文｜万湑龙

2025 年 11 月 5 日，小鹏在广州办了第七届科技日。

何小鹏在台上宣布，小鹏的定位从 " 未来出行探索者 " 升级为 " 物理 AI 世界的出行探索者，面向全球的具身智能公司 "。同一场发布会，他一次摆出了四样东西：第二代 VLA 大模型、Robotaxi、全新一代人形机器人 IRON，还有汇天的飞行汽车。

从那天起，" 物理 AI" 成了这家公司的旗号。今年 4 月 1 日，" 小鹏汽车 " 正式改叫 " 小鹏集团 "，名字里拿掉了 " 汽车 "。再往后，第二代 VLA 在 3 月推送上车，8 月机器人业务拿下超 9 亿美元融资。一路走到 8 月 27 日这场叫 "TIME 时间 " 的活动，小鹏给第二代 VLA 做了一次重大升级。

这次升级的主题只有一个词：时间。去年科技日发布的第二代 VLA，解决了机器 " 看见世界、做出动作 " 的问题；而这一次，它要解决的是 " 理解世界在流动 " 的问题。这一步有多重要？说白了，一个只看得见眼前、记不住刚才的司机，永远算不上会开车。

为什么 " 看懂时间 " 这么难

先把时间拨回 2023 年。

那一年 7 月，谷歌 DeepMind 发布了一个叫 RT-2 的模型，第一次把 " 视觉、语言、动作 " 缝进同一个大脑，学术圈管它叫 VLA。几乎同一时期，特斯拉把端到端的自动驾驶推上车，何小鹏第二年 6 月专门飞到旧金山去试了一版 FSD，回来还在微博上找马斯克借更新的内测版。那时候信的人不多，但方向已经变了。

要理解小鹏这次做的事，得先知道智驾这门手艺是怎么一步步走到今天的。最早的一代，靠工程师写规则，红灯停、绿灯行、车道线里走，一条一条 if-else 堆出来。它的毛病摆在明面上：真实世界的路况比规则本厚得多，规则永远写不完。于是有了端到端，把感知和决策塞进同一个神经网络，信息不再在模块之间传来传去地损耗。再往后，是为了补上 " 可解释 " 这个洞，把语言塞进来，才有了 VLA。

麦吉尔大学、清华、小米那批人合写的一篇综述，把 VLA 的演进切成了四段：Pre-VLA、模块化 VLA、端到端 VLA，再到增强型 VLA。国内能打的，理想在做 MindVLA，元戎启行、华为、蔚来也各自押了路线。按华金证券的梳理，特斯拉、地平线、Momenta 走端到端，理想、小鹏、元戎启行做 VLA，蔚来、华为、吉利则在试世界模型。三条路，最终都指向同一个终点：让车学会预测。可有一条，谁都没绕过去：不管模型多大，它看到的世界始终是 " 当下 "。

而真实的世界，偏偏不是一张张静止的照片。前车为什么突然刹停，那个行人为什么折返，旁边那辆车是不是要加塞，这些判断靠的不是 " 看见 "，是 " 记得 " 和 " 预判 "。一个看不懂时间的司机，反应再快，也只是个高级点的应激反射。

这恰好戳中了黄仁勋一直在讲的那件事。他把 AI 的进化排成四步：感知、生成、代理，最后是物理 AI，那种能走出屏幕、在真实世界里动手干活的 AI。今年 1 月的 CES 上，他放话说物理 AI 的 "ChatGPT 时刻 " 已经到了。数字 AI 学的是互联网上的文本和图片，物理 AI 得在一条条真实的马路上学因果，而因果的载体，就是时间。

记住 30 秒，预判 6 秒

小鹏这次拿出来的东西，拆开看是三件。

第一件叫 Infini-VLA 长时序架构，负责 " 记住 "。它让模型能留住前 30 秒的道路信息，把连续发生的事串成一条线，而不是一帧一帧孤立地看。30 秒什么概念？城区道路五六十公里的时速，30 秒够一辆车从正常行驶到稳稳停住，也够一个行人横穿好几条马路。过去模型只盯着 " 此刻 "，现在它脑子里装着刚刚发生的 30 秒，判断的底气自然不一样了。

第二件叫流式自回归推理，负责 " 边看边想 "。老路子的逻辑是 " 看、算、输出、再看 "，串行着走，像一格格推。新法子把这几件事并起来做，端到端的响应速度快了 300%。碰上前车急刹、行人折返、旁车加塞，车子的反应会像个开了半辈子出租的老司机——谈不上神，但稳，且不慌。

第三件叫 X-Foresight 预测世界模型，负责 " 预判 "。它根据目标物的位置、速度、运动趋势和路况，推演未来 6 秒周边交通参与者的可能动作。6 秒，正好是那辆突然变道的车从并线到驶入你前方的时间，也是一次急刹从发生到停稳的时间。把 " 接下来 6 秒 " 算进决策里，这就不是应激，是提前量。

顺带一提，这三件事背后还藏着一个叫 MoT 的混合架构，干的是调度：城区、园区、泊车，不同场景交给不同的 " 专家 " 去处理，免得互相干扰。说白了，就是把模型的能力分门别类，该谁上谁上。

合起来的效果，官方给了一个数：综合安全能力提升 20 倍。这个数具体怎么算的，口径是什么，我一时拆不干净，但方向是对的——安全这件事，从来不是靠某一个指标堆出来的，是 " 记得住、想得快、猜得准 " 三样凑齐了，才谈得上。

更大的模型，是为了走得更远

" 为什么我们需要一个更大的模型？" 小鹏通用智能中心负责人刘先明在现场问了这么一句，又自己答了：参数量够大，泛化能力才够强，而泛化，是快速进入全球市场的前提。

于是端侧模型的参数量扩大了 3.5 倍，是主流 VLA 的 15 倍以上。这里有个很多人会忽略的点：智驾模型是跑在车上的，端侧算力就那么多，参数越大，越考验压缩和部署的功夫。这也是为什么他们同时拿出一个叫图灵 VLA 2.0 Lite 的蒸馏版，把大模型的能力 " 挤 " 进算力更低的平台，让老车主也能沾光。9 月首批推送，G9L 的 Max 版先上。

还有那个叫 Master Agent 的东西，更值得盯一眼。它建在自研的 Omni 全模态模型上，把负责开车的 VLA 和负责聊天的座舱大模型 VLM，第一次缝成一个整车大脑。以前的车是 " 听懂一句话 "，现在是 " 理解你想干什么 " ——你说一句 " 靠边停 "，它自己找位置、自己变道、自己停稳，从语音指令一路走到自主执行。小鹏还把 Robotaxi 上的部分 L4 能力，下放到了量产车。

全球化这件事，这次也交了底。第二代 VLA 已经在德国做完了本地化验收测试，用中国数据训练的模型，几乎不加本地数据，在德国城市道路上的体验和国内高度接近。目标是明年上半年先在欧洲拿到监管许可，再陆续交付。这背后其实是个挺硬的事实：一套能跨语言、跨路权、跨驾驶习惯还不太掉链子的模型，靠的是通用能力，不是堆本地规则。而这，又绕回了那句 " 为什么需要更大的模型 "。

一套底座，两副身体

8 月 24 日，就在这场体验日前三天，小鹏的机器人业务完成首轮融资：超 9 亿美元，投后估值超 63 亿美元，刷新中国具身智能单轮私募融资的纪录。IDG 资本领投，高榕参投，腾讯和阿里两家战略投资方也进来了。

这事跟智驾有什么关系？关系大了。因为驱动那辆车的模型底座，和驱动那个人形机器人 IRON 的，是同一套。IRON 身上那三颗图灵 AI 芯片，算力 2250 TOPS，跑的就是小鹏那套物理世界基座模型，端侧部署，不用远程遥控就能自己干活。全身 76 个自由度，单手 21 个，这些数字放在人形机器人圈子里，是排得上号的。而且这具机器人做得相当拟人，首创的全包覆柔性晶格，把关节和线束都藏进柔软的 " 皮肤 " 里，好看，也安全。

说白了，小鹏现在讲的故事，从 " 一家会做智驾的车企 "，悄悄换成了一套物理 AI 底座：先在一辆车上跑通，再复制到一具人形机器人上，往后还有飞行汽车。这也是他们今年 4 月 1 号把 " 小鹏汽车 " 正式改叫 " 小鹏集团 " 的底气：名字里少了个 " 汽车 "，格局里多了整个物理世界。

广州那边也没闲着。天河那个约 11 万平方米的机器人量产基地，今年 2 月就动了工。按计划，IRON 今年年底量产，先在自家门店和园区里试用，2027 年再对外交付。从一辆车到一具机器人，从一门手艺到一个平台，这一步迈得不小，但逻辑是通的：物理世界里的难题，本质上是同一类难题。

护城河不在模型里

写到这里，我得说句泼冷水的话。

如果小鹏只是发布了一个更大的模型，这新闻撑不了几天。模型这种东西，今天你 3.5 倍，明天他 5 倍，卷参数是没有尽头的。真正难抄的，是支撑这个模型一遍遍变强的那个东西——他们叫它 AI Infra。

数据、训练、仿真、评估、部署、算力，这条链子小鹏搭了好几年。钱也是实打实砸进去的，2026 年一季度研发投入 29.1 亿元，同比涨了 46.8%，上半年累计 58.2 亿元，相当一部分压在图灵芯片、VLA 大模型这些物理 AI 项目上。百万级的车队在路上跑，攒下的是十亿级的数据资产；单次训练的数据吞吐量到了 1 亿 clips，比半年前涨了 10 倍。数据越多，暴露的问题越充分，模型迭代越快，又能生产更多数据——这是个正向循环，转起来了才有复利。

何小鹏在财报电话会上说过一句我印象很深的话：Scaling Law 在物理 AI、在自动驾驶和机器人身上，一样成立。翻译过来，就是 " 大力出奇迹 " 这件事，在马路和车间里同样有效，只要你能源源不断把真实世界的反馈喂回模型。

这也注定了，物理 AI 这事急不得。数字 AI 可以靠抓取互联网上的海量文本一夜起来，物理 AI 得一辆车一辆车地跑，一个场景一个场景地磨。护城河不在某一版模型有多惊艳，而在你能不能让模型持续进化。产品会换代，模型会过时，能留下来的，是持续迭代的那套能力。

我一直觉得，" 时间 " 是这个行业里最被低估的一个词。车厂们吵了这么多年的算力、参数、芯片，争的其实是同一件事——谁能让机器更早地明白，世界是连续流淌的，不是一张张静止的截图。让 AI 记住过去的 30 秒，预判接下来的 6 秒，表面看是参数的跃迁，往深了说，是机器第一次学着用 " 因果 " 而不是 " 像素 " 去看路。

而对一家公司来说，时间同样是最诚实的裁判。那些靠一版爆款模型、一场融资故事起高楼的公司，时间会替我们记住它们的下场；而真正愿意把十年的数据、十亿级的场景、一代代工程师的耐心压进去的企业，时间也终会给它一个交代。

AI 学会看时间，用了这么多年。而时间会记住，谁是真的在做事。