当前位置：网通社汽车 > 语言消失，汽车“看见”即行动？小鹏VLA大模型重塑智能驾驶边界

语言消失，汽车“看见”即行动？小鹏VLA大模型重塑智能驾驶边界

汽车创艺秀 2025-12-11 15:47

想象一下这样的场景：繁忙的十字路口，交警正用手势引导车流，你驾驶的车辆无需任何额外指令，便精准理解了手势意图，流畅地完成了停车、等待、起步等一系列动作。这并非遥远的科幻，而是小鹏汽车最新发布的技术所描绘的、即将到来的智能驾驶图景。一切的关键，在于其核心“大脑”的一次颠覆性进化。

近日，小鹏汽车正式发布了其第二代视觉-语言-动作（VLA）大模型，并将其定义为“物理世界模型”。这一模型的发布，不仅仅是一次常规的技术迭代，更被视作对现有智能驾驶技术架构的一次“升维打击”，其核心目标直指一个终极命题：让汽车像人一样，通过“看见”来直接理解并应对这个复杂的世界。

架构“减法”：当语言不再是必需的“翻译官”

传统智能驾驶的感知与决策链条，通常遵循“视觉(V) - 语言(L) - 动作(A)”的流程。摄像头等传感器捕捉到的视觉信号，首先需要被识别、标注、转化为机器可以理解的“语言”（如“前方50米有静止车辆”），然后这套“语言描述”再被交给规控系统，生成具体的“动作”指令（如“减速”或“变道”）。在这个过程中，“语言”扮演了至关重要的“翻译官”角色。

然而，小鹏第二代VLA大模型所做的，正是大胆地摒弃了这个“翻译”环节。它实现了从原始视觉信号到最终车辆控制指令的“端到端”直接输出。这意味着，车辆感知系统“看到”的图像或视频流，无需经过中间的语言符号转译，其神经网络便能直接理解场景的物理含义，并生成相应的方向盘转角、油门或刹车信号。

根据小鹏汽车官方阐述，这种架构革新带来了两大根本性优势：大幅降低信息损耗与显著提高推理效率。省去语言转译步骤，避免了信息在多次编码解码过程中的失真，让系统对世界的感知更“原汁原味”。同时，更短的决策链路意味着更快的反应速度，为应对瞬息万变的复杂路况争取了宝贵的时间。

核心跃迁：构建以视觉为基座的“物理AI”

小鹏将这一代模型称为“物理世界模型”，寓意深刻。它标志着智能驾驶系统的核心，从“识别物体”升级为“理解物理规律与交互逻辑”。

在传统架构下，系统或许能识别出“交警”这个物体，但无法理解他手势的动态含义及其对交通流的即时约束。而第二代VLA大模型的目标，是直接理解“交警举起手掌”这一视觉信号所代表的物理规则：“停车线前的通行权被临时禁止”。同样，对于红绿灯的读秒、路口突然窜出的非机动车、施工路段的临时导流带等场景，模型旨在直接洞悉其背后的物理规则与行为逻辑，从而做出拟人化的预判与决策。

小鹏汽车创始人何小鹏在分享中透露，第二代VLA在内部测试的复杂路况下表现“极其惊艳”，能够有效识别并响应如交警手势等未经专门训练的“长尾场景”，并对红绿灯变化等做出提前应对。更具体的数据显示，在复杂小路场景下，其平均接管里程实现了高达13倍的提升。小鹏官方表示，其性能已超越当前阶段的同类端到端模型。

何小鹏进一步阐释了他的愿景：未来，这类大模型将成为“物理AI世界的操作系统”。它基于“大算力、大数据、大模型”的融合，不仅服务于智能汽车，更将作为统一的智能基底，赋能人形机器人、飞行汽车等广义的“具身智能”体。第二代VLA大模型的发布，正是小鹏从“智能驾驶”迈向“具身智能”这一更宏大战略的关键一步。

落地蓝图：从先锋体验到全球合作

如此前沿的技术，何时能真正为用户所用？小鹏汽车给出了明确的时间表。按照官方规划，第二代VLA大模型将于2025年12月底率先面向部分先锋用户开放共创体验。随后在2026年第一季度，将随小鹏旗下Ultra版车型向用户进行全量推送。这一节奏显示，技术已从实验室走向量产应用的前夜。

更具行业震撼力的消息在于合作生态的拓展。小鹏汽车官方宣布，全球汽车巨头大众汽车集团已成为小鹏第二代VLA大模型的首发战略合作伙伴。这意味着，小鹏自主研发的这项核心技术，将应用于大众汽车未来的智能产品中。此外，同样由小鹏自主研发的“图灵”AI芯片，也已获得大众汽车的定点。这一系列深度合作，不仅为小鹏带来了切实的技术认可与商业回报，更标志着中国汽车企业在智能驾驶核心底层技术上的输出达到了新的高度。