小鹏 VLA 2.0 上车：当车企开始比 LLM 更懂「时间」

小鹏 VLA 2.0 上车：当车企开始比 LLM 更懂「时间」

8 月 27 日，小鹏开了一场「物理 AI 分享会」。会上公布的东西不少，但所有人都听出了那个关键词——时间。

小鹏给第二代 VLA 加了一个「阿戈摩托之眼」：往回转，可以回溯过去 30 秒的世界；向前转，可以预判未来 6 秒会发生什么。9 月开始向 Ultra / Ultra SE 推送，单图灵芯片的 Max 车型会拿到蒸馏版。

<!-- 配图：fig1 — VLA 2.0 时间维度架构图（记忆窗口 / 推理 / 预判三大模块）-->

30 秒记忆 + 6 秒预判，听上去像是产品参数发布会上的常规数字。但如果你拆开它，会发现这两个数字背后藏着 2026 年汽车行业最反常识的一件事——车企正在用大模型的能力边界，重新定义自己是谁。

一、为什么车企要在 2026 年集体改名叫「物理 AI 公司」

发布会现场，小鹏通用智能中心负责人刘先明抛出一句定性：「Car as Robot，汽车即机器人」。

这听起来像营销话术，但你往后看一眼行业就会发现，这不是小鹏一个人的判断：

• 特斯拉：汽车、Robotaxi、Optimus 机器人、AI 训练早就进了同一张组织蓝图
• 理想：把公司定位从「智能汽车」改成「具身智能企业」
• 国内多家造车新势力：把 L2 智驾、L4 Robotaxi、人形机器人放在同一支团队研发

为什么是这个时间点？

因为 VLA 模型（Vision-Language-Action，让模型同时看、说、做）第一次让**「物理 AI」成了一个有产品边界的产品类目**。

过去车企卖的是「带 ADAS 的车」——卖点是激光雷达数量、算力 TOPS、接管里程数。这套打法仍然属于功能车逻辑：把一堆硬件 + 一堆规则堆起来，比谁堆得更多。

现在小鹏的演示里出现了一个反例：测试车遇到一辆对向白车占据逆向车道。模型不是按"遇到障碍→刹车"这种规则工作，而是先判断对方要"等待 / 继续向前 / 让出空间"哪一种，下一步才决定自己怎么开。看清对方在哪里只是第一步，理解对方将要做什么才能决定自己下一步的操作。

这就是 VLA 2.0 跟过去 ADAS 的根本差别：驾驶不再发生在路面上，而是发生在时间里。人在开车时从来不只看眼前这一帧，会根据前几秒的记忆判断后方，也会根据前车的减速预判几秒后可能出现的小电驴。VLA 第一次让车有了这种"短期记忆 + 预判"的能力。

而一旦"记忆 + 预判"成为驾驶的核心能力，卖点就不再是硬件堆料，而是算法能力。车企第一次在产品定义权上输给了一群做模型的人。这就是 2026 年车企集体改名"物理 AI 公司"的真正原因。

<!-- 配图：fig2 — Infini-VLA 时序记忆与 30 秒窗口示意 -->

二、30 秒记忆是怎么做出来的

小鹏把"过去 30 秒"这一段时序记忆命名为 Infini-VLA。几个关键工程决策：

参数量扩 3.5 倍。这不是为了"显得更强"，而是因为短期记忆需要模型在每一帧都把"前面发生了什么"作为上下文。上下文越长，对模型参数量的需求是非线性增长——你不能让 7B 模型背 30 秒的高维路况。

历史记忆设为 30 秒，不是 60 秒、不是 120 秒。小鹏的判断是：驾驶任务有实时性约束，30 秒足够覆盖"前车掉头""对向借道""前车减速"这一类典型预判场景，再长就会吃掉端侧算力、挤压当下决策。这是有意识的取舍。

流式自回归推理（Streaming Inference），决策速度提升 300%。模型边获取输入、边推理、边输出轨迹，不必等完整理解一段历史之后才开始动作。这对应人开车时眼睛看路、大脑判断、手脚操作同时进行。

举个具体的例子：前车在路中掉头，车身后方一度露出可以穿过的空位。过去的 ADAS 会怎么反应？ 检测到前方空位，加速。VLA 2.0 怎么反应？ 调出 30 秒记忆，识别"前车正在掉头"，等待对方完成掉头后再向前。

<!-- 配图：fig3 — X-Foresight 多轨迹预判示意 -->