当多数新势力还在围绕辅助驾驶功能、智能座舱交互做单点升级时，小鹏汽车已经完成了一次底层逻辑的切换——从传统车企转向物理AI企业。
在8月27日的技术分享会上，小鹏集团通用智能中心负责人刘先明的演讲彻底打破了行业对小鹏的固有认知：这家以智能电动汽车起家的企业，正在用一套通用物理AI底座重构“汽车”的本质，将车辆从交通工具升级为可自主决策的移动机器人。
转型的底层逻辑：为什么小鹏要放弃“车企”标签？
在分享会开场，刘先明抛出了一个直击行业痛点的问题：“为什么物理AI的落地难度远高于数字AI？”
他给出的答案是：物理世界的约束条件——有限算力、毫秒级延时要求、零容错安全标准以及严格的法规限制，让任何单点的功能升级都无法解决根本问题。这正是小鹏选择战略转型的核心动因。
当前新能源汽车行业的竞争已经进入白热化：价格战压缩利润空间，功能同质化严重，多数车企仍在通过堆砌配置、压低售价争夺市场。小鹏意识到，单纯依靠“造更好的车”已经无法建立长期竞争壁垒，必须跳出“车企”的思维定式，转向更底层的技术赛道。正如刘先明所说：“我们过去一年的目标，不是追上某一个友商，而是给自己一份满意的答卷——证明物理AI可以真正落地并改变人们的生活。”
小鹏对智能汽车的定义已经发生了本质变化：“智能汽车和机器人本质上没有区别，唯一的差异在于底盘和四足控制。”这一认知直接推动了小鹏的技术路线调整：不再将车辆视为独立的交通工具，而是作为物理AI的首个落地载体，通过通用AI底座实现跨场景的能力复用。这种升级不仅意味着智能座舱从“指令响应工具”升级为“自主任务执行系统”，更意味着自动驾驶技术从“辅助驾驶”升级为“通用移动智能”。
物理AI的落地离不开大规模数据训练与高算力支撑。小鹏披露的训练数据量已达1.1亿个视频片段，整体数据量超过几千个PB，这一规模在全球自动驾驶领域都处于第一梯队。同时，小鹏自研的图灵芯片、XLLM架构等底层技术，正是为了解决“端侧算力不足”与“模型参数量需求”之间的矛盾，为物理AI的落地提供硬件基础。
技术破局：四大支柱重构物理AI落地路径
小鹏的物理AI布局并非空中楼阁，而是由四大技术支柱支撑的完整体系，每一项技术都针对物理AI的核心痛点，且都有可验证的落地效果。
时空建模革命方面，传统自动驾驶模型仅能依赖当前帧的环境信息，无法理解“过去发生了什么”，这也是多数辅助驾驶系统在复杂场景下表现笨拙的核心原因。
小鹏推出的Infinite VLA架构首次实现了从3D空间建模到4D时空建模的突破，在端侧部署时保留30秒的历史驾驶状态记忆，让模型能够回溯车辆的行驶轨迹、周围物体的运动趋势，例如判断前车掉头的意图。同时团队通过流式推理技术将响应速度提升300%，实现“一边感知、一边思考、一边输出决策”，解决了传统模型决策延迟的问题。
在实际测试中，面对鬼探头、极端路况抛洒物等场景，新模型的响应时间已达到毫秒级。刘先明在分享中举例：“当遇到前方车辆掉头的场景，老款模型只能看到当前的静态画面，而新模型可以通过30秒的历史轨迹判断出车辆的掉头意图，从而提前做出加速通过的决策，避免了传统系统的犹豫和误判。”
认知系统升级层面，小鹏将今年6月发布的X Forecast世界模型正式量产落地，这一系统能够基于历史轨迹对未来6秒到21秒的场景进行预测，并通过Flow Matching架构实现多概率路径选择，最长支持21秒的场景预测，覆盖了城市道路中绝大多数的决策场景，同时从多种可能的驾驶轨迹中选出最优解，兼顾安全性、效率与舒适性。
通过混合任务专家架构（MoT），小鹏在将模型参数量提升3.5倍的同时，并未带来成比例的算力增长。“我们通过有效的Token分离，实现了模型参数体量扩展与计算量的平衡。”刘先明表示，这一升级让综合安全能力提升超过20倍。
人机交互机器人化方面，小鹏将机器人开发思路引入智能座舱，推出Master Agent系统，重构了车端大脑架构。这套系统通过自研的Omni多模态模型实现“看、听、想”的完整闭环，不仅能够理解用户的语音指令，还能结合周围的环境信息进行任务拆解和执行。
用户可以通过模糊语音指令完成复杂行程规划，例如“找附近的意大利面餐厅→充电→接朋友→抵达目的地”，系统会自动完成路线规划、充电站匹配、途经点调整等全流程操作。
刘先明强调：“智能座舱不再是一个简单的指令响应工具，而是一个能够自主完成任务的智能载体。这正是我们用做机器人的思路打造智能汽车的核心所在。”
底层基建护城河则体现在数据与仿真的双重支撑上。物理AI的落地离不开大规模数据训练与高仿真测试体系，这也是小鹏的核心竞争壁垒。小鹏的自动驾驶训练数据量已扩展到1.1亿个视频片段，整体数据量超过几千个PB，通过基于向量空间的数据分析体系，能够快速挖掘小众场景数据（如乡村羊群、极端天气），并针对用户上报的问题快速定位匹配的训练样本。
在仿真系统方面，过去两个月内小鹏的仿真系统将每日新模型测试数量提升了290%，并实现了闭环强化学习。“仿真已经能够媲美实车测试的稳定性和可靠性，成为我们快速验证模型的核心抓手。”刘先明介绍，通过仿真系统，团队可以同时测试数十款车型在不同天气、光照条件下的泛化能力。
通用底座的野心：从L2到Robotaxi再到机器人
小鹏的物理AI布局并非局限于自动驾驶或智能座舱，而是构建了一套通用物理AI底座，能够支撑从L2级辅助驾驶到L4级Robotaxi，再到室内机器人的全场景应用。
“我们希望用同一套软件体系支撑不同的本体，无论是车还是机器人。”刘先明在分享中展示了基于同一基座模型控制车辆和室内导航机器人的测试场景，证明了通用底座的泛化能力。这种跨场景的能力复用，能够大幅降低研发成本，加快技术落地速度。基于同一套技术底座，小鹏的Robotaxi已经完成超过2000单内部测试，并在主路开展无人道路测试，这一进展证明了小鹏的通用AI底座不仅适用于民用车型，也能够支撑更高等级的自动驾驶场景。
为了让物理AI技术惠及更多用户，小鹏推出了Hybrid VIP蒸馏模型架构，在不牺牲核心能力的前提下，将大模型部署在单颗图灵芯片上，实现了算力与性能的平衡。
此外，小鹏还开发了XLLM架构，能够在单颗图灵芯片上高效运行通用大模型，实现每秒超过20个Token的生成速度，为未来的车载生态扩展打下基础。
落地节奏与挑战：9月OTA背后的取舍
根据分享会披露的信息，小鹏的VLA 2.0全新版本将在9月开始全量推送，这一落地节奏背后，是小鹏对用户体验与技术落地的平衡思考。
本次全量推送将覆盖多个车型梯队：小鹏G9L Ultra和Ultra SE版本将首发搭载VLA 2.0系统，单图灵芯片的Max车型也将在9月随630B版本全量推送，双芯片车主的升级计划将在今年晚些时候公布。
刘先明强调：“我们不希望单纯通过削减参数量来适配低端车型，而是要给用户一致的体验。”这一承诺意味着小鹏将在算力成本与用户体验之间找到平衡，避免为了快速落地而牺牲产品体验。
小鹏的转型之路并非一帆风顺，面临着三大核心挑战：一是算力成本控制，大模型的训练与部署需要高昂的算力成本，如何在保证体验的前提下控制成本，是小鹏需要解决的核心问题；二是法规合规风险，物理AI的落地需要严格的法规合规，尤其是在自动驾驶领域，不同国家和地区的法规要求存在差异；三是用户教育与接受度，物理AI的功能相较于传统智能驾驶更加复杂，需要对用户进行充分的教育和引导。
物理AI，是车企的下一张船票吗？
小鹏的战略转型为整个新能源汽车行业提供了新的思路：当硬件同质化、功能内卷化成为常态时，车企需要跳出“造车”的思维定式，转向更底层的技术赛道。
当前多数车企仍在围绕智能驾驶功能、智能座舱交互做单点升级，而小鹏已经开始构建通用物理AI底座。这种升级不仅能够提升车辆的智能化水平，更能够为企业带来长期的竞争壁垒。
物理AI的落地离不开大规模数据训练与高算力支撑，这意味着车企需要加大在数据采集、算力基础设施、芯片研发等领域的投入。谁能够在这些领域建立优势，谁就能够在未来的物理AI竞争中占据先机。
小鹏的通用AI底座证明，同一项技术可以在不同场景中复用，这不仅能够降低研发成本，更能够加快技术落地速度。未来，跨场景的能力复用将成为智能车企的核心竞争力之一。
小鹏的战略转型不是一次简单的赛道切换，而是对汽车本质的重新定义：从交通工具到智能移动机器人。这场转型的背后，是小鹏对未来物理AI时代的提前布局。正如刘先明所说：“过去一年的所有尝试，都是为了让物理AI真正走进用户的生活。”对于整个行业而言，小鹏的转型或许就是下一个十年的行业方向——谁能够率先构建起物理AI的底层技术体系，谁就能够在未来的智能出行竞争中占据先机。
热门跟贴