作者 ｜ 周一笑
郵箱 ｜ zhouyixiao@pingwest.com

12月20日，舊金山斷電了。

一場變電站火災讓這座城市近三分之一的區(qū)域陷入黑暗，13萬居民失去電力，數(shù)百個路口的紅綠燈同時熄滅。

然后，Waymo也“出事”了。

流傳在社交媒體上的視頻顯示，這些白色的捷豹I-PACE停在路口中央，打著雙閃，一動不動。不是一輛兩輛，而是成片地趴窩。舊金山警察不得不出動，像疏導真人司機一樣，用手勢指揮這些無人車輛挪開。市長Daniel Lurie親自給Waymo CEO打電話，要求立即把車撤走。

Waymo官方后來解釋，系統(tǒng)設計上，遇到紅綠燈失靈會按四向停車規(guī)則處理，但當天停電規(guī)模太大，車輛集中向遠程運營團隊發(fā)送“確認請求”，系統(tǒng)過載了。

翻譯成人話就是，這些車不知道該怎么辦，只好停下來問人。但問的車太多，后臺接不過來，于是大家一起卡死。

同一天，馬斯克在X上發(fā)了一條推文：Tesla Robotaxis were unaffected by the SF power outage（特斯拉的Robotaxi沒有受到舊金山停電的影響）。

一邊是集體癱瘓，一邊是照常運行。

這暴露的是兩條技術(shù)路線在極端場景下的差異。Waymo的系統(tǒng)需要后臺兜底，當后臺過載，車就陷入等待；特斯拉的端到端模型在車上獨立運行，不依賴遠程協(xié)助。

Waymo代表的是重感知、重冗余的路線。激光雷達主導，高精地圖打底，遇到極端情況就呼叫遠程人工協(xié)助。這套系統(tǒng)在限定區(qū)域內(nèi)表現(xiàn)出色，它對基礎設施和后臺支持的依賴太重了。而這種系統(tǒng)架構(gòu)層面的脆弱性，不是靠增加幾個接線員能解決的。

特斯拉走的是另一條路，端到端神經(jīng)網(wǎng)絡。不依賴規(guī)則，讓AI從幾十億英里的真實駕駛視頻中“學會”開車。它不是在執(zhí)行指令，而是在“理解”道路。遇到紅綠燈壞了，它會像人類老司機一樣觀察路口、判斷車流，自己決定什么時候走。

NVIDIA機器人部門負責人Jim Fan最近試駕了特斯拉FSD v14后評價：“我分不清是神經(jīng)網(wǎng)絡還是人類在開車?！彼苓@叫“通過了物理圖靈測試”。

這場舊金山停電，本質(zhì)上是一場技術(shù)路線的公開考試。

考題很簡單。當規(guī)則失效、地圖過時、通訊中斷，你的車還能不能自己開？

越來越多的證據(jù)指向同一個方向，端到端大模型，正在成為通往L4級自動駕駛最可行的技術(shù)路徑。

而在中國，有一家車企正在走同樣的路，而且已經(jīng)用實車證明了這套邏輯。

1

“涌現(xiàn)”時刻

12月初，一段視頻在汽車圈里小范圍傳播。

畫面里是一輛小鵬測試車在夜間行駛，前方突然出現(xiàn)交警查酒駕的臨時檢查點。沒有提前預警，沒有地圖標注，車輛的智駕系統(tǒng)識別出了交警的手勢，平穩(wěn)減速，停在了指定位置。

發(fā)布這段視頻的是小鵬汽車智駕產(chǎn)品負責人袁婷婷。她給這條微博配的文字是“VLA2.0涌現(xiàn)場景”。

這個場景看起來簡單，但它恰恰是“工程化 + 地理圍欄”路線最頭疼的問題。交警的手勢是臨時的，位置是隨機的，姿態(tài)是多變的。你沒辦法提前寫好規(guī)則告訴車看到這個手勢就停，因為手勢本身就有無數(shù)種變體。

只有學會了理解世界的模型，才能處理這種情況。

這里的“涌現(xiàn)”就像大語言模型在參數(shù)量突破某個臨界點后突然展現(xiàn)出推理能力一樣，VLA模型在足夠多的數(shù)據(jù)訓練后，也開始具備類似人類的判斷力。它不是在執(zhí)行預設指令，而是真的看懂了交警想讓它做什么。

當然，這并不是一個量產(chǎn)能力，只是日常軟件測試中的偶發(fā)瞬間。但從這種偶然性中，能夠窺見模型的類人智能，如果模型能夠自主應對這一種臨時場景，那它大概率還能處理更多的意外情況。當處理能力足夠強，L2和L4之間的界限就開始模糊了。

何小鵬在今年多次公開表態(tài)中反復提到一個觀點：小鵬要用一套軟件，實現(xiàn)L2直通L4。不搞兩套系統(tǒng)，不在輔助駕駛和自動駕駛之間劃一道鴻溝。同一個模型，裝在普通私家車上是L2，裝在Robotaxi上就是L4。差別在于算力配置和安全冗余，不在于底層技術(shù)路線。

這個思路和特斯拉一致。而要支撐這套邏輯，小鵬需要證明自己真的有能力把大模型從云端落到車端。

1

一整年的技術(shù)鋪墊

小鵬的底氣不是憑空來的?；乜?025年，這家公司每隔一段時間就會拋出一個重磅技術(shù)進展，像是在系統(tǒng)性地講述一個完整的故事。

4月，香港。 小鵬舉辦AI技術(shù)分享會，首次披露正在研發(fā)720億參數(shù)的“物理世界基座模型”。這個參數(shù)量是當時主流VLA模型的35倍左右。同時曝光的還有建成國內(nèi)汽車行業(yè)首個萬卡智算集群，算力達到10 EFLOPS，集群利用率常年保持在90%以上。

更重要的是，小鵬團隊宣布他們在10億、30億、70億、720億參數(shù)的模型上都觀察到了明顯的Scaling Law效應。自動駕駛模型的性能隨著參數(shù)的增加而明顯提升。小鵬官宣這是行業(yè)內(nèi)首次明確驗證規(guī)模法則在自動駕駛領域持續(xù)生效。

6月，美國納什維爾。 計算機視覺頂會CVPR舉辦自動駕駛研討會（WAD），小鵬是唯一受邀演講的中國車企，與Waymo、英偉達、UCLA同臺。時任小鵬世界基座模型負責人、現(xiàn)任小鵬汽車自動駕駛負責人劉先明分享了一個關鍵數(shù)據(jù)。云端基模訓練過程中處理了超過40萬小時的視頻數(shù)據(jù)，GPU流式多處理器利用率（SM utilization）達到85%。

他還透露了一個技術(shù)方向。VLA模型的計算量主要來自視覺輸入端，小鵬團隊正在探索如何在不損失關鍵信息的前提下，大幅壓縮視覺Token的處理量。

這個方向后來有了新的進展。

11月，廣州。 小鵬科技日，小鵬第二代VLA正式發(fā)布。

和傳統(tǒng)VLA架構(gòu)的視覺-語言-動作（Vision-Language-Action）不同，小鵬的第二代VLA去掉了中間的Language層，實現(xiàn)了從視覺信號到動作指令的端到端直接輸出。用小鵬的話說，就是“拆掉了翻譯官，讓眼睛直接指揮手腳”。

這套模型有多大？數(shù)十億參數(shù)。跑在哪里？由三顆自研圖靈AI芯片構(gòu)成、總算力達2250TOPS的車端平臺上。訓練數(shù)據(jù)量接近1億clips，按官方換算相當于人類司機約6.5萬年的等效駕駛經(jīng)驗。在如此龐大的數(shù)據(jù)吞吐下，其全鏈路模型的迭代周期僅為 5 天。

何小鵬實測VLA2.0：大路絲滑、小路順暢、園區(qū)自如

從云端720億參數(shù)基座模型，到強化學習訓練，到知識蒸餾，到車端部署，再到用戶反饋數(shù)據(jù)回流云端繼續(xù)訓練。這套閉環(huán)，小鵬稱之為“云端模型工廠”。

到這里，一條完整的技術(shù)鏈路已經(jīng)清晰了。云端怎么訓、車端怎么跑、數(shù)據(jù)怎么閉環(huán)，小鵬都跑通了。

但還有一個關鍵問題沒解決。

1

最后一塊拼圖

云端怎么訓已經(jīng)講清楚了，但還有一個問題：怎么讓大模型在車端跑起來？

這是個通用難題。模型越大能力越強，可車端算力是有限的。云端可以堆幾千張GPU，車上只有幾顆芯片。云端720億參數(shù)的基座模型可以不計成本地跑在GPU集群上，但車上不可能塞一臺服務器。即便經(jīng)過蒸餾，車端模型也有數(shù)十億參數(shù)，而目前行業(yè)內(nèi)大多數(shù)車端模型只有千萬級別。參數(shù)量差了兩個數(shù)量級，對算力的要求完全不同。

無論是L2的量產(chǎn)車還是未來的L4 Robotaxi，都繞不開這個問題。

小鵬和北京大學聯(lián)合完成的一篇論文，提供了一種解法。這篇論文剛剛被AAAI 2026錄用，名字叫《FastDriveVLA》。

它要解決的問題很明確。VLA模型在處理視頻輸入時會產(chǎn)生大量的視覺Token，這些Token是計算量的主要來源。據(jù)稱，以一個配備7個攝像頭的VLA模型為例，每輸入約2秒的視頻內(nèi)容，就會產(chǎn)生超過5000個Token。Token越多，計算越慢，延遲越高。

論文提出了一個專為端到端自動駕駛VLA模型設計的視覺Token剪枝框架。核心思路是區(qū)分“前景”和“背景”。對于自動駕駛來說，道路、車輛、行人、交通標志、交通障礙物是前景，天空、遠處的建筑是背景。前景的Token要保留，背景的Token可以不要。

FastDriveVLA框架

為了訓練這個剪枝器，研究團隊先構(gòu)建了一個大規(guī)模數(shù)據(jù)集nuScenes-FG，包含來自6個攝像頭視角的24.1萬個帶有前景標注的圖像。在訓練方法上，團隊采用了MAE風格的像素重建策略，并引入了一種對抗性前景-背景重建機制，讓剪枝器在學習重建前景的同時，也必須區(qū)分背景，從而增強對前景Token的識別能力。

最終訓練出的剪枝器叫ReconPruner，參數(shù)量只有7000萬，可以即插即用地嵌入現(xiàn)有的VLA模型。它能給每個視覺Token打一個“重要性分數(shù)”，然后只保留分數(shù)最高的那些。

效果很直接。論文實驗中，單次輸入產(chǎn)生的3249個視覺Token被降至812個，減少75%。推理效率的提升同樣顯著。FLOPs降低7.5倍，預填充時間縮短3.7倍，解碼時間縮短1.3倍。對于車端實時運行來說，這意味著更低的延遲和更快的響應。

而且，當視覺Token減少之后，模型的性能不但沒下降，反而有所提升。實驗結(jié)果顯示，在nuScenes開環(huán)規(guī)劃基準測試中，F(xiàn)astDriveVLA在25%、50%、75%的剪枝比例下均優(yōu)于現(xiàn)有方法，取得了SOTA性能。尤其當剪枝25%時，L2軌跡誤差和碰撞指標甚至略優(yōu)于未剪枝的原始模型。論文的解釋是，砍掉冗余的背景Token反而讓模型更專注于真正重要的前景信息，而這正是提升自動駕駛性能的關鍵。

把這套技術(shù)翻譯成工程意義就是，通過在視覺輸入端做優(yōu)化，讓參數(shù)量巨大的VLA模型也能在車端跑起來。這對L2量產(chǎn)車和L4 Robotaxi都有價值。對于L2車型，它讓更強的模型能跑在現(xiàn)有算力上；對于未來的Robotaxi，它讓成本結(jié)構(gòu)有了優(yōu)化空間。

1

L4的商業(yè)想象力

今年11月的小鵬科技日上，何小鵬宣布了一個激進的計劃。

2026年，小鵬將推出三款Robotaxi車型，起售價低于20萬元人民幣。2027年，在部分城市開啟Robotaxi試運營。

這個定價是什么概念？分析師普遍認為，Waymo單車成本至少是十幾萬美元，折合人民幣超過100萬。即使考慮到Waymo用的是改裝車而小鵬是原生設計，這個價差也足夠驚人。這種高額的單車成本使得 Waymo 必須在 2-3 年內(nèi)跑出極高的里程才能回收車輛初期投資，這對運營效率提出了巨大挑戰(zhàn)。

小鵬的成本優(yōu)勢來自幾個方面。第一，純視覺方案，不依賴激光雷達和高精地圖。第二，芯片 - 算子 - 模型的軟硬件聯(lián)合研發(fā)，視覺Token剪枝就是基于自研軟硬件特性而開展的技術(shù)創(chuàng)新。第三，一套軟件同時覆蓋L2和L4，研發(fā)成本攤薄。

更值得注意的是小鵬對Robotaxi商業(yè)模式的思考。

傳統(tǒng)Robotaxi是純2B的生意。運營商買車、養(yǎng)車、調(diào)度車，乘客只是付費乘坐。但小鵬提出了一個新玩法。除了Robotaxi之外，他們還會在2026年推出一個叫“Robo”的智駕版本，面向私人用戶銷售。這個版本和Robotaxi采用相同的硬件配置、安全冗余和智駕技術(shù)，但車歸你，想自己開也行，想讓車自己開也行。

1950年代想象未來自動駕駛的插畫

換句話說，2B和2C兩條路小鵬都要走。

Robotaxi跑運營，賺服務費。Robo賣給私人，賺硬件和軟件的錢。同一套技術(shù)底座，兩種商業(yè)模式。

在11月的小鵬科技日上，何小鵬還宣布了一項合作。高德將成為小鵬Robotaxi的首個全球生態(tài)合作伙伴，雙方未來將共同在全球范圍內(nèi)提供Robotaxi服務。這意味著小鵬不打算自己從零做運營，而是開放SDK，讓合作伙伴一起來。

這套打法的邏輯很清晰。L4不是終點，而是一個新的起點。當自動駕駛能力足夠強，車就不再只是代步工具，而是一個可以創(chuàng)造收入的資產(chǎn)。你可以自己用，也可以讓它出去跑Robotaxi幫你賺錢。

傳統(tǒng)車企賣的是硬件，利潤空間越卷越薄。而L4能力帶來的是服務收入、數(shù)據(jù)價值，以及一個可以復用到機器人、飛行汽車等更多場景的技術(shù)底座。

這是完全不同的故事。

1

下一個要回答的問題

把時間線拉回來看，小鵬在2025年做的事情可以用一句話概括。他們跑通了從L2直達L4的完整技術(shù)路徑，并且把成本打到了可以量產(chǎn)的水平。

4月披露云端720億參數(shù)基座模型，驗證Scaling Law。6月在CVPR展示云端訓練和車端部署的工程能力。11月發(fā)布第二代VLA，去掉語言層，實現(xiàn)端到端直出。12月，與北大合作的論文被AAAI錄用，解決了車端模型高效部署的最后一環(huán)。

每一步都在回答同一個問題。大模型路線怎么落地？

現(xiàn)在，下一個要回答的問題變成了：量產(chǎn)之后，體驗到底怎么樣？

小鵬給出的時間表是，2026年第一季度，第二代VLA將在Ultra車型上啟動量產(chǎn)，率先在L2車型落地。

L2到L4的技術(shù)路徑有沒有真的跑通，答案很快就會揭曉。

點個“愛心”，再走 吧