汽车开始有了“大模型”：小鹏VLA 2.0真正想改变的，可能不只是自动驾驶

No.0364

Science Partner

Bring you to the side of

导 读

如果AI大语言模型写错一句话，人可以让它重新生成。

但如果AI控制一辆高速行驶的汽车时判断错了，情况可能就完全不同了。

2026年夏天，人工智能正在跨过这条边界。

7月27日，美国斯坦福大学以人为本人工智能研究院（HAI）发布一份有关“世界模型”的政策报告，认为人工智能正在从以语言为中心的阶段进一步走向“空间智能”：模型不仅生成文字、图像，还要建立对现实环境的动态表征，预测环境如何随行动发生变化。报告特别指出，世界模型可能成为具身人工智能训练的重要基础。

同一时间点，小鹏VLA 2.0开始进入德国道路测试。德国专业媒体注意到，小鹏汽车和人形机器人已经开始共享图灵芯片和部分AI基础。更早一些，大众汽车与小鹏联合开发的首款车型进入量产，大众首次在量产车型中采用小鹏提供的智能驾驶系统和图灵AI芯片。

这些事情放在一起看，VLA 2.0值得关注的地方，就不只是“智能驾驶又升级了”。

它指向一个更值得我们每一个热爱科学的小伙伴关心的变化：过去几年，大模型主要学习怎样生成内容。而下一阶段，一部分模型开始学习怎样理解现实、预测下一秒，并直接采取行动。

汽车，很可能成为这种人工智能最早大规模进入普通人生活的载体。

走，跟伙伴君来！

今日主笔｜旻宏

汽车开始有了“大模型”：小鹏VLA 2.0真正想改变的，可能不只是自动驾驶

01. 从预测“下一个词”，到预测“下一秒”

大语言模型处理的是一个相对熟悉的问题：根据上下文，预测接下来最可能出现什么。

进入具体智能，特别是新能源汽车以后，预测的对象彻底改变了。

车辆来到十字路口，需要判断的不是下一个词，而是前车会不会减速、旁边自行车是否准备横穿、被大车遮挡的位置是否可能出现行人，以及自己如果继续前进，两三秒后整个交通场景会变成什么样。

VLA原本是Vision-Language-Action，即“视觉—语言—动作”。美国电动车科技媒体Electrek今年6月在美国计算机视觉与模式识别会议（CVPR）期间采访小鹏通用智能中心负责人刘先明时披露，第一代VLA会把视觉信息先转换成类似语言的中间表征，再生成驾驶动作。到了VLA 2.0，这一实时驾驶过程中的“语言中间层”被去掉，视觉信息更直接地通向车辆行动。语言仍可作为驾驶员的指令输入，但不再要求模型每做一个动作，都先把看到的世界“说一遍”。

这个变化看似只是模型架构调整，背后却是一个颇有意思的问题：人类很多行动，本来就发生在语言之前。

人看到前车突然急刹，并不会先在脑中完整生成一句“前方车辆正在快速减速，因此我应该制动”，才开始踩刹车。现实世界要求的首先是及时感知、判断和行动。

更关键的是“预测未来”。

据Electrek报道，小鹏正在训练系统同时预测两件事：车辆下一步应该怎样行动，以及未来时刻摄像头可能看到怎样的场景。企业将世界模型与VLA视为同一个问题的两个侧面，一个学习怎样行动，一个学习现实世界怎样变化。

一个经验丰富的司机看到路边停着一辆遮挡视线的大货车，往往会下意识减速，并不一定因为他已经看到了行人，而是因为经验告诉他：那里可能发生什么。

机器如果也要具备类似能力，就不能只停留在对当前环境的识别，还要对接下来几秒可能出现的变化作出判断。从这个角度看，VLA 2.0所强调的“预测未来场景”，反映的正是智能驾驶从感知当前状态，进一步走向对动态环境进行推演的一种技术尝试。

02. 汽车为什么可能成为具身智能的第一块“数据矿”

人工智能需要的数据正在改变。

大语言模型时代，互联网上存在海量文字、图片和视频，可以成为训练材料。Physical AI进入现实世界以后，光“看过世界”已经不够。模型还需要知道：人在这个场景里采取了什么行动？汽车打了方向以后，周围环境怎样变化？机器人伸手抓杯子，是成功了，还是滑落了？

斯坦福HAI在7月发布的世界模型报告特别指出，世界模型目前稀缺的一类资源，是带有行动信息的真实交互数据，包括机器人运行轨迹和车队日志。这类数据不像网页文本那样能够大量直接获取，可能成为未来Physical AI竞争中新的稀缺资源。

这使汽车处在一个非常特殊的位置，它本身就是一种已经高度规模化的机器人。摄像头、雷达等传感器负责“看”；车载计算平台负责“想”；转向、制动和动力系统负责“做”。更重要的是，大量汽车每天都在复杂真实环境中运行。

一次变道、一次避让、一次紧急刹车，其实都形成了一个完整的链条：看见了什么——作出什么判断——采取什么动作——现实世界产生什么结果。

过去互联网公司掌握搜索、点击和文本数据，是训练数字世界AI的重要资源。到了Physical AI阶段，真实世界中的车队日志、机器人的运动轨迹以及行动产生的反馈，可能成为另一种难以复制的训练资源。于是近来一个现象愈加明显：车企谈论的不再只有汽车，还开始频繁出现世界模型、机器人和Physical AI。

车厂，拥有的不再只是制造汽车的工厂。

AI进入现实世界十分需要的一样东西：规模化的“身体”和长期产生的行动数据。从这个角度看，汽车不仅是具身智能的一种应用，也可能成为训练具身智能的一所大型“学校”。

03. VLA 2.0从“一辆车”变成“一套能力”

判断一种汽车技术有没有更大的产业意义，有一个简单的观察角度：它能不能离开自己的品牌和车型。

今年3月，路透社报道，大众与小鹏联合开发的ID. UNYX 08开始量产。大众方面表示，该车型采用小鹏提供的自动驾驶系统和图灵AI芯片，双方第二款联合车型也计划于今年推出。

这个信号比一次“全程零接管”的试驾更大。一家车企研发的智能驾驶能力，开始进入另一家全球大型汽车制造商的产品体系。传统汽车工业当然早有博世、大陆集团这样的供应商。但模型时代可能出现一种新的供应关系：过去交付的是摄像头、雷达、刹车系统、控制器；未来交付的可能是一套能够持续训练、升级，并适配更多车型的“智能”。

德国电动交通专业媒体Electrive今年7月在小鹏慕尼黑活动的报道中注意到，小鹏展示的人形机器人IRON 2.0使用与其电动车相同的图灵芯片和部分AI技术基础。这还不能说明汽车和机器人已经使用同一个完整模型。汽车在道路上运动，人形机器人需要抓取、行走、操作物体，两者的身体结构、传感器和任务难度差异巨大。由“会开车”直接推导出“会做家务”，显然还太远。但方向已经值得观察：原本被划分为汽车、机器人等不同产业的机器，开始尝试共享计算平台和部分对物理世界的智能能力？

这很像大模型曾经在数字世界发生过的变化：过去不同的软件分别完成翻译、摘要、问答和写作，后来一个基础模型开始覆盖越来越多任务。

Physical AI会不会也出现类似过程？

未来衡量一家企业的技术能力，也许不再只问“这辆车的智驾好不好”，而要问：同一种感知、预测和行动能力，能不能迁移到不同汽车、机器人乃至其他具身智能机器上？

如果这件事成立，那么VLA 2.0真正要证明的就不只是“一辆车可以自己开得更好”。它想触碰的是更大的问题：汽车上训练出来的物理世界智能，能不能逐渐成为一种可迁移的基础能力。

04. 慕尼黑的接管，真正的难题

模型越通用，真正遇到的问题反而越具体。

今年夏天，VLA 2.0测试车来到德国慕尼黑。

美国科技媒体CleanTechnica记录了一段很有代表性的道路测试。车辆已经能够处理当地道路上的汽车、行人和自行车。报道还表示，与在中国道路上的表现相比，系统在德国明显更加谨慎，尤其面对行人和自行车时，会留出更大的安全余量。

随后，一辆执行紧急任务的救护车从后方驶来。测试车当时位于一条空间较窄的单车道，道路两侧都有明显路缘。按照正常驾驶逻辑，车辆不能随意驶上路缘区域，但在人类驾驶员眼里，此时还有另一条更高优先级的规则：尽快为救护车腾出通道。在确认周围安全的情况下，人类可能会临时做出平时不会做的动作。

VLA 2.0没有自行完成这个特殊操作。

它没有贸然越过路缘，也没有主动实施一个系统尚不能确认安全性的非常规动作。最终，驾驶员接管车辆，在确认环境允许后临时驶上路缘，为救护车让出了空间。

如果只看“发生了接管”，很容易把它理解为系统能力不足。但这个场景刚好在于，它并不是一道简单的“有没有认出救护车”的题。系统面对的是多个要求同时存在：通常不能压上路缘；现在又必须为紧急车辆让路；与此同时，还要判断路缘之外是否有人、空间是否足够，以及这种非常规行为是否符合当地环境。对一个有经验的人类司机来说，这些判断往往几秒钟就能完成。对机器而言，却涉及规则优先级、环境预测、地方驾驶习惯以及异常情境理解。

从结果看，没有擅自突破通常驾驶边界，可以理解为一种偏保守的处理方式。之后需要继续提高的，是系统将来能否进一步理解：什么时候应该严格遵守通常规则，什么时候在更高优先级目标出现时，可以确认风险后合理突破通常规则。

这不是VLA 2.0独有的问题。

今年7月8日，美国国家公路交通安全管理局（NHTSA）在记录到多起无人驾驶车辆干扰执法、消防及其他第一响应人员开展工作的事件后发出警示。该机构指出，无法正确识别和响应紧急现场、应急车辆及相关安全信号的自动驾驶车辆，本身可能给公众带来安全风险。

换句话说，慕尼黑遇到的是整个自动驾驶行业迟早都要回答的一道题：机器不仅要懂交通规则，还要懂什么时候几条规则发生了冲突。

这次测试的另一个值得肯定之处在于，车辆已经从中国道路被带到一个交通文化、道路环境明显不同的欧洲城市。它没有因为环境改变而完全失去能力，而是在大多数常规场景中继续工作，只在一个极少见、规则相互冲突的情形下需要人类介入。至少显示出一定的跨地域适应能力，也为进一步验证其泛化能力提供了现实场景。

05. 对普通人而言，变化可能早于“方向盘消失”

很多人理解自动驾驶，习惯等待一个标志性时刻：汽车什么时候彻底不用人开？

而你有没有想过，真正影响日常生活的变化，很可能在那一天到来以前已经发生。当汽车越来越依赖持续训练和更新的模型，一辆车的能力就不再完全固定在驶下生产线的那一刻。过去买车，人们比较动力、底盘、空间、续航和配置；今后，模型版本、OTA更新、真实道路数据、安全冗余以及第三方评估，可能成为消费者判断一辆车的重要指标。

一辆传统机械汽车用了三年，性能大体沿着逐渐损耗的方向变化。一辆越来越依赖模型的智能汽车用了三年，却可能因为软件升级，泊车能力、变道逻辑甚至处理复杂路口的方式都和刚买回来时不同。这意味着，人购买的不再只是一件机械产品，还包括一套会持续改变行为的行动型AI系统。

这，也给消费者带来一个新的问题：一次OTA之后，这辆车到底学会了什么，又有什么能力边界没有改变？

人与机器的责任边界因此变得更重要。

美国国家公路交通安全管理局目前对Level 2驾驶辅助的界定仍十分明确：系统虽然可以同时控制车辆转向和加减速，但驾驶员仍必须保持注意，并继续承担驾驶责任。机器开得越来越像人，反而容易让人忘记这一点。

过去我们谈AI素养，通常是提醒人们不要完全相信大模型生成的一段文字。具身智能进入现实生活以后，更需要明白的是，知道机器在什么地方值得信任，也知道什么时候不能把决定权交给它。而这可能才是VLA 2.0以及这一轮Physical AI竞争，最终与每个普通人的关系。它的重要性并不取决于今年谁在某一次测试里多开几个路口、少接管几次。真正发生变化的是：过去，大模型给我们一个答案，最终行动仍由人完成；现在，模型开始连接方向盘、刹车以及机器人的手脚。

如今，人工智能犯错的含义也变了。它不再只可能生成一个错误结果，还可能直接影响现实世界。于是，人工智能正在从“生成结果”，走向“产生后果”。

汽车，很可能就是普通人第一次大规模面对这条边界的地方。

我是旻宏，咱们下期见～

本文仅作科普分享使用，欢迎小伙伴们点、收藏、关注，以备不时之需，当然更欢迎您把 介绍给周边可能需要的更多伙伴们呀。