小鹏想让AI记住30秒，有多难

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。