站在 2025 年科技日的舞台上，何小鹏深有感触地说了一句：" 谁都打败不了趋势。"

过去几十年，我们见证了互联网把电脑连成网络，见证了手机让信息如影随形，又见证了 ChatGPT 这样的 AI 成为数字世界的 " 创造者 "。但这些变革，始终停留在屏幕之内。

如今，趋势正转向一个更艰难的战场——物理世界。

何小鹏对此感触尤为深刻。他们曾投入 3 万张 GPU 卡，烧掉 20 多亿训练经费，无数次站在放弃边缘。就在几乎绝望时，转机以一种意想不到的方式降临——自动驾驶系统突然 " 开窍 " 了。它开始能理解从未被明确教过的东西，比如路人挥手的意图、红灯读秒的节奏。

这不仅仅是技术的突破，更像是一个信号。当 AI 从虚拟世界迈出脚步，开始看懂、理解并操控我们身处的真实环境时，物理 AI，正成为那股迎面扑来的科技巨浪。

争夺新大陆

当 AI 开始进入物理世界，整个科技圈仿佛一夜之间达成了共识：物理 AI 就是下一个必争之地。

黄仁勋在 GTC 大会上断言，AI 正从 " 生成式 " 迈向 " 代理式 "，下一步就是 " 物理 AI" 时代。阿里巴巴 CEO 吴泳铭也说过，通往超级人工智能之路有三个阶段，而第三个阶段就是 AI 直接从物理世界获取全面原始数据，并通过自主学习实现自我迭代升级。

共识之下，路径各异。

有的玩家，如特斯拉、小鹏，选择了 " 垂直整合 " 的道路，他们效仿苹果，致力于打造从芯片、传感器、软件到车辆制造的闭环体系，将核心命脉牢牢掌握在自己手中。特斯拉凭借全自研的 FSD 芯片和视觉算法，构建了其自动驾驶的护城河；而小鹏则通过自研的 " 图灵 "AI 芯片、第二代 VLA 模型及云端算力集群，将能力复用于飞行汽车和机器人。

而另一条路上，英伟达、华为等公司，则继续扮演着 " 生态赋能者 " 的角色，例如英伟达凭借其 Blackwell GPU 系列和 Cosmos 平台，构建了强大的算力帝国。华为则聚焦于 " 超节点互联 "，其副董事长徐直军强调，这是支撑物理 AI 大规模算力的关键。

与此同时，像 Waymo 和百度 Apollo 则长期专注于 Robotaxi 这一终极场景，希望通过攻克最高阶的完全无人驾驶技术，来证明 " 物理 AI" 的终极可能性。

尽管路径各异，但所有这些巨头的技术演进，都指向同一个方向：让 AI 从只能解决单一问题的 " 专才 "，成长为能从容应对现实世界各种混乱与不确定性的 " 通才 "。

而对于这些企业来说，当下的每一场路测，每一次算法更新，每一款新产品的发布，其意义都早已超越了 " 造一辆更好的车 " 本身，而是在为未来争夺一张核心的门票。

四张王牌，一个AI大脑

路径已然清晰，但竞争才刚刚开始。上述几条道路，无论选择哪一条，都是一场需要巨大投入的豪赌。特斯拉赌的是纯视觉和规模效应能够颠覆成本，英伟达赌的是开放生态将定义行业标准，Waymo 赌的是技术极致可以攻克单一场景。

而小鹏的赌注，则押得更为彻底。它不仅要做垂直整合，更是要把几大出行场景打通，从 " 未来出行探索者 " 彻底转向 " 物理 AI 世界的出行探索者 "。

这就意味着，它要同时面对来自芯片研发、算法创新、产品定义乃至多个场景商业化落地的全方位挑战。支撑这次豪赌的，是小鹏决心自己掌控的一套核心技术体系。

这套技术体系的核心，是一个名为 " 第二代 VLA" 的模型。它与业界常见的模型有根本性的不同。简单来说，传统模型需要先将看到的画面转换成语言描述，比如 " 前方有车变道 "，再根据这个描述生成驾驶动作。而小鹏的第二代 VLA 则砍掉了这个 " 翻译 " 环节，让模型能够直接根据视觉信号来生成控制指令，实现了从 " 看到 " 到 " 行动 " 的端到端闭环。这样做不仅反应更快，更重要的是避免了语言描述可能造成的信息丢失，让 AI 能更直接地学习真实世界的物理规律。

为了让这个强大的模型能在车上顺畅运行，小鹏在算力上下足了血本。通过自研的 " 图灵 "AI 芯片和深度的软硬件优化，小鹏将车端算力推高到了 2250TOPS，这远超行业普遍水平。强大的算力如同一个结实的底盘，使得在车辆上搭载一个拥有数十亿参数的 " 大模型 " 成为可能，而通常其他车企只能在车上运行千万级参数的 " 小模型 "。参数规模越大，模型的理解和决策能力通常就越强。在云端，近三万张 GPU 卡组成的算力集群日夜不停地对模型进行训练和优化，确保它能持续进化。

计划于 2026 年推出的小鹏 Robotaxi，试图从根本上解决当前行业 " 成本高、范围小、体验差 " 的痛点。它从设计之初就是为无人驾驶而生的前装量产车，而非后期改装，这大大降低了成本并保证了可靠性。它不依赖昂贵的激光雷达和高精地图，仅凭纯视觉方案和二代 VLA 的强大的理解与泛化能力，就能适应不同城市，甚至全球各种路况和交通习惯，真正实现 " 不限区域 " 的运营。

在人形机器人领域，小鹏的目标是打造 " 最拟人 " 的机器人。全新一代的 IRON 机器人，不仅拥有仿人的外形、灵活的骨骼和逼真的皮肤，其关键在于被赋予了 " 思考能力 "。这使得它不再是实验室的展示品，而是能真正走入商场、工厂，从事导览、巡检等工作的商业工具。

而在天空，小鹏汇天打造的 " 陆地航母 " 和 "A868" 飞行汽车，则构成了低空出行的两翼。据悉，" 陆地航母 " 已获得 7000 台订单并进入试产阶段，让人们看到飞行汽车规模化商用正在成为现实。

物理 AI 的价值，最终必须通过其在物理世界中的 " 行动能力 " 来兑现。Robotaxi、智能汽车、人形机器人与飞行汽车，这四大场景并非彼此割裂的孤立产品，而是构成了物理 AI 能力逐级攀登、验证与复用的 " 能力阶梯 "。

它们之所以共同成为竞争的焦点，在于其高维度的环境复杂性与极致的安全可靠性要求，迫使物理 AI 模型必须发展出远超实验室级别的稳健性。同时，清晰的商业化路径与由此形成的 " 数据飞轮 "，使得这些场景能支撑高昂的研发投入，并最终形成难以逾越的数据壁垒。

从智能汽车到 Robotaxi，再到人形机器人和飞行汽车，小鹏的布局看似庞大而分散，但恰恰是一场高风险、高回报的豪赌。小鹏赌的是，通过在多个真实物理场景中反复锤炼同一套 AI" 大脑 "，能够更快地催生出真正通用的智能，从而在这场定义未来的竞争中建立起难以逾越的护城河。这条路充满挑战，但一旦成功，小鹏将彻底重塑自身，成为物理 AI 时代真正的领跑者。

闯关物理AI，最后两战定胜负

路径清晰，赌注也已押下。但物理 AI 要真正融入现实世界，仍面临两大核心挑战：如何获取高质量的 " 数据燃料 "，以及如何构建共赢的 " 产业生态 "。这要求玩家必须在自主与开放之间，找到那条狭窄的生存线。

何小鹏在交流环节中道破了竞争的本质：" 数据就像石油一样，是一个能源。谁能够获得有价值的大量数据，谁就能够驱动将来 AI 或者物理 AI。" 这意味着一家公司的护城河，不再仅仅是算力的堆砌，更在于能否从真实场景中获取高质量、高价值的闭环数据。

小鹏的全栈自研，本质上是一场数据争夺战。无论是 Robotaxi 在复杂路况中的决策，还是机器人在商场导览时的交互，每一次 " 行动 " 都在为 AI 大脑注入宝贵的燃料。何小鹏特别指出，数据的价值不在数量，而在质量。" 一条直路开 100 公里，数据是 0，没有意义。" 真正的关键在于捕获那些 " 长尾和异常数据 "，并持续反哺模型。

这也解释了小鹏为何坚决推进多场景落地，因为每个场景都是一个独特的数据矿场，都在帮助 AI 更深刻地理解这个混乱而复杂的物理世界。

然而，物理世界的复杂性远超任何单一公司的能力边界，这引出了第二个挑战：生态建设的悖论。技术越复杂，越需要产业链合作；但核心能力越开放，又越可能丧失定义权与差异化。

小鹏的答案是 " 在关键处闭环，在生态处开放 "。何小鹏多次强调：" 小鹏是一个非常开放的心态。" 他们将 Robotaxi 能力以 " 工具箱 " 形式开放给高德等伙伴，也在机器人、芯片架构上寻求对外合作。

但开放不等于放手。在芯片、模型、数据闭环这些核心环节，小鹏坚持自研，以确保技术路径自主与用户体验一致。顾宏地也坦言：" 更加开放的生态系统和更加封闭的系统，都有自己的优劣势。" 小鹏的年轻与灵活，使其更愿意借合作弥补资源短板，加速技术成熟与场景拓展。

这种 " 核心自控、生态开放 " 的路线，正是小鹏在物理 AI 这场马拉松中的生存策略，既要构建自身的技术堡垒，又要避免因封闭而沦为孤岛。

当车企、科技公司、机器人公司的界限日益模糊，所有玩家都清晰地意识到：物理 AI 已从炫技的 " 概念演示 " 阶段，迈入了务实求证的 " 产品落地 " 深水区。这不再是一场关于谁的概念更超前的辩论，而是一场关于技术、商业、生态与耐力的综合竞赛。

无论是特斯拉的垂直整合、科技巨头的平台赋能，还是如小鹏等车企选择的全栈自研与多场景贯通，各种路径都仍在接受市场和技术的残酷检验。目前，尚没有一家企业能宣称已完全攻克所有难关。

说到底，大家最终要解决的是同一个核心问题：怎么让这项高大上的技术，变成普通人愿意掏钱买，并且放心用的好产品。

这个问题没有标准答案，但可以肯定的是在一次次试错和迭代中，整个行业被推着往前走了。在这场关乎未来的物理 AI 竞逐中，最大的胜利，或许不仅仅是某一款产品的成功，更是一个行业一步步走向真正成熟。（本文首发于钛媒体 App）