出品 | 搜狐汽车·E电园

摄像 | 丁卓 后期 | 谢雨馨

主持人 | 张云乾 编辑 | 蔡欣宇

就在前几天小鹏第二代VLA发布会上，何小鹏说这次不是升级，是L2到L4的跨越。真有那么大的突破吗？今儿咱们就掰开揉碎了讲讲小鹏的第二代VLA并且实际感受一下。

在发布会上有一个小“公式”，自动驾驶的能力=模型*算力*数据*本体，我们拆开来看。

首先，是模型。目前绝大部分使用世界模型的厂家、供应商都认为自动驾驶本质上是物理AI。像我们平常平时聊的AI，比如ChatGPT、文生视频，都是‘数字AI’。它们的世界就是服务器里的0和1，输入是文字，输出也是文字，错了删掉重来就行。但自动驾驶是‘物理AI’——它多了一个东西，叫‘本体’，也就是车本身。AI想得再明白，最后得通过方向盘、电机、刹车去执行。这就像你脑子里想好了怎么投篮，但你的身体得真的把球投出去。但身体不听使唤，想再好也没用。”物理世界的难度，是数字世界的指数级。数字世界输入的是规整的文字，输出一个是或否就够了，但在物理世界，输入的是连续不断的视频流，没有标点符号，没有段落划分。就像让你看一整段没有剪辑的监控录像，然后立刻做决策。车输出的是方向盘角度、电门深浅——必须是丝滑的连续信号，不能一卡一卡的。

所以小鹏认为目前任何现成的 LLM 和 VLM 大模型都不可能直接套用，于是将第二代 VLA 直接打造成了一套原生多模态的物理世界基座模型。

以前的车，摄像头看摄像头的，雷达看雷达的，最后再把信息拼起来，像做拼图，容易拼错也需要时间。所以在这个模型里，小鹏设计了原生多模态 Tokenizer，这相当于给车装了一个能同时处理眼睛和耳朵信号的处理器。信息一收集上来就把画面和声音揉在一起理解，效率高，也不容易出错。

另外，传统的VLA模型需要先把视觉信息“翻译”成语言，再根据语言生成动作，这个中间环节会造成信息丢失和反应延迟。所以，小鹏的第二代VLA去掉了中间的“语言转译”环节，实现了从“视觉”到“动作”的端到端直接映射。

有了模型，还需要车端强大的算力支撑。现在大家都卷芯片算力，数字是一个比一个大，这次发布会提出了两个词，一个叫名义算力，一个叫有效算力。名义算力就是指大家经常听到的标出的多少多少算力，有效算力就是在辅助驾驶中真正能使用和调度的算力。举个通俗一点的例子，你买了个第三方充电器，盒子上写着30W快充，这是名义算力。结果插上手机，充了半天发现还不如原装10W的充得快——因为协议不匹配、线材损耗、发热降频，最后真正进到电池里的，可能只有5W。这就是有效算力。

很多智驾芯片也是这个道理。厂商告诉你这颗有500TOPS，那是盒子上标的数字。但上了车，要适配各种软件、要过散热、要跑算法，七绕八绕下来，真正用来干活的可能只剩100多。小鹏做的，就是不用第三方，自己出原装全套。自己造芯片（相当于做充电头）、自己写编译器（相当于做充电线）、自己设计模型（相当于手机端的快充协议）。三者从头打通，没有协议损耗，没有线材浪费。图灵芯片搭配图灵模型，这一套下来计算利用率高达82.5%，推理时延差不多在80ms。得益以上种种，思维链的推理效率提升 32 倍。

那最后就是基于世界模型的仿真与强化学习了，这一部分之前出过专门的解析，就不过多展开了。那过去一年里仿真 Case 从 3 万增至 50 万，一天测试当量相当于人类跑 3000 万公里。那在这里，最核心的是‘自我博弈’。VLA模型想怎么开，世界模型就生成各种刁钻场景来刁难它。两者像两个高手过招，天天打、天天练，越打越强。

小鹏也推出的舒适度小程序撒了吗，固定好位置后，它会根据车辆颠簸复读，实时显示剩余咖啡，专业模式下也可以查看加速度等具体信息。但是！实在抱歉各位，我手机中间崩了一次，我记得崩之前显示的咖啡余量差不多在80多点，绝大部分撒出的原因是来自转向，但说实话，转向并没有让我有很明显的体感不适，它的过弯操控像一个很喜欢驾驶的老司机，这一点和特斯拉FSD的操控很相似。那整体来看，在我心里最好的地方是在于它现在从感知到控制明显比之前效率高，很多避让等动作真的非常丝滑，再加上它有几乎无感的人机共架模式，即便有突发情况接手也不会有车跟你博弈的体感。但在这段路上频繁出现压实线并线和车道内偏右行驶的情况，我们和工程师了解了一下，在正式推送的版本中，这个问题会被修复。