小鹏第二代 VLA 领先对手 5 倍？ | 何小鹏、刘先明访谈实录

目标是未来 1-3 年实现无人驾驶。

文丨刘意默

编辑 | 王海璐

小鹏再次找回了对智驾能力的自信。

在 3 月 2 日的发布会上，何小鹏放出豪言：其第二代 VLA（Vision-Language-Action，视觉-语言-动作模型）系统在内测中 “比行业一流选手领先接近 5 倍”。

在国内，行业公认的 “一流选手” 是华为、理想和小鹏自己。

小鹏的智驾体验上一次被公认为行业领先，还要回到 2023 年之前。作为国内最早投入全栈自研的车企，加上拥有一支成建制、有作战能力的技术团队，小鹏率先开发出导航辅助驾驶等功能，积累下不错的口碑。但随着自动驾驶行业从规则驱动转向模型驱动，技术路线的切换加上对手的紧追，小鹏的先发优势逐渐被拉平，从独树一帜的第一名变成了 “第一阵营” 中的一员。

如今，新系统在内部测试中的表现让何小鹏重拾信心。

具体数据令人印象深刻：在人车混行路段，通行效率提升 69%；在狭窄小路，通行效率提升 76%；此外，系统还能自动识别并绕行事故现场、在乡间土路上躲避大坑、夜间礼让小动物等。

在小鹏的描述中，这些能力源自于一种 “减法”——拿掉了 VLA 模型中的 “L（Language，语言)”。主流 VLA 方案通常先通过传感器获捕捉环境信息（Visual），再用大语言模型（Language）的思维能力进行理解和推理，最终输出动作指令（Action）。而小鹏第二代 VLA 实际上是 VA（Visual-Action，视觉动作模型），直接将视觉信息转化为行驶轨迹，跳过了中间的思维转化环节，因此减少了信息损失，被认为具备更高的系统上限。

蔚来的 NWM 系统、华为乾崑 4.0 的 WEVA 架构也提出了类似理念，但前者量产后并没有带来超出同行的体验，后者仍处在研发阶段。如果小鹏能够兑现预期，行业或许将迎来一次集体的技术转向。

这曾经并不是小鹏的首选方案。何小鹏曾透露，第二代 VLA 系统的研发始于 2024 年，与第一代 VLA 并行。由于前期进展缓慢且训练成本高昂，项目一度面临被砍。直到去年中，测试才迎来关键突破。

⼩鹏通用智能中心负责⼈刘先明介绍，过去一年，第二代 VLA 在单 GPU 效率、单任务训练效率以及 GPU 硬件利用率上都实现了加速增长，仅过去 4 个月就迭代了 468 个版本。目前训练速度和数据规模仍在加速上升，“每一天的迭代速度都比前一天快。”

按照这一趋势，他有信心做出一套 “L4 水平” 的完整体系。

何小鹏更乐观。他认为，当前的技术路线不仅能实现从 L2 到 L4 的跨越，而且未来 1-3 年内就会实现。

就在去年年初，这还是他难以想象的。

何小鹏在发布会上分享，当时他很痛苦，认为 L2 智驾越做越像 “缝合怪”——高速能用、城区能用、被特调过的北上广深能用，但停车场不行，小路不行，遇到暴雨也未必行。行业在这里磨了好几年，大部分时间都在 “脚疼医脚” 地不断加规则，而不是换一个范式。

对于一家十几年积累都押在智能化上的公司，这是一种令人不悦的停滞。

第二代 VLA 正是他为这段停滞找到的出口。至少现在，小鹏是这样认为的。

以下是小鹏汽车董事长、 CEO 何小鹏，⼩鹏汽⻋通用智能中心负责⼈刘先明接受《云见 Insight》等媒体采访的问答实录（经编辑）：

基座模型是 L4 必修课

问：基座模型会成为做好 Robotaxi 的标准吗？第二代 VLA 出海如何避免出现类似特斯拉 “水土不服” 的问题？

刘先明：关于基座模型，现在 L4 或者自动驾驶已经发生很大的技术范式变化。我们过去看到 Waymo 还有很多 L4 公司，其实上限很低，大家只能不停往前卷。这带来另外一个问题，就是 L4 的 ODD 概念，车辆到底能运行在什么地方，只能取决于铺了多少车、采了多少数据、建了多少地图。所以如果真想泛化性解决整个问题，技术范式就一定要变，这是不可避免的。

大家看到旧金山 Waymo 有很多有意思的案例，如果目前还是沿着过去路径走，可能大家也都会觉得这条路径是一个成本极高、并且泛化性很差的技术路线。所以 Waymo 也在做基座这类事情，但一家企业还是要看它到底有没有决心和投入来做这件事，以及到底能多快完成转型。

今天我们也在发布会上提到，做好基座模型，是一家做 L4 公司的必修课。不做这件事，就可能在这次技术转型中落在后面，或者没办法完成完整的技术转型。

第二代 VLA 模型在没有经过任何海外数据适配训练的情况下，从今天发布的视频里可以看到，已经具备很强的能力。第二，小鹏是一家全球化企业，我们会在合规前提下，在全球任何有小鹏车辆的地方正常拥有并使用当地数据。第三，对于更多泛化性场景，通过世界模型的生成方式，也可以让我们快速达到一个能力起始点。

所以整个小鹏全球化自动驾驶的策略，一定是这几点结合在一起：模型本身要有极强的泛化能力，不能只依赖中国数据、只能在中国跑，这个事情是行不通的；再加上小鹏的全球化布局，以及我们在技术上的突破。

问：世界模型赋能多种智能体是否有复用瓶颈？基座模型在这方面的市场估值大概多少？

刘先明：底层的复用能力应该还是很强的，整个 VLA 或基座模型的设计是原生多模态，不太会只针对自动驾驶，是可以复用的。具体的复用情况我们还在持续探索，目前暂时无法给出特别明确的结论。现阶段首要任务还是先在车上先把整个事情跑完，下一步再推进舱驾联动。

何小鹏：基座模型能给一家车企或自动驾驶企业带来多少估值，我认为它是一个必要条件。我只知道它投入很大，去年就花了几十个亿，今年更多。做基座模型不仅投入资金多、以及优秀的人力，但必须往前推进，否则上限会非常低，做到一定阶段就很难再突破。所以真的只有依靠强大的基座模型，未来才能泛化到多种具身智能体中，这是我的看法。

问：第二代 VLA 是模型直接出轨迹还是系统选轨迹？

刘先明：问题核心就是，是做自动驾驶还是 AI？如果这个问题回答了，那答案其实很清楚了。我们做的是一个 AI，不是专门只是用来做自动驾驶，所以一个 AI 模型是怎么做的，我们就是什么样子的。

既然都已经做了这么大的变化，就不会带着之前很多的逻辑，这些 heuristic（基于经验规则的启发式方法），就是这些很多的规则或者办法来解决现在的问题，这个也是让数据和模型不停 scaling（通过增加数据量、模型参数规模、算力投入，来持续提升模型能力）最重要的核心，尽量少加其他的东西进来。这个可能听起来有点过于简单直接，但是在过去这几年里面，整个 AI 的发展就是告诉我们这一件事，就是怎么能去做 scaling，怎么能够快速地迭代，就能够快速的解决问题。核心就是你到底做的是智驾还是做的是 AI。

问：这种新范式会成为未来主流吗？如何看待 “智能涌现” 出的功能，是否担心其不可控影响安全？

刘先明：世界模型其实本质上是对世界 3D 空间的理解、运动规律的理解，最终以一种形式展现出来，这个和 VLA 本质没有什么太大的区别，就是你想把一个车开好，让机器人控制得好，或者让功能做得好，首先先要去理解这个世界的 3D 空间，理解整个推演的规律，并且能向前去推演，评价什么动作是有风险的，什么动作是没有风险的，这个是我们的一些看法，不见得是对的，但是至少目前我们在朝着这个方向努力。

关于涌现本身，涌现它不是一个严格可控的过程，但是做自动驾驶肯定安全是一个底线，就是这个安全一定是一个底线，所以我们没有办法抑制掉某些的涌现，但是我们可以控制好安全。

何小鹏：在今年以及后续的 VLA 上，我个人认为它会越来越聪明，会出现越来越多具备进化能力的 COT（思维链）。到那个阶段，大家会明显感受到：它在驾驶中既足够安全，又会展现出一些超出预期的能力。

那这些能力里会不会存在不好的部分？我也不能完全确定。如果有，我们需要通过数据筛选，或者通过强化学习等方式去解决，可能会有，但我认为整体趋势一定是让所有人开车越来越舒心。

比如在暴雪环境下如何驾驶，或者像广州曾出现过的珠江漫堤、水淹路面这种极端场景，实际上绝大多数人都没有真实经历过。但因为系统 “看过” 全球范围内大量类似数据，它有可能进化出相应的应对能力。在这种情况下，对用户、对社会的帮助反而会更大，这是我的看法。

问：在端到端和大模型范式下，人类数据还有价值吗？强化学习是不是能解决所有问题的万金油？

何小鹏：我觉得物理世界、人类世界的数据量现在来看是无限的。

以前我觉得有 10 万台、100 万台车跑了多少公里就够了，现在我觉得远远不够。很多人说我有车队、我有公司，车卖得多就有很多数据，这些都是错误的。如何收集有质量、有价值、超大规模的数据，我觉得是非常困难的一点。不论是汽车还是机器人，这件事上都远远没有看到头，这是我的看法。

刘先明：目前我们还没有看到明显的收敛趋势，就是增加人类数据，模型的基础能力不会下降。今天也提到，模型本身的体量还在不断上升，我们在联合优化芯片、编译器和模型本身来提升效率，也会进一步推升模型规模。这两者一定是相辅相成的，数据没有到头，模型规模也没有到头。

数据质量和价值，确实是目前特别难的问题。数据每天都可以收上来，但存储成本高，而且很多也用不上。所以怎么挖掘真实世界里真正好用的数据，是一个会一直被探索的问题。

再说强化学习。强化学习不是万金油。现在学术界、工业界都在说强化学习很厉害，但它一定需要一个非常强的基座模型，至少能采样到解决这个问题的可行解。如果连这个能力都没有，强化学习就没办法继续提升。但强化学习是效率特别高、能定向解决问题，并且能持续探索长尾问题的一种学习方式。所以我觉得大家不用把强化学习当成可解万物的万能解，而是一个非常高效的学习方法。

问：为何算力猛增但用户体感不明显？全栈自研在使用算力效率方面有何优势？

刘先明：其实今天我们分享的内容里，很大一部分就在讲这件事。算力不只是名义上的数字好看，更重要的是把算力用好，这是核心问题。这也是我们从通用处理器向专用处理器 ASIC 过渡的原因。其实你看 NVIDIA（英伟达），就是在 GPU 和 CUDA 时代做这件事 ，把算力用好，比单纯说算力提升多少倍更有价值。所以算力不仅要大，用好才是核心关键。

另外，大算力一定需要更高信息密度的输入、更大的模型来匹配，否则算力就是空转。这些因素合在一起就意味着：如果只是搞算力军备竞赛、单纯堆高数值，消费者是感受不到明显的体感提升的。一定是多方面协同推进，不能只看单一指标。

全栈自研最大的好处，就是我们从硬件层、软件层、模型层从头重新定义整套体系，让它完全服务于我们的应用场景和最终上车落地的模型。

⼩鹏通用智能中心负责⼈刘先明

比行业一流选手领先近 5 倍

问：为什么建议跳过 L3？第二代 VLA 能达到什么程度 , 预计在多少台车上落地？

何小鹏：我认为 L4 开始就会有新的责任主体，在今天全球科技发展的情况下，基本上从 L2 的下一个台阶就是 L4，中间专门加一个 L3 实际对于硬件、软件、法律法规都是挑战，所以从我的角度来看，我认为中国应该一个是 L2，一个是 L4。

我们所有的 Ultra 和 Ultra SE 都会搭载第二代 VLA，你可理解为未来小鹏在全球市场的车型，将会提供基础智能辅助驾驶和顶级智能辅助驾驶两种选择。

刘先明：关于现在到底做到什么水平这个问题。目前还没有完全说自己能达到百分之百的 L4，但是现在整个 VLA2.0 搭建了一套非常通用并且高效的架构，所以基本上每天都会有新的版本出来，不停地去迭代新的问题，而且进步速度也是超乎我们想象的，所以我们有信心，在未来的一段时间内能做到 L4 水平的一套比较完整的体系。

具体的时间可能还没有办法给出完全的判断，1-3 年是大师兄给出的判断，我们的判断是如果按每一天迭代的速度比前一天快，看到整个训练速度和数据规模曲线是加速上升的状态，如果我们一直维持这个状态的话，我相信会很快。

问：为何现在能用一套模型同时实现 L2 和 L4？

何小鹏：我们以前把自动驾驶当作一个车在一个区域，比如说一个国家的问题去解决。现在我们把它作为 AI 的问题，所以它可以跨车，跨国家，一定程度可以跨设备，这是完全不同的。

去年本来我去硅谷试驾的时候，我觉得我们是换道超车了，我们做到全新的架构了，一去发现他们原来已经切换了。实话说，FSD V13 和 V14 是质的改变。V13 很多人都开过，实际上还是一个 L2 级别的能力。换个角度我自己认为要推翻原来的范式，因为小鹏从算力、编译、基模、数据、整体思考逻辑，都期望为什么这样的 AI 能够落在不同的设备上，使它可以运行，为什么运行既有上限的高，还能够补下限的低。

问：如何引导车主在强大娱乐功能下注重驾驶安全？发生事故时，L2 级辅助驾驶的责任如何界定？

何小鹏：我觉得汽车里面娱乐功能，随着汽车越来越像一个智能体发展一定会有，而且会从被动到主动。我认为现在在新能源汽车里面增加最强的就是听音乐，以前汽油汽车 NVH 没有那么好，本身汽车的发动机也有一些噪音，所以新能源音乐的能力会更强。

很快语言能力、交互能力会到一个全新的点，以后会像和机器人互动一样，你不会通过屏幕去看一个世界，而是通过自然语言的交互。

今天在法律范围内，所有的自动辅助驾驶都是 L2，除非是政府单独批准了 Robotaxi，把人类司机从驾驶位放出来。但是我们所期望的，在这个里面做到能够接近甚至达到超越 L4 软件的能力，这是我们正在做的事情，但是我相信这一块所有跟着政策法规走，这也是我们最为标准的认知。

问：第二代 VLA 领先行业多少，能否靠智驾促进购买决策？

何小鹏：通过我们内部比较测评，我认为比行业一流选手领先接近 5 倍，无论是接近率、安心丝滑度，还是支持的可达范围。

我认为在这个领域里，今年、明年、后年，大家最终看到的最重要指标，是多少天没有碰过方向盘，也就是接管次数，这对用户最重要。

今天我专门提到，现在在停车场，特别是地下停车场，一键起步、原地起步、自动漫游开出来，我觉得还没达到主路上 95 分的水平，大概 60 分。我刚和先明聊天，期望未来几个月把它也做到 95 分。也就是说一上车它问我去公司吗？我说对今天做牛马，按一个键，就自动启动，自己开过去。

无论停车场、小区，收费站闸口，主路、辅路、公司园区，全部搞定。到了公司我下车，它自己开进去。我相信政策法规一旦通过，马上就能支持。这些才是我们的最高标准。

全场景都能开、完全放心、超高效率，这才是我们做自动驾驶的目标。到那时，车能自动充电，喝了酒可以坐后排，让它带你回家，各种功能都会实现。我认为这才是最重要的。而今天绝大部分 L2，都只在有限场景，需要随时监管，很多 Corner case 场景下会刹停、暂停，甚至完全不能开，一定会让人不安心、不放心。

问：模型训练中 “安心、场景、效率” 三者的优先级是什么？拉开 “代际差” 最核心的指标是什么？

何小鹏：AI 不是一个规则，它很难在最开始把这个需求提得很清晰。但从我们现在自己研发以及现在在进行训练的方案，安心排第一，因为安全、放心、舒服、舒心是我们认为最重要的。

如果一定要我排序，安心大于场景，场景大于效率。但是效率和聪明这个点，因为更聪明才有更高的效率，我相信在我们后面的版本也会有比较大的增强。

刘先明：如果做过机器学习或 AI，就知道 PR 曲线。当曲线较平时，只能在安心、效率、场景间权衡，本质没得选。

自动驾驶中，我们常问：到底想要什么样的自动驾驶？我走上这条路，是因为曾看到大卡车司机疲劳驾驶，眼睛闭着一两分钟。大家都有家人，都在等亲人安全回家，所以自动驾驶最核心的目标是安全。

但并不意味着安全就可以为所有其他东西让路，没人想要为了安全而要一个慢吞吞、没效率、跑不动的东西。解决这个矛盾，核心是提升基础能力，只有基础能力上去，才能在不牺牲其他维度的前提下，把安全做到更高水平。

我们说的 “代际差”，不只是单一指标的差距，更关键是有没有切换整套做事思路，迭代速度有没有质变。我们现在追求的是不仅跑得快，加速度还在持续变大，因为我们在构建底层通用能力体系，这才是真正的代际差，而非单点指标领先。

何小鹏：关于最终具体数字，我给他们的要求跟他们给我反馈要求是不一样的，暂时还未能对外公布。但可以明确，我们的期望是千公里级接管，而非百公里级。

我们之所以有信心，是因为在多个城市、多个高难度时段的对比测试中，难度大致在 85 分到 99 分之间，我们相对于第一阵营已经有了数倍提升。更重要的是，用户坐在我们的车里真的会感到放心和放松，无论是加速、变道还是制动。

另外，今天媒体试驾的，很可能是我们上个月训练的版本；而我们现在现在看到的版本，较上个月已有百分之几十的提升。过去做 L2，多是 “补丁式开发”，解决一个问题、修一个 Bug，这种方式会不断限制能力上限。

我们以前写 L2 是真的靠人、靠规则，在螺丝厂里面做道场，在非常小的一个地方去雕花，但现在我们完全不一样。所以我们有信心，今年预计 8 月份，在守住安全底线的基础上，还会有多倍级提升，最终结果年底大家可通过测评直观感受。

第二代 VLA 将在 3 月内推送（图为小鹏 P7）

AI Agent 第一个商业落地点

问：刘先明担任通用智能中心负责人，整合座舱和智驾的组织架构变化是出于什么考虑？小鹏与其他车企有何不同？

何小鹏：我相信汽车领域很快会迎来跨域融合。从机器人领域可以看到，机器人甚至可以没有底盘，它的全身控制、全身动力、全身的线束和汽车不完全一致。汽车行业正在进入新的跨域阶段：自动驾驶是整车运动，智能座舱是整车大脑，再加上动力、底盘，我们认为这四个域都在进行跨域融合中。

未来 L4 或 Robotaxi 车型，很多厂商会从原来单一域的集成（比如一个域由多家供应商集成，或单独一个域研发），转向跨域融合。这样能让整车更快、更安全、更灵敏，能力提升数倍，从被动使用转向主动服务。所以，先明负责的通用智能中心，正是跨域融合进程中的一部分。这也是我非常坚信 1-3 年全自动驾驶会落地、3-5 年所有汽车都会成为强力超级智能体。

刘先明：我有信心能在自动驾驶上验证过的 AI 能力，可以大规模迁移到座舱上，让整车真正成为一个有机的智能体，而不是割裂的一个东西。自动驾驶积累的经验和底层 AI 基础架构，都可以完全复用。

问：同时还有这么多事在推进，哪件事做成，您会觉得今年是赢了的？

何小鹏：我觉得作为一个汽车企业，痛苦他要平衡。一件事做成是不够的，比如销量到达，好不好？好，也不及格。我认为，汽车这个商业模型不好，销量是抖动的，很难精准；加上销量毛利太低，销量到达不了彼岸。所以销量好不好？很好，但是不够。

我觉得组织能力的建设和改变是非常重要的。

第二是创建物理 AI 的 AI 体系，这个也非常重要。今天只是 AI 在自动驾驶、汽车领域的第一步落地，但是在智能座舱、机器人、飞行汽车的落地还没有。

第三个小鹏在全球化上做得非常深，明年大家会看到我们的效果。

问：第二代 VLA 端到端技术及双选产品策略将如何定义小鹏未来三年的高端市场打法？

何小鹏：关于未来 1-3 年，汽车将从软件时代进入 AI 时代，从软硬件独立发展走向跨域融合，从原来的、简单的智能新能源车升级为可主动服务的高阶智能 Agent。因为小鹏在多领域同步研发，所以未来 1-3 年大家会看到有很多跨域融合的效果。

这也是我为什么非常激动地认为，包括以前的燃油汽车，以前靠汽车商想做好的方案，实际上越来越想做好是困难的，而且汽车的变化一定会从原来的被动生产工具，变成一个主动能够产生生产力的，我认为是划时代的产物，大概 3-5 年会实现。

问：这次 X9 纯电版的补位承载了怎样的战略考量？

何小鹏：小鹏汽车过去几年在硬件和软件的迭代节奏上有所不同。近一两年大家会发现，未来小鹏在软件上的迭代速度会更快，硬件变化则会逐渐收敛。所以未来的汽车，会越来越像一个 Agent（智能体），而汽车的基础能力，包括颜值、安全、可靠、舒适等，我认为在相当长的范围内，我们会做得相对更加稳健。

问：未来是否会推出收费的 OTA 功能？

何小鹏：将来海外自动辅助驾驶升级到 L4，或者更高等级的自动驾驶的时候，我认为很有可能会从次费变成月费，这是一个非常重要的趋势，因为不是百分之百的人都需要自动辅助驾驶，需要的人付费，不需要的人就可以不付费，这是一个蛮不错的选择。将来我们在海外甚至在中国，随着我们的 AI 能力的变化，一定会产生一些变化。

问：如何看待国内车企频繁 OTA 的现象？

何小鹏：小鹏从创立之初就一直认为汽车是可以升级的，包括软件、硬件、SOTA（Software Over-The-Air，通过无线网络对软件进行远程升级）、FOTA（Firmware Over-The-Air，通过无线网络对 “固件” 进行远程升级）。在这一套的方法论上，我们正在把它建成更全自动的，比如如何利用 AI 去单点 OTA，如何能够去解决一些单点的问题和困难，我觉得将来都是有机会的。包括售后、可维修、保养，比如在保养之前已经把整个车预扫描完了，你过来不用再在里面做太多的检查，降低保养的时间的消耗，这样都是在未来时间里面我们会去做的事情。

问：小鹏汽车和大众在第二代 VLA 上也在合作，这个事您怎么看？这件事的意义是不是已经超过了商业价值的本身？

何小鹏：我觉得大众是一个非常有想法，能看到未来的、非常好的企业，他们正在看中国的变化，不断地探索，所以他们引入了我们这一代的 VLA。同时，他们也一直在思考在欧洲，在全球其他国家，什么时候会开始智能驾驶。我一直认为 L2 的 ACC 或者 LCC 或者高速、城区都不足以（进行智能驾驶）。

中国用户探索精神在全球都是排在前列的，但是有很多国家不是这样。所以真正要把一个自动驾驶做到像我们刚才讲的安心、全部场景、很高效率，到他觉得他比开的还好，他才敢真正地开。在很多国家，我们经常讲小路开的能力。实际上中国小路不多，在很多欧洲、东南亚国家，有很多的小路，他们的自动驾驶首先问，你在这条路上能开吗？中国很多的 L2 都开不了，都要接管。所以要小路能开，停车场也能开，能够漫游地开，我觉得才能真正走向完全不同的全球。

大众正在探索和尝试，我相信不远的将来一旦自动驾驶做好，包括我们，FSD 都会在全球正面引导更多的人知道，原来汽车的自动驾驶是物理 AI Agent 第一个规模落地，也是第一个商业化落地的点。因为 AI 最难要如何赚到钱，形成一个正向的循环，在物理世界自动驾驶是最容易，也是最清晰的物理 AI 第一个 Agent 落地。