI将重塑一切行业，包括汽车。”
这句话如果放在2019年说，大多数人会觉得是营销话术。但放在2024年，它已经有了足够多的证据，端到端大模型正在让汽车真正学会「思考」，而不再只是执行人类写好的指令。
理解这个转变，需要先理解传统智驾为什么正在失效。

规则驱动的天花板
传统自动驾驶系统，建立在“规则驱动”的逻辑之上。工程师手写10万条以上的规则，告诉系统在遇到什么情况时应该怎么处理：
• 前方车辆距离小于50米且相对速度大于阈值 → 减速
• 前方检测到行人且在穿越路径上 → 停车
• 遇到红灯 → 停车
• 车道线不清晰超过3秒 → 保持当前车道

这套系统在简单场景下表现稳定，高速公路、标线清晰的道路，它能处理得很好。但它的致命弱点是：现实世界的场景是无限的，规则永远写不完。

中国的道路场景尤其复杂。
电动车随意穿行、行人横穿马路、道路施工、标线不清晰、树叶遮挡摄像头……这些被称为“corner case”的极端情况，是规则系统无法穷举的。工程师每发现一个边界场景，就需要补充一条规则，但旧规则的修改又可能引入新的冲突。
系统变得臃肿、脆弱，且边际效益递减。

这还不是最关键的。最关键的是：规则系统没有真正的“理解”能力。它不知道什么是“快递三轮车”，它只知道“检测到一个小型移动障碍物在非机动车道上”；它不知道“这里有学校要减速”，它只知道“前方有限速标识”。
它的所有决策都是条件反射，不是认知判断。

数据驱动的逻辑跳跃
端到端大模型，用“数据驱动”替代“规则驱动”。这不只是技术路线的切换，而是认知范式的根本转变。

传统系统的逻辑是：感知→规则→决策→控制。每个模块独立工作，模块之间靠接口传递结构化信息。信息每传递一次，就可能产生损耗；出了问题，定位是哪个环节的责任相对清晰，但模块之间的信息壁垒也限制了系统的上限。

端到端大模型的逻辑是：传感器输入→神经网络→驾驶决策。中间不再有规则引擎，AI直接学习从“看到什么”到“怎么开”之间的映射关系。

这种学习的本质，不是记忆具体的规则，而是涌现，AI从海量人类驾驶数据中，自己学会了处理复杂场景的能力。就像人类学开车，不是背交规条文，而是看别人怎么开，自己练着练着就会了。

开车的“感觉”，不是规则，是经验。
这个“感觉”，规则系统永远无法获得，但端到端大模型可以。

小鹏的端到端架构最初分为三个模块：
感知层：XNet（神经网络）
规划层：XPlanner（规控大模型）
认知层：XBrain（大语言模型）

动态XNet实时预测周围交通参与者的行为轨迹；静态XNet实时构建3D道路环境，摆脱高精地图的依赖；纯视觉2K占用网络构建可通行空间；感知范围覆盖1.8个足球场，可识别50种以上目标物。

基于神经网络的规划层，不再依赖工程师手写的规则，训练数据来自海量“五星司机”的驾驶行为，而AI则从数据中学到了「什么叫好的驾驶」。
理解复杂场景的宏观逻辑，识别待转区、潮汐车道、特殊路牌，在规则无法覆盖的场景下做出“更像人”的判断。

二、VLA：从单个模块到一个基座
端到端大模型的下一个问题，是架构本身的进化。

VLA的跨越
VLA在VLM基础上，引入直接的动作输出能力。将视觉感知、语言推理、动作控制三者统一在同一个模型框架内，实现从多模态输入到驾驶控制指令的完整闭环。
V不是重点，视觉感知已经相对成熟。
关键是L和A的融合，Language模块理解“这是什么场景，应该怎么做”，Action模块直接输出“方向盘转多少度、油门踩多深、刹车力度多少”。

这两者之间的跨越，比想象中更难。

传统VLA架构的工作流程是：视觉输入→视觉编码→语言理解→语言描述→动作解码→控制指令。其中“语言描述→动作解码”这个环节，需要把语言层的语义意图"翻译"成具体的动作参数。

这个翻译过程会损失信息，语言能表达“减速让行”，但表达不了“在0.3秒内线性减速到每小时15公里，同时方向盘微调2度避开右方自行车”这种精细控制。

小鹏VLA 2.0的突破，就在于去掉了中间的语言描述环节。
2025年11月，小鹏发布VLA 2.0，做了一个关键架构调整，Language模块的输出直接驱动Action模块，不再经过中间的语言描述层。
这个调整把系统响应时延从理论上的数百毫秒，压到了80毫秒以下，比人类司机的平均反应时间（约250毫秒）快了三倍。
这不是简单的工程优化，而是架构层面的重新设计。它要求Language模块和Action模块在训练阶段就深度耦合，不是“先分别训练再拼接”，而是“从第一天起就是同一个模型”。

这个统一带来的实际效果是：场景切换不再需要模型切换。
园区、地库、城区道路、高速公路，不同的驾驶场景，在VLA 2.0看来，只是输入数据不同，决策逻辑是同一套。

统一基座模型还带来了另一个好处：泛化能力大幅提升。
分模块系统的泛化能力受限于每个模块的能力短板，感知再好，规划跟不上也没用。统一基座让系统的泛化上限不再受制于单个模块，AI可以在更高维度上学习驾驶的本质逻辑，而不是在每个模块上分别逼近局部最优。

2026年5月20日，随小鹏GX上市，VLA 2.0推送6.2版本更新。新增了两项关键能力：园区/地库无导航漫游。
在完全没有导航地图的陌生停车场或园区，车辆可以自主寻径，找到出口。
这依赖的是VLA模型在无地图环境下的泛化能力，它不是靠记忆路线在开，而是真正“理解”了什么是停车场的结构和通行规则。
全场景原地起步。
无论在公开道路、园区还是地库，哪怕处于P档状态，也可以直接开启智驾——不需要先设置导航目的地，不需要在特定场景下才激活，系统直接进入驾驶就绪状态。

这两项能力，从“有路可走”升级到“无路也能走”，是VLA泛化能力的直接体现。

三、图灵芯片：让大模型跑在车上
VLA大模型对算力的需求，超出了通用芯片的能力边界。

通用芯片的瓶颈
端到端大模型的核心计算量，来自模型推理。VLA 2.0基座模型的参数规模，在720亿（72B）量级。这个规模的模型在云端运行毫无问题，但要在车端实时运行，通用芯片面临三重瓶颈：
第一、内存带宽不足。大模型推理是内存密集型任务——每次计算需要从内存中读取大量参数。通用芯片的内存带宽是按照通用计算场景设计的，不能满足大模型的带宽需求。
第二、有效算力利用率低。通用芯片在运行大模型时，实际能发挥的算力只有标称值的40%到50%。其余的算力消耗在数据搬运、格式转换等“无效”操作上。
第三、编译器不匹配。通用芯片的编译器是面向通用计算的，不理解大模型的计算图结构，无法做针对性优化。

结果是：用一个标称算力100TOPS的通用芯片跑VLA，实际效果可能只相当于30到40TOPS的有效算力。

图灵芯片的设计逻辑
图灵芯片，是小鹏为VLA大模型量身定制的专用芯片。
它不是通用算力的堆砌，而是针对大模型推理做了三个层面的优化：
内存带宽针对大模型重新设计。
720亿参数的大模型，每次推理需要频繁访问参数数据。图灵芯片的内存带宽是通用芯片的数倍，直接减少了“数据等计算”的等待时间。
软硬一体协同设计，芯片、编译器、模型，三者从定义阶段就一起设计，不是“芯片做完再移植算法”，而是“算法需要什么样的芯片，芯片就设计成什么样”。

这种深度协同让图灵芯片的有效算力利用率接近100%，标称算力是多少，实际能用就是多少。
推理效率针对VLA架构优化。 图灵芯片内置针对VLA计算图的专用加速单元，在视觉编码、语言推理、动作输出三个环节分别做加速，整体推理效率远超通用芯片。

图灵芯片不只是一颗车端推理芯片，它的设计目标同时覆盖了三个场景：汽车、机器人、飞行汽车。这三个场景都需要感知-决策-执行的核心能力，都需要端到端AI模型的算力支撑。这是小鹏区别于蔚来和理想的关键战略选择。

X-World：现实世界模拟器

车端芯片解决了“跑得快”的问题，但训练大模型需要的算力，远不是车端能承载的。

为什么需要世界模型
端到端大模型的核心能力，来自训练数据。但真实驾驶数据的采集，有两个无法回避的问题：
长尾场景的稀缺性。
日常驾驶数据随处可见，但“前方突然出现施工围挡且道路标线被覆盖”、“前方车辆急刹同时旁边电动车变道切入”这类复杂场景，在真实驾驶中出现的频率极低。靠自然采集，数据量远远不够。
Corner Case的验证难度。
当系统做出了一个重要决策——比如紧急变道避让——如何验证这个决策是对的？现实中无法回放，只能靠模拟。但传统的模拟环境（基于3D重建的场景）与真实世界的视觉分布存在差异，模型在模拟中表现好，在真实道路上不一定好。
世界模型，就是为了解决这两个问题而生的。

X-World的技术原理
小鹏在2026年4月发布了X-World世界模型的技术报告，核心功能是一个“可控的多视角生成式世界模型”，基于视频扩散技术，生成与真实世界视觉分布高度一致的驾驶场景。
它的输入是：多摄像头历史视频流+驾驶动作指令。
它的输出是：对应的未来多摄像头视频流。

换句话说，X-World可以“想象”未来，给定当前的驾驶状态和接下来的操作，它能生成接下来的驾驶场景画面。这个“想象”不是胡思乱想，而是遵循物理规律、符合真实世界视觉分布的生成。

基于这个能力，X-World支撑了小鹏智驾系统的三个核心场景：
闭环仿真测试。 在X-World中运行VLA 2.0模型，可以评估碰撞率、目标达成率、行驶舒适性等关键指标。与传统3D重建仿真不同，X-World生成的场景在视觉分布上与真实世界高度一致，测试结论更可信。
截至2026年，小鹏的仿真场景库从一年前的3万个扩展到50万个以上，每天的仿真测试里程相当于3000万公里真实驾驶。这个规模让长尾场景的测试覆盖成为可能。
在线强化学习。 X-World的可控性，让小鹏可以针对特定难点场景进行定向优化。比如“路口突然出现的行人鬼探头”、“拥堵路段变道时的犹豫判断”，这些难以在真实驾驶中大量采集的场景，可以在X-World中反复生成、反复训练。
数据合成与增强。 X-World可以生成缺失的长尾场景数据，补充训练集。同时，它还可以生成海外市场的驾驶场景数据——为小鹏的全球化部署做训练数据的提前准备。

VLA 6.2.0：用户手里的真实体验
技术架构的突破，最终要体现在用户的真实体验上。
2026年5月，小鹏推送VLA 6.2.0版本更新，随小鹏GX上市同步逐步推送。这不只是一个软件版本号的变化，而是620版本新增了漫游功能，打通了全场景的能力。

核心体验变化
小鹏社区用户实测反馈，集中指向三个维度的提升：
上一版本偶尔出现的急刹、猛加速，在VLA 6.2.0上几乎消失。高速上遇到大货车，系统提前平稳向左侧偏移出安全距离，没有任何突兀的方向修正；晚高峰遇到加塞车辆，温柔减速让行，跟车距离控制精准。
这些变化，来自规控模型的底层优化——模型学会了“什么是顺畅的驾驶”，而不只是“什么是安全的驾驶”。
园区漫游功能让“召唤车辆到身边”成为现实：在停车场点击“召唤”，车辆自动绕开障碍物和行人，稳稳开到面前。全场景原地起步则彻底取消了智驾激活的“门槛”，不需要设置导航，不需要在特定场景下，系统随时待命。
突然出现的电动车或行人，系统的制动决策几乎是瞬间完成，刹车力度线性，不会有“猛往前拽”的感觉。变道决策也果断了许多，只要旁边车道有安全空隙，系统立即执行，不会犹豫等待。

这三个维度，流畅性、便利性、响应速度——恰好对应了用户对智驾最核心的三个需求：开着不累、用着方便、关键时刻靠得住。
里程碑数据：50%的驾驶里程交给AI
技术体验之外，2026年5月小鹏发布的VLA推送首月出行报告，提供了一个更有说服力的指标：智驾里程占比首次突破50%。
这意味着：小鹏车主超过一半的驾驶里程，是AI在替他开。不是“偶尔体验一下”，是“已经习惯交给AI”。

这些数字指向一个结论：智驾从小鹏的“技术标签”变成了用户的“使用习惯”。这不是营销的胜利，是技术成熟度的胜利。

写在最后回到文章开头的问题：为什么小鹏说“AI将重塑一切行业，包括汽车”？
规则驱动时代，汽车是一个执行机构——人发出指令，车执行动作。
数据驱动时代，汽车是一个学习系统——人教会它原则，它自己在复杂场景中做出判断。

而小鹏正在做的，是让汽车学会“思考”。
#小鹏GX价格炸裂# #小鹏第二代VLA一套模型打通全场景#