2026智能军备竞赛，何小鹏打响第一枪——
夸下海口：
“直达终局L4，最快一年实现完全自动驾驶”。
怕你不信，直接给出证据：
“三个月468版，平均一天更新4版”。
这样进化速度下，何小鹏一点情面也不留，直接摊牌：
“L2是缝合怪，端到端已见顶，机会只能在小鹏” 。
何小鹏的这番炮火宣言，代表VLA阵营，倾泻到一段式端到端玩家头上。
今年智能化军备竞赛，这是最有希望争夺物理AI门票的两大阵营。
何小鹏信心爆棚的根据到底是什么？
解答这个问题，要从小鹏最新VLA的直观体验、原理框架入手。
小鹏VLA交卷，体验如何？
先快速围观一下何小鹏最新“鹏言鹏语”，包括但不限于立Flag——“最快1年，实现完全自动驾驶”：
火力全开尽情输出——“端到端小模型已经到天花板”：
以及向全行业下战书——“车已到门店，欢迎来试尽管对比”：
4月全量推送，何小鹏说第二代VLA表现不仅远远超越小鹏以往的XNGP，更是遥遥领先行业主流的端到端系统。
定量说，给了具体提升数据，包括减少99%重刹、98%急加速、60%安全接管，并提升124%路面障碍物识别能力，提升118%侧后方车辆识别能力，夜间决策准确性提升96%，避让舒适性还可提升95%……
感知不到？直观定性也有，最基础的高速、城区、窄路、无地图停车场全适配。
而让何小鹏惊呼“这也能开”的，是一系列高度复杂困难，老司机都要格外留心应对的场景。
比如春节期间早期测试用户已经在家乡集市上进行了实测：
异形物多，行人多单车多，还经常有不可预测小朋友到处在跑，且灯光杂乱，二代VLA丝滑穿行。
面对路边乱七八糟的违停场景，VLA能自主“钻缝”通过：
“找路”能力的背后，实际上是模型对场景的识别理解能力，甚至能够理解交警的手势、语言：
交警查酒驾，小鹏VLA很老实地停下来让用户吹气，交警示意“走走走”，又很聪明地及时驶离。
当然，二代VLA的重要进步还体现在安全性上，最具代表性的场景是面对路边突然的鬼探头或开门杀：
还能在夜间识别避让穿黑色衣服的行人，或者各种横穿马路的小动物：
以上种种能力，何小鹏说都是VLA大模型“智能涌现”的结果，从第二代开始，小鹏坚持不依赖任何规则，不在中国写规则，也不在全球任何地方写规则。
这意味着，小鹏二代VLA可以不用当地任何地图数据，不做针对性优化，直接在全球绝大部分道路场景正常通行。
全部数据驱动。
这一点，是何小鹏认为“直通终局L4”，拿到物理AI门票的关键。
10亿参数每天更新4版，怎么做到的？
二代VLA背后的能力，小鹏AI大管家刘先明（最新title是通用智能中心负责人）认为本质就是物理AI基座模型，可以拆解成一个公式：
包括模型、算力、数据，也就是Scaling law的核心要素，还有本体，指芯片、硬件底层。
模型层面，物理AI要解决的第一个问题，就是信号输入输出不同于语言模型，是连续且大量的，几乎很难去逐个分词、拆解。
第二个问题，是物理世界的反馈难以预测，很难直接定义评价体系。
所以不重新设计一套完整的基座模型，解决不了问题。
小鹏的方法是直接打造成一套原生多模态的物理世界的基模。连续性问题，设计了一套原生多模的tokenizer，就是信号的处理单元，能以更高效率、更原始的方式编码所有的信号，并且加入极早期融合去避免单一模态所带来的偏差。
反馈评价问题，小鹏的方法是视觉推理COT，即思维链技术，但是是高度实时的，推理效率相比行业平均“提升了32倍”。
比如跟车慢行场景，所以模型会通过思维链找到几种不同的解决方案，包括向左去激进、变道、折回再去超车等等，每个方案会通过模型评分供系统选择。
算力层面，当然越充足越好，但小鹏在数值之外，更加强调有效算力概念：
举的例子是，只有小鹏自研算法在自研图灵芯片上才能跑到最高有效算力，背后小鹏针对目标场景和应用case设计了专门的底层的硬件架构，还有一整套AI编译器，以及根据芯片和编译器反向定义模型基本结构。
三个东西联合优化，硬件的利用效率从通用芯片加开源模型的22%提升到了现在的85%。
当然还有云端。从去年11月发布二代VLA以来，3个月一共更新468版模型，平均每天接近4版模型，并且这是一个上十亿参数的大模型。
GPU 的硬件利用率提升到现在的90%，核心就是优化整个模型和训练过程当中的容错性、稳定性，还有它的训练的效率，也就硬件利用率，还有数据读取效率。
数据层面，小鹏直接用最近的训练实况证明自己：
整个单次训练高质量数据达到了50PB，是常规大语言模型的20倍左右。
对应第二代VLA整体的Token数量在4万亿左右，与训练的ChatGPT级别的模型规模相当。
模型、算力、数据和芯片，构成小鹏VLA基础能力，类比一下的话，分别对应着人类大脑的基础认知能力、脑容量、正向学习经验，以及实时拆解完成任务的能力。
但这还不够。
数据驱动也有自己的问题，那就是数据分布特征、质量明显影响模型性能，也就是说只有尽量多学习好的和不好的case，才能不断拉高AI司机能力上限。
解决办法一是仿真测试世界模型，小鹏在过去一年中，仿真的里程case的数量从3万个增加到了50万个，官方宣称一天的测试量相当于3,000 万公里的道路实测数据。
其二是强化学习，通过正负反馈的机制，让模型明白什么样的行为策略是可取的，什么样的是应该避免的，解决物理世界反馈难以评价的问题。
一句话总结，二代VLA之所以让何小鹏信心爆棚，底层能力两个，一个是快速迭代能力，一个是模型全流程的自我驱动。
所谓真数据闭环、数据驱动，最核心的其实就是完全的模型化，开发初期就自断规则辅助依赖，后期不留任何走回头路的机会。
一开始的“戒断”很痛苦，需要反复对模型框架、数据质量、参数规模以及软硬件协同摸索优化，但一旦智能涌现，一通百通。
2026两大阵营对决：小鹏已立军令状
之前刘先明给老板立的军令状上了热搜：
8月份追赶不上特斯拉在硅谷的能力，裸奔金门大桥。
怎么样才算追上？这次给出了具体指标：
安全接管里程提升50倍，平均接管里程提升25倍。
也就是说，不算用户不满通行效率和风格的情况，仅仅考虑安全因素，小鹏VLA要实现千公里级别一次的接管率。
对应车端VLA大模型的参数量，从如今的10亿提升到200亿——三图灵芯片量产车，甚至四图灵的Robotaxi车型，就是何小鹏说的直达L4终局。
当然了今年内可能叫准L4更贴切一点。
但破4之前，何小鹏还有一件不得不做的事。
一方面何小鹏高举物理AI大旗，并且笃信Scaling law生效，能从AI司机延伸到通用AI。
另一方面，L2+的量产落地在VLA之外，还有人选择了一段式端到端。
这个阵营的玩家名字也被越来越多人放在一起：华为、地平线、Momenta……
并且从供应商角度出发，未来一段时间内，一段式路线的实际搭载量和路测里程，大概率超过VLA阵营玩家。
毕竟同样是车位到车位的体验，大量老牌车企更愿意选择务实、成本可控的路径。
这可能也是小鹏在自用之外，同样把VLA和图灵芯片外供的原因，第一个吃螃蟹的，是大众：
一段式端到端这条路线，对VLA有巨大的潜在威胁：
数百TOPS+融合感知，如果也能实现千公里级别的接管率，那么花费巨大车端云端成本的VLA，是不是根本没有必要？
甚至局限到To C赛道，根本不需要千公里接管率，几百公里接管一次的水平，就足以解决日常通勤最大痛点，成为影响下单的核心因素。
正因为如此，VLA阵营玩家实际压力更大，与时间赛跑的局面更加紧迫，不但要争分夺秒交付证明自己可以做到，还要从技术逻辑、从商业逻辑上击败对手。
2026注定是VLA、一段式端到端两大阵营的赛跑、对决。
只有率先证明泛化性和安全性共存的一方，才有资格晋级L4，直接挑战Waymo代表的传统自动驾驶阵营，才有底气把物理AI从PPT变成现实。
何小鹏打响了VLA阵营的第一枪，表现出的决绝和自信同样让人吃惊：
公开表态“破釜沉舟”，完全斩断了小鹏走回头路的可能。
到底是“金麟岂是池中物”，还是半场开香槟，今年的路线之争，你更看好哪一方？
责任编辑：落木文章内容举报
]article_adlist--> 声明：新浪网独家稿件，未经授权禁止转载。 -->易倍策略提示：文章来自网络，不代表本站观点。
