编辑｜泽南、杨文
具身智能基座模型的部署，正在成为自动驾驶行业的核心议题。
过去数年，自动驾驶的技术路线经历了一次深刻转向。早期以规则为主导的模块化系统，逐步让位于数据驱动的端到端模型。大模型技术的引入，进一步推动感知、决策、规划在统一框架下融合。
然而，如何将这些在实验室中表现优异的基座模型，稳定、可靠地部署至复杂多变的真实道路场景，仍是摆在整个行业面前的共同挑战。
6 月 4 日，CVPR 2026 在美国丹佛开幕。今年，大会首次设立具身智能基座模型部署研讨会（WDFM-EAI），专门探讨基座模型的落地路径。
登台演讲的嘉宾阵容颇具分量，比如特斯拉 Autopilot 自动驾驶负责人 Ashok Elluswamy、Waymo 研究副总裁 Dragomir Anguelov、英伟达感知与机器人研究副总裁 Jan Kautz。这三位演讲者分别代表了当下自动驾驶量产、技术研究与底层算力的最前沿。
与他们同台的，还有小鹏集团通用智能中心负责人刘先明，也是现场唯一受邀的中国企业代表
这已是小鹏第三次登上 CVPR 演讲台
2023 年，行业还在讨论堆多少颗激光雷达，时任小鹏自动驾驶感知首席工程师 Patrick Liu 已经开始讲 BEV 感知架构。
2025 年，刘先明分享了 VLA 模型研发进展，并现场演示车端模型直接控车，完成变道、掉头、紧急避险、窄路过弯等一系列决策果断的驾驶任务。
时隔一年，小鹏再度归来。此时，其第二代 VLA 已完成量产落地。推送首月，用户辅助驾驶里程占比首次突破 50%，超过一半的真实驾驶路程由 AI 主导完成。看起来，辅助驾驶在复杂路况下的舒适度和接管率，已经达到了让用户产生习惯的临界点。
随着第二代 VLA 的版本更新，小鹏将基座模型的能力从城市道路进一步向下渗透，在没有导航的园区、地库也能使用漫游，进一步打通神经末梢道路网络，正在逼近点对点的闭环；另一方面，物理 AI 的愿景也在逐步兑现，小鹏刚刚发布的前装量产 Robotaxi，其核心大脑也是第二代 VLA 模型。
新技术的规模落地，证明了国内头部车企在工程落地、场景泛化以及软硬一体化的能力上，已经跨入全球最顶尖的行列。
刘先明在 CVPR2026 讲了什么？
这一次，刘先明把小鹏世界模型的完整技术图谱摆上台面，同时也正面回应了行业长期争论的一个问题：到底该走 VLA 路线，还是世界模型路线？
在他看来，VLA 与世界模型并非相互竞争的技术路线
在小鹏的架构设计中，第二代 VLA 与世界模型是物理世界基座模型的两大支柱，分别对应两种不同的学习方式，共同指向同一个目标，就是让模型深度理解真实世界，并在其中安全行动。
第二代 VLA 的逻辑是「向人类学习」，输入驾驶视频与指令，输出动作序列或控制信号，学的是人类在复杂路况下的决策习惯。人类动作信号隐性地编码了感知、推理、意图、风险判断乃至社交互动，信息密度极高，但在时间维度上相对稀疏，通常只能监督最终的行为结果，对每一次潜在的物理状态转移难以覆盖。
世界模型正好填补这一局限。它的逻辑则是「向世界学习」，借鉴大语言模型的「下一个 Token 预测」范式，在海量未标注视频上进行逐帧密集预测，逐步习得物理世界的动力学与因果结构。与 VLA 相比，世界模型获取的监督信号密集得多，每一帧画面、每一次运动、每一次交互，都可以成为训练素材。
这种融合架构，让模型在学习「人类驾驶员会怎么做」的同时，也在深度理解「物理世界接下来会发生什么」，将稀疏的人类意图与密集的物理预测有机结合
但刘先明也强调，世界模型若想真正服务于自动驾驶落地，不能只是一个被动生成画面的视频生成器。它必须具备三项核心能力：主动思考、可控生成、长时序推演。被动生成画面远远不够，模型需要能还原决策前的推理过程，生成的场景必须受动作约束且物理自洽，还要支持长时序滚动推演，提前预判多种行驶可能。
对应这三个方向，小鹏分别推出 X-Mind、X-World、X-Foresight 三项研究成果，再加上专攻推理提速的 X-Cache，共同构成了一套完整的技术脉络。
在规模化层面，小鹏依托万卡级智算集群、海量训练数据与软硬件协同优化，大幅提升训练效率与车端推理速度。
刘先明将整套逻辑概括为一句话：以理解驱动驾驶，以预测实现理解，以规模化赋能预测
小鹏自动驾驶的技术闭环
每一项成果背后，小鹏都有对应的学术论文作为支撑，将实现路径逐一拆解。
先看可控生成。
在端到端时代，因为成本高、场景覆盖有限且难以复现，评估 VLA 模型效果越来越难依赖真实道路测试。
为此，小鹏提出X-World，一个以动作为条件的多摄像头生成式世界模型。
论文链接：https://arxiv.org/pdf/2603.19979
给定历史多视角画面和未来动作序列，X-World 可以生成符合指定动作的未来视频流，同时支持对动态交通参与者和静态道路元素的可选控制，还保留天气、时段等外观属性的文本控制接口。
目前，X-World 已投入到闭环仿真测试、在线强化学习、数据生成等研发环节。
可控生成解决了「世界能不能被模拟」的问题，长时序推演解决的则是「模型能不能提前预判危险」。
这正是X-Foresight的用武之地。前文已提到，VLA 的监督信号在时间上相对稀疏，对行动之后世界会如何变化的理解仍有提升空间。X-Foresight 直接集成到 VLA 架构中，在统一的 token 空间内联合预测未来的多视角画面与自车动作，将世界模型与实时动作控制协同训练，加强模型对物理状态转移的理解。
论文链接：https://arxiv.org/pdf/2605.24892
其核心是一种长时序分块自回归预测策略：通过预测语义距离更远的片段、保留片段内部密集帧以捕捉瞬时动态，并利用片段之间的稀疏转移建模长期因果关系，在可控训练成本下同时解决低熵冗余与时间尺度的两难问题。
实验表明，X-Foresight 在规划性能上显著优于 VLA 基线，同时保持了较强的生成保真度。
第三项能力就是主动思考，对应的成果是X-Mind。刘先明透露，相关论文近期将正式发布，专注于模型的主动推理与决策可解释性，可视化呈现驾驶决策背后的中间推理过程。可解释性对于软件性能调试、用户信任建立以及模型快速迭代，都至关重要。
三大能力的研究路径理清之后，还有一个工程层面的现实问题需要解决：世界模型的推理成本能否支撑实时交互？
现有的扩散缓存方法主要面向多步去噪的离线视频生成，无法直接迁移到少步蒸馏模型的实时交互场景。
小鹏提出了「世界模型加速器」X-Cache，一个面向少步自回归世界模型的跨段块级缓存，能在基本不牺牲画质的前提下，减少约七成的重复计算，对世界模型的去噪主干实现最高约 2.7 倍的推理加速。
论文链接：https://arxiv.org/pdf/2604.20289
从可控生成、长时序推演、主动思考，到推理加速，几项成果在近三个月内密集发布，完整打通了一条数据、模型、仿真器、部署的技术链路。
短时间内能够系统性完成这一布局，在业内并不多见，这背后自然是小鹏长期技术积累的集中释放。
刘先明还透露，后续还会有更多相关技术成果与业界分享。
为什么越来越多企业把目光投向基座模型？
刘先明不止一次公开表达同一判断：只有能做基座模型的公司，才有可能真的做到 L4，并进一步赋能机器人、飞行汽车等多种具身载体。
这句话背后有清晰的技术逻辑。
自动驾驶走向 L4，最难的是让系统在开放道路中具备稳定的泛化能力。
过去，辅助驾驶系统大多依赖模块化架构。高速、城区、园区分别建模，再通过规则、工程补丁和人工调参连接起来。
这套方式在明确场景中可以快速见效，也支撑了辅助驾驶能力的普及，但真实道路不会按照模块边界运行。导航不可用、施工、遮挡、异形路口、多车博弈、非标准交通参与者，都会不断打破系统预设。每新增一个场景，就可能带来新的边界条件和耦合关系，复杂度同步上升，泛化能力越容易受限。
L4 要解决的是物理世界的复杂度问题。车辆需要理解道路结构、交通参与者意图和潜在风险，在短时间内预测未来变化并做出动作决策。缺少物理常识和长期因果理解，系统就很难稳定应对真实道路中的长尾问题。
这正是基座模型的价值所在。小鹏的物理世界基座模型通过思维链（CoT）对复杂驾驶场景进行细致的视觉推理，从连续画面中识别风险、理解关系、预测变化，输出更合理的控制动作。
它的能力不是针对某一功能训练出来的，学习的是视觉理解、空间关系、运动规律、风险预测和动作控制这些更底层的通用能力，这意味着同一套模型有机会从汽车延伸到 Robotaxi、人形机器人、飞行汽车等更多具身智能场景。
而基座模型本身也需要软硬一体、端云协同、AI 研发与先进制造全栈技术共同托举。这套能力门槛，决定了这条路并非所有公司都能走通。
为什么说纯视觉是承载基座模型的最优路径？
基座模型需要理解物理世界，而理解物理世界的前提，是摄入足够密度的物理世界信息。这一点，决定了感知硬件的选择。
激光雷达受限于采样频率，需经放大器的信号处理，链路比较长。而摄像头链路更短、频率更高，单位时间内产生的信息量超出激光雷达数个量级。视觉数据天然携带纹理、光影、深度、运动等高维语义，是目前已知最接近人类感知方式的信息来源，也是训练物理世界基座模型信息密度最高的原材。
从这个角度来看，纯视觉不是「控制成本的妥协」，是基座模型路线在感知端的最优选择。
但信息密度越高，处理门槛也越高。能否驾驭这一量级的视觉信息，取决于芯片算力、模型架构、算法效率的全栈整合能力，这是以上两种路线最本质的分野，也是并非所有公司都能走通这条路的根本原因。
本届 CVPR 登台的特斯拉和小鹏，都走在这条路上。
特斯拉以端到端 FSD 率先验证了纯视觉路线的可行性，小鹏则通过第二代 VLA 架构实现视觉直接生成驾驶动作。
两家公司在架构演进方向、算力吞吐极限、Scaling 上限的探索上，正在向着同一个终点收敛，那就是以纯视觉为介质，以基座模型为大脑，构建真正理解并能够行动于物理世界的具身智能体。
面对特斯拉 FSD 入华，刘先明的态度直接而开放：「FSD 进入中国对大家是件好事，市场需要一个正常的对比。」何小鹏也多次表达类似立场。高水平的直接比拼，才能倒逼技术迭代，加速整个行业的成熟。
最终格局不会是零和博弈，两家公司共同验证路线的正确性。当更多人开始理解并信任纯视觉方案时，小鹏长期积累的技术深度，以及更具性价比的产品优势，都将同步被放大。
热门跟贴