何小鵬：未來1-3年完全自動駕駛將真正到來｜最前線

小鵬汽車董事長 何小鵬

文｜肖漫

編輯｜李勤

“通過我們內部比較測評，我認為比行業一流選手領先接近5倍。”在第二代VLA發布會后的交流中，小鵬汽車董事長兼CEO何小鵬說道。

智駕的演進，正從“軟件定義汽車”變為“AI 定義超級智能體”。新浪潮下，小鵬汽車給出了他們面向未來的激進解法：跳過在硬件、軟件與法規層面皆面臨妥協的 L3 階段，直接以 L2 和 L4 作為智駕演進的核心錨點。

在何小鵬看來，第二代VLA已經讓小鵬具備從L2直接進入L4的可能性。

小鵬和特斯拉一樣，不再是在原有的智駕框架里修修補補，而是徹底把自動駕駛當成通用人工智能（AGI）在物理世界的落地來解題。戰略變化前，小鵬已將智能座艙中心和自動駕駛中心合并，集中 AI 資源形成統一中臺，以此提升開發效率。

小鵬現在的思路是引入世界模型的構建思路，實現智能座艙與智能駕駛的深度融合。讓智艙與智駕不再孤立，融合為一個“強力超級智能體（Agent）”，未來 1-3 年實現從被動工具到主動服務的跨越。

實現這個設想的基礎是最好基座模型，并解決數據問題。?鵬汽?通用智能中心負責?劉先明認為，“做好基座模型，是一家做L4公司的必修課。不做這件事，就可能在這次技術轉型中落在后面，或者沒辦法完成完整的技術轉型。”

小鵬的技術變革足夠果斷，智能化的軟件升級已經成為小鵬汽車產品的核心抓手。但正如36氪汽車此前報道指出，現下的小鵬仍是一家以賣車作為核心收入的汽車公司，身處在競爭烈度仍在強化的中國汽車市場，小鵬在內的所有公司都要在市場環境和技術的雙重變革下尋求轉型。

以下是36氪汽車與小鵬汽車董事長 CEO 何小鵬、?鵬汽?通用智能中心負責?劉先明的交流內容，略經編輯：

問：小鵬為何建議跳過L3、并向兩會提出該建議，是為了我們可以有一個更領先的技術嗎？

何小鵬：我認為L4開始就會有新的責任主體，在今天全球科技發展的情況下，基本上從L2的下一個臺階就是L4，中間專門加一個L3實際對于硬件、軟件、法律法規都是挑戰，所以從我的角度來看，我認為中國應該一個是L2，一個是L4。

問：第二代VLA將落地到多少臺車輛，能否給出大致預估數據？

何小鵬：我們所有的Ultra和UltraSE都會都會搭載第二代 VLA，你可理解為未來小鵬在全球市場的車型，將會提供基礎智能輔助駕駛和頂級智能輔助駕駛兩種選擇。

問：第二代VLA到底能夠做到什么程度？是已經完全可以達到L4，還是在什么樣的階段？

劉先明：現在到底做到什么水平。目前還沒有完全說自己能達到百分之百的L4，但是現在整個VLA2.0搭建了一套非常通用并且高效的架構，所以基本上每天都會有新的版本出來，不停地去迭代新的問題，而且進步速度也是超乎我們想象的，所以我們有信心，在未來的一段時間內能做到L4水平的一套比較完整的體系。

具體的時間可能還沒有辦法給出完全的判斷，1—3年是大師兄給出的判斷，我們的判斷是如果按每一天迭代的速度比前一天快，看到整個訓練速度和數據規模曲線是加速上升的狀態，如果我們一直維持這個狀態的話，我相信會很快。

問：為什么會把智能座艙和智能駕駛合并，形成這樣的組織架構調整？目前這種變化似乎也是車企中正在發生的趨勢，想請問小鵬汽車這次調整與其他車企有什么不同？

何小鵬：汽車行業正在進入新的跨域融合階段：自動駕駛是整車運動，智能座艙是整車大腦，再加上動力、底盤，我們認為這四個域都在進行跨域融合中。

未來L4或Robotaxi車型，很多廠商會從原來單一域的集成（比如一個域由多家供應商集成，或單獨一個域研發），轉向跨域融合，這樣能讓整車更快、更安全、更靈敏，能力提升數倍，從被動使用轉向主動服務。所以，先明負責的通用智能中心，正是跨域融合進程中的一部分。

這也是我非常堅信1—3年全自動駕駛會落地、3—5年所有汽車都會成為強力超級智能體。

問：第二代VLA實現端到端智能革命，將于本月下旬全量推送。這套底層技術統一、動力形態雙選的產品策略，將如何定義小鵬未來3年高端市場打法？

何小鵬：關于未來1-3年，汽車將從軟件時代進入AI時代，從軟硬件獨立發展走向跨域融合，從原來的、簡單的智能新能源車升級為可主動服務的高階智能Agent。因為小鵬在多領域同步研發，所以未來1-3年大家會看到有很多跨域融合的效果。

這也是我為什么非常激動地認為，包括以前的燃油汽車，以前靠汽車商想做好的方案越來越困難，汽車一定會從原來的被動生產工具變成一個主動產生生產力的產物，我認為是劃時代的產物，大概3—5年會實現。

問：剛才您提到基座模型是做好L4的基礎。從行業來看，目前很多Robotaxi玩家對基座模型提及不多，或選擇其他技術路線。未來基座模型是否會成為Robotaxi企業做好業務的標準嗎？

劉先明：現在 L4 或者自動駕駛已經發生很大的技術范式變化。我們過去看到Waymo還有很多 L4 公司，其實上限很低，大家只能不停往前卷。這帶來另外一個問題，就是L4的ODD概念，車輛到底能運行在什么地方，只能取決于鋪了多少車、采了多少數據、建了多少地圖。所以如果真想泛化性解決整個問題，技術范式就一定要變，這是不可避免的。

今天我們也在發布會上提到，做好基座模型，是一家做L4公司的必修課。不做這件事，就可能在這次技術轉型中落后，沒辦法完成完整的技術轉型。

問：第二代VLA出海方面，您提到目前在瑞典的case使用云端模型進行仿真訓練。特斯拉在做中國FSD時，也是通過網絡視頻、仿真訓練等方式推進，我們如何避免出現類似特斯拉 “水土不服” 的問題？

劉先明：第二代 VLA 模型在沒有經過任何海外數據適配訓練的情況下，從今天大師兄（何小鵬）發布的視頻里可以看到，已經具備很強的能力。第二，小鵬是一家全球化企業，我們會在合規前提下，在全球任何有小鵬車輛的地方正常擁有并使用當地數據。第三，對于更多泛化性場景，通過世界模型的生成方式，也可以讓我們快速達到一個能力起始點。

所以整個小鵬全球化自動駕駛的策略，一定是這幾點結合在一起：模型本身要有極強的泛化能力，不能只依賴中國數據、只能在中國跑，這個事情是行不通的；再加上小鵬的全球化布局，以及我們在技術上的突破。

問：世界基座模型如果同時賦能多樣化智能體，它在多模態交互、空間感知這些方面會不會存在技術復用的瓶頸？不同形態的智能體能否對基座模型反哺，加深模型的優化？

劉先明：底層的復用能力應該還是很強的，整個VLA或基座模型的設計是原生多模態，不太會只針對自動駕駛，是可以復用的。具體的復用情況我們還在持續探索，目前暫時無法給出特別明確的結論。現階段首要任務還是先在車上先把整個事情跑完，下一步再推進艙駕聯動。

問：自動駕駛從端到端進入到模型這個范式之后，大家都在用人類的數據去做模仿學習，今天先明也分享了世界模型在仿真世界里做大量的強化學習的案例，但從去年開始，很多人就在談人類數據其實價值不大了，您怎么看？

何小鵬：我覺得物理世界、人類世界的數據量現在來看是無限的。

以前我覺得有10萬臺、100萬臺車跑了多少公里就夠了，現在我覺得遠遠不夠。很多人說我有車隊、我有公司，車賣得多就有很多數據，這些都是錯誤的。如何收集有質量、有價值、超大規模的數據，我覺得是非常困難的一點。不論是汽車還是機器人，這件事上都遠遠沒有看到頭，這是我的看法。

問：RL強化學習是不是真的萬金油，所有的問題都可以解嗎？有沒有它不擅長的東西？

劉先明：強化學習不是萬金油。現在學術界、工業界都在說強化學習很厲害，但它一定需要一個非常強的基座模型——至少能采樣到解決這個問題的可行解。如果連這個能力都沒有，強化學習就沒辦法繼續提升。

但強化學習是效率特別高、能定向解決問題，并且能持續探索長尾問題的一種學習方式。所以我覺得大家不用把強化學習當成可解萬物的萬能解，而是一個非常高效的學習方法。

問：目前市場上算力軍備競賽宣傳愈演愈烈，友商之間在瘋狂堆算力，但很多用戶實際體驗后發現，算力大幅提升，體感提升卻沒有數值增長那么明顯，問題大概出在哪？

劉先明：算力不只是名義上的數字好看，更重要的是把算力用好，這是核心問題。這也是我們從通用處理器向專用處理器ASIC過渡的原因。其實你看NVIDIA（英偉達），就是在GPU和CUDA時代做這件事 —— 把算力用好，比單純說算力提升多少倍更有價值。所以算力不僅要大，用好才是核心關鍵。

另外，大算力一定需要更高信息密度的輸入、更大的模型來匹配，否則算力就是空轉。這些因素合在一起就意味著：如果只是搞算力軍備競賽、單純堆高數值，消費者是感受不到明顯的體感提升的。

問：最近2—3年我們從行業實踐來看，關于模型做決策怎么出軌跡這件事主要有兩種方法，第一種方法是大模型直接給出最終的軌跡，第二個給出幾種不同的軌跡之后，讓系統從中選擇一條，小鵬第二代VLA是前者還是后者，在您看來這兩種不同的方案之間有沒有優劣之分，哪種方案更符合未來的發展趨勢？

劉先明：第一個問題核心就是你是做自動駕駛還是AI？如果這個問題回答了，那答案其實很清楚了。我們做的是一個AI，不是專門只是用來做自動駕駛，所以一個AI模型是怎么做的，我們就是什么樣子的。

既然都已經做了這么大的變化，就不會帶著之前很多的邏輯，這些heuristic（基于經驗規則的啟發式方法），就是這些很多的規則或者辦法來解決現在的問題，這個也是讓數據和模型不停scaling（通過增加數據量、模型參數規模、算力投入，來持續提升模型能力）最重要的核心，盡量少加其他的東西進來。

這個可能聽起來有點過于簡單直接，但是在過去這幾年里面，整個AI的發展就是告訴我們這一件事，就是怎么能去做scaling，怎么能夠快速地迭代，就能夠快速的解決問題。核心就是你到底做的是智駕還是做的是AI。

問：在模型訓練過程中，“安心、場景、效率”這三個關鍵詞是否存在取舍，是否有明確的優先級排序？在您目前的觀察中，全球范圍內是否只有兩家已經切換到原生多模態物理世界大模型？

劉先明：如果做過機器學習或AI，就知道PR曲線。當曲線較平時，只能在安心、效率、場景間權衡，本質沒得選。

自動駕駛中，我們常問：到底想要什么樣的自動駕駛？

自動駕駛最核心的目標是安全。但并不意味著安全就可以為所有其他東西讓路，沒人想要為了安全而要一個慢吞吞、沒效率、跑不動的東西。解決這個矛盾，核心是提升基礎能力——只有基礎能力上去，才能在不犧牲其他維度的前提下，把安全做到更高水平。

我們說的 “代際差”，不只是單一指標的差距，更關鍵是有沒有切換整套做事思路，迭代速度有沒有質變。我們現在追求的是不僅跑得快，加速度還在持續變大，因為我們在構建底層通用能力體系，這才是真正的代際差，而非單點指標領先。