從『規則時代』到『大模型時代』，小鵬的AI進化論。

2024年，汽車行業掀起了一場AI大模型競賽。在這場浪潮中，小鵬汽車以720億參數的自研基座模型、國內首個萬卡智算集群，以及『云端模型工廠』的全新范式，成為最激進的探索者。4月14日，小鵬汽車在其閉門技術分享會上，首次披露了其『世界基座模型』的研發進展，并宣布通過云端蒸餾技術將這一超大規模模型部署至車端。這不僅是技術路徑的顛覆，更意味著自動駕駛從『模仿人類』邁向『超越人類』的關鍵一躍。

720億參數基座模型：自動駕駛的『新大腦』

小鵬的『世界基座模型』是目前汽車行業已知參數規模最大的AI模型之一，高達720億參數，是主流VLA模型的35倍。這一模型以大語言模型（LLM）為骨干網絡，整合多模態視頻編碼器和動作解碼器，具備視覺理解、鏈式推理（CoT）和動作生成能力。簡單來說，它不僅能『看懂』道路場景，還能像人類一樣進行常識推理，并實時輸出剎車、轉向等控制信號。

與傳統端到端模型不同，小鵬基座模型通過強化學習不斷自我進化。其核心邏輯在于：用海量駕駛數據（當前2000萬Clips，年底將達2億Clips）訓練出一個『超級老師』，再通過云端蒸餾將能力遷移至車端『學生』。這一路徑的突破性在于，云端模型的算力不受車端芯片限制，可無限逼近性能上限。

如小鵬自動駕駛副總裁李力耘所言：『當模型足夠大時，會涌現出你從未預設的能力，未來這些驚喜將變成日常。』

云端模型工廠：小鵬的AI『核武器』

支撐720億參數模型的，是小鵬自建的AI基礎設施——國內首個萬卡智算集群，算力高達10 EFLOPS，集群利用率常年保持90%以上。這一基礎設施不僅用于模型預訓練，更打通了從數據采集、強化學習、模型蒸餾到車端部署的全鏈路，實現『云端模型工廠』的5天快速迭代。對比行業普遍以月為單位的更新周期，小鵬的效率優勢顯著。

車端芯片的算力天花板，一直是自動駕駛模型性能的瓶頸。小鵬的解決方案是『云端訓練，車端蒸餾』：先在云端訓練超大模型，再通過蒸餾技術將其壓縮至適配車端芯片的小模型。這一路徑已被DeepSeek等AI公司驗證，但小鵬將其首次引入汽車行業。據小鵬自動駕駛產品高級總監袁婷婷透露，蒸餾后的車端模型性能『遠超直接訓練車端模型的極限』，且未來自研芯片將進一步釋放潛力。

世界模型+規模法則：自動駕駛的『第二曲線』

在AI領域，規模法則（Scaling Law）被視為『摩爾定律』的延續，即模型性能隨參數、數據量和算力增長呈指數級提升。小鵬首次驗證了這一法則在自動駕駛領域的適用性：從10億到720億參數，模型能力持續躍升。例如，在未經過訓練的極端場景（如突發障礙物避讓）中，大模型通過鏈式推理展現出接近人類的決策能力。

小鵬的『世界模型』不僅是仿真工具，更是實時交互系統。它能模擬交通參與者的動態反應，并與基座模型形成閉環反饋。例如，當車輛做出變道決策時，世界模型會實時生成周圍車輛的博弈行為，幫助基座模型優化動作生成。這一設計突破了傳統模仿學習的局限，使自動駕駛系統具備處理長尾問題的潛力。

對于汽車而言，安全是AI技術的終極考驗。小鵬提出了『雪亮的眼睛、聰明的大腦、靈敏的身手』三重保障：

• 眼睛：多傳感器融合方案，確保環境感知冗余；

• 大腦：基座模型的鏈式推理能力，實現預防性安全決策；

• 身手：端到端模型的最小延遲控制，提升響應速度。

在AI化轉型中，小鵬并未拋棄過去積累的規則經驗，而是將其轉化為獎勵函數（Reward Model），用于引導強化學習。例如，規則中定義的『安全跟車距離』『緊急制動閾值』等，成為AI模型的『初始老師』，大幅縮短訓練周期。這種『規則+AI』的混合路徑，既守住安全底線，又加速模型進化。

小鵬的『護城河』在哪里？

特斯拉以車端FSD芯片和純視覺方案著稱，而小鵬選擇『云端優先』路徑：通過超大模型突破能力上限，再向車端蒸餾。兩者的本質差異在于，特斯拉受車端算力限制，模型規模難以指數級增長；而小鵬的云端模型可持續擴容，形成代際優勢。

盡管理想、蔚來也在研發基座模型，但小鵬的核心優勢在于數據規模（2億Clips計劃）和工程化能力（萬卡集群、5天迭代）。此外，小鵬的『世界模型』強調實時交互，而友商更多將世界模型用于仿真測試，這在技術深度上形成區隔。

更進一步的是，小鵬計劃將基座模型的能力逐步釋放至量產車型。目前，『老師模型』已在后裝算力車端完成初步控車測試，目標是達到L3級標準。李力耘透露，未來『學生模型』將隨自研芯片上車，實現『千人千面』的個性化駕駛。

小鵬的基座模型被定位為『物理AI終端的通用模型』，未來將同步賦能AI機器人和飛行汽車。這種多場景泛化能力，不僅攤薄研發成本，更構建了AI生態的協同效應。

AI駕駛的『分水嶺之戰』

當行業還在爭論『純視覺』與『多傳感器』、『規則』與『端到端』時，小鵬用720億參數模型和云端蒸餾技術，開辟了一條『第三條道路』。其本質是通過規模效應和工程化能力，將AI駕駛推向『超人類』維度。盡管挑戰猶存——例如如何平衡模型復雜度與車端能效、如何應對LLM的幻覺風險——但小鵬的激進投入已為其贏得先發優勢。

這場技術豪賭的結果，或許將決定未來十年智能駕駛的最終格局。