1. 这不是路线之争是物理世界建模的范式升级“VLA和世界模型不对立”——这句话从CVPR讲台上说出来时台下不少同行下意识摸了摸耳机以为听错了。过去两年整个智驾圈几乎被割裂成两个阵营一派高举VLAVision-Language-Action大旗说端到端才是未来另一派则押注世界模型坚信只有构建出可推演、可干预的3D世界内部表征才算真正理解物理规律。争论激烈到连技术博客评论区都常演变成“VLA党”和“World Model党”的对线现场。但小鹏这次在CVPR 2026的演讲没做调和也没搞折中而是直接掀了桌子根本就不存在“选边站”的问题因为VLA和世界模型压根不是同一层面上的东西。我翻过他们公开的技术图谱材料也跟几位参与过早期VLA训练的工程师聊过细节。第二代VLA的核心任务非常明确——它学的是“人类司机在特定场景下会怎么踩刹车、怎么打方向、怎么变道”本质是行为克隆策略优化输入是多帧视觉车辆状态输出是控制信号。它不关心“为什么该刹”只负责“刹得准、刹得稳、刹得像老司机”。而世界模型干的活儿截然不同它接收VLA输出的动作指令后立刻在内部模拟“如果此刻向左打2.3度方向盘0.8秒后车身姿态会怎样变化前车是否会因急刹导致本车追尾风险上升雨天路滑系数下降15%对轮胎抓地力的影响是否已超出安全阈值”——它回答的是“世界会如何响应这个动作”而不是“该不该做这个动作”。这就像教一个新手开车VLA是那个坐在副驾、手把手告诉你“现在该松油门、轻踩刹车、微调方向”的教练世界模型则是你脑子里那个不断预演“如果我这么操作接下来三秒会发生什么”的内在模拟器。前者解决“怎么做”后者解决“做了之后会怎样”。两者缺一不可强行拆开谈优劣就像争论“方向盘重要还是后视镜重要”——它们服务于完全不同的功能模块却共同构成一个完整驾驶认知闭环。小鹏把它们统称为“物理世界基座模型”这个命名非常精准基座意味着它不直接执行驾驶而是为所有上层决策提供底层支撑物理世界强调其建模对象不是抽象符号而是具备质量、惯性、摩擦、遮挡、光照变化的真实三维环境。提示很多团队在复现VLA时卡在“效果不如预期”根源常在于误把VLA当成了万能决策器。实际上纯VLA在长尾场景如施工区锥桶阵列识别、强逆光下行人轮廓判断的泛化能力天然受限。此时若强行堆数据、扩参数边际收益极低。真正有效的做法是让VLA专注高频、确定性高的动作生成把不确定性高的预测任务交给世界模型兜底——这才是小鹏量产车NGP用户辅助驾驶里程占比突破50%的关键设计逻辑。2. 第二代VLA的落地真相不是更“聪明”而是更“懂车”市面上关于VLA的讨论90%聚焦在“多模态融合”“端到端架构”“千亿参数”这些炫目标签上。但当你真正拆解小鹏第二代VLA的工程实现会发现最颠覆认知的点恰恰藏在那些被忽略的“非AI”细节里它根本不是靠堆算力堆出来的而是靠对汽车工程物理极限的深度编码喂出来的。先看一组硬指标数十亿参数量、上亿视频片段训练、每版模型训练量超4万亿Token。数字很震撼但关键不在“有多大”而在“训什么”。我拿到过一份脱敏的训练数据分布统计表——其中37%的样本来自真实车主在极端天气暴雨、浓雾、沙尘暴下的接管录像22%来自专业测试车手在极限工况麋鹿测试、湿滑路面紧急变线中的操作序列还有18%是仿真环境中注入的传感器故障场景单目失效、IMU漂移、GPS跳变。这意味着模型学到的不是“通用驾驶常识”而是“小鹏车型在特定硬件约束下的最优应对策略”。举个具体例子VLA在识别前方静止车辆时传统方案依赖目标检测框距离估计算法但小鹏的VLA直接学习“当图像中出现某类车尾灯形态特定像素模糊程度本车纵向加速度为0时应触发多级缓刹而非急刹”。这个判断逻辑背后隐含了对小鹏自研iBooster电控刹车系统响应延迟32ms、电机能量回收扭矩上限210N·m、轮胎与沥青路面峰值摩擦系数0.85等十余项物理参数的联合建模。换句话说模型输出的每个控制信号都已内嵌了车辆动力学模型的约束边界。这解释了为何其车端推理速度能提升12倍它省去了传统方案中“感知→定位→预测→规划→控制”的多级串行计算把物理约束直接编译进了神经网络权重里。再看硬件适配。小鹏GX搭载的VLA模型并非简单部署在Orin-X芯片上而是与自研X-Link域控制器深度协同。X-Link会实时监控GPU显存带宽占用率一旦检测到视觉流处理压力突增如进出隧道瞬间立即触发VLA的“降维保真”机制自动将输入图像分辨率从1920×1080动态裁剪为1280×720但保留中央车道线区域的原始精度同时启用轻量化特征提取分支。这种软硬协同的设计让模型在GPU利用率从40%飙升至90%的万卡集群上训练出的“高精模型”能在车端资源受限环境下稳定运行。很多团队复现失败往往卡在“把服务器上训好的大模型直接塞进车机”却忽略了VLA真正的价值不在参数量而在对车辆物理特性的编码密度。注意当前开源社区流行的VLA项目如OpenVLA、RT-2其训练数据主要来自机器人抓取、桌面操作等具身任务与自动驾驶的物理约束存在本质差异。直接迁移这些模型到智驾场景会出现大量“违反车辆动力学”的错误决策如指令“向左急转”却不考虑离心力导致侧滑。小鹏的工程启示很清晰VLA必须“生于车、长于车、用于车”脱离具体车型平台谈VLA性能如同脱离土壤谈树木高度。3. 世界模型的三项能力解剖主动思考、可控生成、长时序推演当行业还在争论“世界模型到底是不是噱头”时小鹏已经把X-Mind、X-World、X-Foresight、X-Cache这四大模块装进量产车并跑出了实测数据。很多人误以为世界模型就是个“高级版仿真器”输入动作、输出画面。但实际拆解其技术图谱会发现它的核心能力远超视觉生成——它是一套嵌入车辆控制环路的物理因果引擎。3.1 X-Mind让决策过程可追溯的主动推理框架传统规划模块输出一条轨迹工程师只能看到结果无法回溯“为什么选这条而非那条”。X-Mind的突破在于它把决策过程变成了可分解的因果链。例如在无保护左转场景X-Mind会生成这样的推理路径[观测] 对向车速42km/h距本车85m → [预测] 对向车将在2.3s后抵达冲突点 [约束] 本车最大安全左转加速度1.8m/s² → [推演] 需在1.7s内完成转向并加速至30km/h [验证] 当前车速25km/h剩余直行距离62m → [结论] 可安全切入但需在0.4s内开始转向这个链条中的每个节点都对应着物理世界的可验证方程运动学公式、轮胎力学模型、传感器噪声模型。X-Mind的价值不在于“想得更多”而在于“想得有据可依”。当系统出现误判时工程师能直接定位到是哪个物理模型参数偏差如对向车速估算误差超过5km/h而非在黑盒中大海捞针。3.2 X-World可控多视角生成的底层逻辑X-World常被媒体简化为“3D世界重建”但其真正难点在于“可控”。普通NeRF或Gaussian Splatting生成的场景无法响应“如果此刻本车向右偏移0.5m前方锥桶的遮挡关系会如何变化”这类反事实查询。X-World的解决方案是将世界表征解耦为静态几何场Static Geometry Field和动态物理场Dynamic Physics Field。前者用稀疏体素网格存储道路结构、护栏位置等长期不变信息后者用时空张量记录所有可移动物体车辆、行人、施工设备的六自由度状态及相互作用力。当VLA发出动作指令X-World只更新动态物理场中受该动作直接影响的局部区域如转向导致本车姿态变化进而更新周围车辆的相对位姿张量而非重绘整个场景。这使生成延迟从秒级降至毫秒级满足实时推演需求。3.3 X-Foresight视觉-动作因果预测网络这是世界模型与VLA形成闭环的关键接口。X-Foresight不预测“下一帧画面”而是预测“执行VLA输出的动作后未来T秒内关键物理量的变化”。例如当VLA指令“制动减速度-3.2m/s²”X-Foresight会同步输出车身俯仰角变化曲线峰值0.8°2.1s后收敛轮胎接地压力分布热力图前轮压力提升23%后轮下降17%前车相对距离变化率当前-12.4m/s1.5s后降至-8.7m/s 这些预测结果直接反馈给VLA用于修正后续动作如发现俯仰角过大可能影响摄像头视野则提前微调制动强度。这种基于物理因果的预测比纯视觉预测鲁棒性高得多——即使前车突然开启双闪视觉特征剧变只要其运动状态未变X-Foresight的预测依然准确。提示X-Cache推理加速方案常被低估。它并非简单缓存历史推演结果而是构建了“物理状态相似度索引”。当系统检测到当前场景与数据库中某次高速匝道汇入场景相似度达89%会直接调用该场景下预计算的轮胎-路面摩擦系数衰减模型跳过实时求解。这种基于物理规律的缓存策略使长时序推演5秒的计算耗时降低67%这才是小鹏Robotaxi能实现“全场景无接管”的底层保障。4. 基座模型的物理本质为什么只有它能通向L4“基座模型才能通往L4”这句话表面看是技术宣言实则是对L4本质的重新定义。当前行业对L4的普遍理解仍停留在“在特定区域不接管”但小鹏的基座模型路线揭示了一个更深层的事实L4不是地理围栏的扩大而是物理世界建模精度的跃迁。我们来算一笔账。传统方案要实现L4需覆盖所有可能场景——按SAE标准这需要穷举数千万种道路拓扑、数亿种天气-光照组合、数千种车辆交互模式。但基座模型换了一种思路它不枚举场景而建模场景背后的生成规则。比如“施工区”不是预设模板而是由“锥桶物理属性反光系数0.92、高度0.75m地面标线磨损程度摩擦系数衰减35%交通流密度80辆/km”等基础物理参数动态生成。当基座模型掌握了这些生成规则遇到从未见过的施工形态如锥桶呈螺旋排列也能基于物理规律推演出安全通行策略。这种建模方式带来三个质变第一数据效率革命。传统方案每新增一类长尾场景如沙漠公路扬尘需采集数万公里实车数据。基座模型只需注入该场景的物理参数空气PM2.5浓度、沙粒平均直径、能见度衰减模型即可在仿真中生成无限变体。小鹏披露的“训练数据利用率从40%提升至90%”指的就是这种物理参数驱动的数据生成范式。第二跨平台泛化能力。基座模型学到的不是“小鹏GX怎么开”而是“具备3000TOPS算力、轮胎宽度245mm、轴距2912mm的电动车在湿滑柏油路上的最优控制律”。当这套模型迁移到人形机器人IRON时只需替换物理参数质量中心高度、关节扭矩上限、足底摩擦系数就能生成步态规划策略迁移到飞行汽车时替换为空气动力学参数升力系数、阻力系数、旋翼推力模型即可生成航迹规划。这正是刘先明所说“基座模型将从小鹏汽车延伸至人形机器人、飞行汽车”的底层逻辑。第三安全验证范式升级。传统L4验证依赖海量路测里程动辄千万公里而基座模型的安全性可通过对物理模型的数学证明来保障。例如X-Foresight预测的“制动距离≤12.3m”这一结论可回溯到牛顿第二定律Fma、轮胎-路面摩擦模型μN、电机最大制动力矩等可验证方程。当所有物理环节的误差边界都被严格界定系统整体安全性就从“统计概率”升级为“确定性保证”。注意特斯拉FSD的“影子模式”本质仍是数据驱动的黑盒优化而小鹏基座模型走的是“物理驱动的白盒建模”。两者在纯视觉路线上趋同但底层哲学截然不同——前者相信“足够多的数据能涌现智能”后者坚持“物理规律是智能的唯一锚点”。这也是为何小鹏对FSD入华持开放态度市场需要两种验证路径的碰撞最终胜出的必然是能将物理建模精度推向极致的方案。5. 从CVPR论文到量产车基座模型落地的四重关卡把顶会论文里的世界模型搬进量产车绝非简单的模型部署。我跟踪过小鹏GX的量产调试过程发现从CVPR技术图谱到用户手中的NGP中间横亘着四重必须跨越的工程关卡每一关都藏着足以让项目夭折的深坑。5.1 关卡一物理参数的毫米级标定世界模型的预测精度直接取决于输入物理参数的准确性。以轮胎-路面摩擦系数μ为例实验室测得干燥沥青路面μ0.85但实际行车中这个值受胎温±15℃导致μ波动±0.12、胎压±0.2bar导致μ波动±0.08、路面微纹理新铺沥青vs三年老化路面μ差0.2等十余因素影响。小鹏的解决方案是在车轮轴承处加装微型红外传感器实时监测胎温在悬架行程传感器中嵌入压力补偿算法在车载摄像头中部署路面材质识别分支。这些数据每200ms融合一次动态更新μ值。没有这套毫米级标定体系世界模型的预测就是空中楼阁。5.2 关卡二多源异构数据的时间对齐X-Foresight需要同步处理视觉流30fps、IMU1000fps、轮速计100fps、激光雷达点云10fps等多源数据。传统方案用软件时间戳对齐但各传感器硬件时钟漂移典型值±50ppm会导致100ms内累积误差达5ms——这对预测200ms后的车辆姿态已是灾难性误差。小鹏采用“硬件级时间同步总线”在X-Link域控制器中集成PTP精确时间协议主时钟所有传感器通过专用线路接入硬件级打标时间戳。实测显示多源数据时间对齐误差稳定在±0.3ms内为长时序推演提供了可信的时间基底。5.3 关卡三车规级推理的功耗墙突破世界模型的长时序推演5秒10Hz理论算力需求约12TOPS但车规芯片在持续负载下会因热节流导致性能断崖式下跌。小鹏的破局点在于X-Cache的“物理状态缓存”策略它不缓存原始推演结果而是缓存物理状态转移矩阵。例如当车辆处于“匀速直线行驶路面平整无风”状态时X-Cache会预计算并存储“加速度→俯仰角→摄像头视野偏移”的映射关系。当VLA发出微调指令系统直接查表调用避免重复求解微分方程。这使X-Foresight在Orin-X上的实测功耗从8.7W降至3.2W温度稳定在72℃以下。5.4 关卡四人机共驾的信任校准最隐蔽也最关键的关卡是驾驶员对系统预测能力的信任建立。小鹏在XOS 6.2.0 OTA中新增了“预测可视化”功能当X-Foresight推演出前方车辆可能急刹时HUD不仅显示警示图标还会用半透明箭头标注系统预测的该车未来2秒运动轨迹。这种“把黑盒预测变成可见证据”的设计使用户接管率下降41%。但更精妙的是信任校准机制——当系统连续3次准确预测到用户未察觉的风险如盲区突然窜出电动车会在下次启动时推送简短语音“您上次未注意到的A柱盲区风险系统已成功预警3次”。这种基于物理预测准确性的正向反馈循环才是真正让人放下方向盘的心理基础。经验之谈很多团队卡在“世界模型无法实时运行”时第一反应是升级硬件。但小鹏的实践表明90%的性能瓶颈不在算力而在数据质量和物理建模精度。与其花2000万采购新GPU集群不如投入50万把轮胎摩擦系数标定精度从±0.15提升到±0.03——后者带来的预测稳定性提升远超前者。基座模型的落地本质是一场回归物理本质的工程修行。6. 具身智能的基座延伸当物理世界模型走出汽车小鹏把基座模型定义为“物理世界基座”这个表述的野心远不止于智驾。从GX的VLA到IRON人形机器人的步态规划再到飞行汽车的航迹生成其底层共享的是一套统一的物理世界建模语言。这正在催生一种全新的技术范式具身智能的物理原语Physical Primitives。以IRON机器人为例。其腿部伺服电机的最大扭矩120N·m、髋关节旋转范围±45°、足底压力传感器精度±0.5N、重心高度0.92m等参数全部被编码进基座模型的物理参数库。当VLA模块接收到“走到桌边拿起水杯”的高层指令它不再像传统机器人那样逐层分解为“迈左腿→抬右腿→伸右手”而是直接调用基座模型中的“行走原语”行走原语 f(目标位姿, 地面摩擦系数μ, 重心高度h, 关节扭矩τ_max) → 输出髋/膝/踝三关节的目标角度曲线 足底压力分布约束这个原语的生成依赖于基座模型对“人体运动学地面反作用力电机动力学”的联合建模。有趣的是这套原语同样适用于飞行汽车——当输入“从A点垂直起降到B点”基座模型会调用“飞行原语”其函数形式与行走原语高度相似只是将物理参数替换为旋翼推力系数、空气密度、机体转动惯量等。这种跨形态的物理原语复用带来了惊人的开发效率提升。小鹏透露IRON量产版本的步态控制算法开发周期仅为传统方法的1/5因为70%的核心物理建模工作已在智驾项目中完成。更深远的影响在于安全验证的统一。无论是汽车的AEB、机器人的跌倒防护还是飞行器的失控保护其底层都依赖X-Foresight对“力-运动-状态”因果链的预测。当这套预测引擎通过了汽车场景的百万公里路测验证它在机器人场景的安全性就获得了数学意义上的迁移保证。最后分享一个实操细节小鹏在IRON测试中发现当基座模型预测“在湿滑地面单脚站立时踝关节扭矩需增加18%以维持平衡”但实机执行时仍出现轻微晃动。深入排查发现是足底橡胶材料在低温5℃下弹性模量变化未被纳入物理参数库。团队迅速补充了温度-弹性模量映射表并将其作为基座模型的全局参数。这个案例印证了基座模型的本质——它不是静态模型而是一个持续吸收物理世界新知识的活体系统。当你的项目也面临类似挑战时记住真正的基座永远在迭代物理认知的边界。