在巴黎听了小鹏通用智能中心负责人刘先明的技术分享。他主要对欧洲媒体讲了第二代 VLA 这次升级，以及小鹏为什么要持续投入大模型。

1、让模型理解“时间”。

真实世界一直在变化，只看当前一两帧画面，不足以判断应该怎么开车。模型需要记住过去、理解现在，再预测接下来可能发生什么。

比如前车正在掉头，需要先向前、再倒一下。如果看到前面空出位置就往前挤，反而会把对方堵住。理解了前面的过程，才知道应该给它留空间。

2、记得更多，也要反应更快。

这次升级里，长时序架构让历史信息持续参与判断，流式推理降低响应延迟，X-Foresight 世界模型推演未来约六秒的变化。

车端算力、内存和功耗有限，不能因为模型想得更多，反而让车辆反应更慢。模型架构和推理方式需要一起调整。

3、预测的价值，是提前避免陷入难题。

他举了一个窄路会车的例子：一侧道路受阻，远处已有对向车辆驶来。系统提前等候，让对方通过后再走。

如果两边都往前开，最后就会堵在一起，需要倒车或者接管。能提前判断，就不用等堵住了再想办法。

4、智舱和智驾，要一起理解人的意图。

小鹏把智驾和智能座舱团队合并到通用智能中心，希望把语言理解、座舱和驾驶行为连接起来。

比如正在去一个目的地，临时想找咖啡店，可以继续跟车交流，选择偏好的店、增加停靠点、调整导航，让系统理解需求并执行。

5、为什么一定要做大模型？他的回答是全球化。

其他公司用小模型、现成芯片也能做智驾，小鹏为什么投入这么多？

刘先明说，小鹏从一开始就希望成为全球化公司，模型需要有足够的泛化能力，适应不同国家的道路、交通参与者和驾驶环境。

他提到了德国、荷兰、法国和澳大利亚的测试。训练路径包括使用国内数据训练，再用欧洲采集的数据进行后续训练和适配。

6、同一套技术积累，可以支撑不同产品。

向上探索更高自动化水平的 Robotaxi，通过蒸馏进入计算预算更有限的 Max 车型，也可以迁移到机器人。

不同产品有不同的计算条件和要求，底层技术积累可以复用。

7、数据要看数量、质量和分布。

如果大量数据都来自简单、重复的场景，总量再大，也不代表模型学会了处理复杂情况。

他介绍，小鹏会分析数据分布，寻找覆盖不足的场景，再有针对性地触发车队采集、补充训练样本。关键是知道自己还缺什么。

8、模型升级背后，还有一整套验证工具。

同一个模型需要适应不同车型和配置。小鹏通过仿真改变车辆、传感器配置、环境和光照等条件，检查系统表现。

数据、训练、编译器和仿真这些基础设施，支撑了模型持续迭代。

9、汽车之外，他还讲到了机器人和本地大模型。

汽车上的模型、软件、编译器和工具链，可以向机器人迁移；自有芯片也可以用来在本地运行开源大模型。

他用这些能力解释小鹏所说的“物理 AI 公司”：从数据、训练到部署形成完整能力，汽车智驾是其中第一个应用方向。

10、最后的QA，有记者专门追问了本地大模型。

小鹏的芯片除了用来开车，还能在本地运行大模型，处理汽车之外的任务。本地媒体认为这块有很大想象力。

刘先明举例，企业可以把 AI 部署在自己的设备上，处理不方便上传外部平台的财务、销售等数据。这意味着小鹏自研芯片的应用范围，还有机会从汽车扩展到企业内部的 AI 计算。

#2026巴黎车展##巴黎车展智驾展示仅小鹏特斯拉参与# http://t.cn/Rcrp3gU