社区

芝能科技出品

在小鹏科技日上，我们看到了第二代VLA（Vision-Latent-Action）技术，从视觉直接生成动作的“端到端”控制逻辑，进入“物理世界大模型”的阶段。

在此基础上，小鹏进一步推出首款基于VLA架构的Robotaxi，以前装量产、纯视觉路线、全球泛化能力为基础，从自己的角度准备切入 Robotaxi的新体系。 

01

VLA的技术 

辅助驾驶行业主流模型普遍采用“视觉→语言→动作”的VLA路径，通过语言作为中间层，将驾驶场景以自然语言的形式进行描述，再将语言信息转译为控制决策。

◎ 优点在于通用性强，便于模型理解复杂语义；

◎ 局限也极为明显：语言并非为机器推理而生，而是为人类沟通而设计。

在高动态、细微变化频繁的驾驶环境中，语言的抽象性反而成为一种信息损耗。车辆的微小偏转、道路材质的变化、行人姿态的细节，都可能在语言转译过程中被忽略。

小鹏第二代VLA选择的路线，去除语言中介，实现“视觉→隐式Token→动作”的架构。

模型直接从海量真实驾驶视频中学习，在无监督的条件下构建出对物理世界的自主理解，系统不仅能“看”，还能“感”，通过直接学习物理交互规律来理解世界运行方式，从而形成一种“物理直觉”。

小鹏自研的图灵AI芯片突破了以GPU为核心的传统架构，采用NPU（神经网络处理器）设计，针对Transformer网络进行算子级优化。

小鹏在云端构建的全球领先智算集群——总规模超过3万张计算卡，部署720亿参数的基座大模型，云端至车端的全链路可在五天内完成一次迭代，模型能以极高的频率自我优化，在端侧保持快速适应性与实时进化能力。

02

从VLA到Robotaxi 

基于第二代VLA架构，小鹏推出中国首款全栈自研量产Robotaxi，小鹏Robotaxi采用“前装一体化”方案，车辆在出厂时已预埋两套独立冗余硬件系统，包括算力、视觉、刹车、转向、电池、通讯等六大模块，保证了L4级自动驾驶的安全冗余。

小鹏Robotaxi完全依托纯视觉方案，不依赖高精地图或激光雷达，感知系统与决策模型均由VLA直接驱动，通过模型自身对环境的泛化理解实现全场景驾驶覆盖。

方案能够在全国甚至全球范围运行，适应不同的交通法律与习惯，“泛化自适应”能力，使其具备跨地域扩展的潜力，成为真正意义上的“通用出行智能体”。

在交互层面，小鹏也为Robotaxi赋予了全新的“表达能力”。

通过首创的“遮阳板车外显示系统”，车辆可以在泊车、临停、迎宾、充电等场景中，以视觉符号或语音与外界进行交流。例如，当行人靠近时，车辆的“眼睛”会张开表示注视；遇到交警时，会显示“车主马上回来”的提示。

这种多模态交互不仅提升了安全性，也在心理层面建立了人与车之间的信任。

小鹏Robotaxi还接入了“AI任务台”云端平台，实现云-车双向互联。平台可远程下发任务、指令或应对突发情况，并通过AI算法进行决策闭环，从而避免传统远程人工接管的延迟与风险。整体系统在保证安全冗余的同时，保持了高度的实时性与自主性。

从成本角度来看，小鹏的“前装一体化”设计让成本有所变化，也使规模化运营成为可能，首批合作方高德地图，将直接接入小鹏Robotaxi的全球生态接口，为其建立出行入口和商业化基础。

小鹏计划在2026年启动城市级示范运营，并同步推出三款Robotaxi车型。其最高配版本小鹏Robo，将搭载四颗图灵AI芯片，总算力达到3000 TOPS，具备L4级自动驾驶能力。 

小结

小鹏科技日上第二代VLA和Robotaxi值得关注。