泉源：高考科场外的一幕幕“太暖了”作者： 张钧桂：

端到端之后，
，，，AI 智驾进入“造天下”阶段

图片系 AI 生产

克日，
，，，CVPR 2026 在美国丹佛开幕。。。作为盘算机视觉领域最主要的学术聚会之一，
，，，CVPR 一直被视为 AI 手艺演进的风向标。。。今年，
，，，一个显着转变是，
，，，AI 的焦点正在从“识别天下”进一步转向“明确天下、展望天下并与天下互动”。。。

这一趋势在自动驾驶领域体现得尤为直接。。。今年 CVPR 首次开设具身智能基座模子安排钻研会，
，，，特斯拉 AI 软件副总裁 Ashok Elluswamy、小鹏集团通用智能中心认真人刘先明等来自工业一线的手艺认真人，
，，，分享了各自团队在具身智能和自动驾驶基座模子上的希望。。。

Ashok Elluswamy 重点讨论的是特斯拉怎样构建面向机械人的基座模子，
，，，包括大规模多模态模子的架构、数据与训练，
，，，以及从像素输入到执行控制的端到端 “pixels-to-actuation” 要领，
，，，同时也涉及评测协议、清静考量和真实天下可靠安排。。。

相比学术看法自己，
，，，更值得关注的是车企对 AI 智驾底层能力的重新界说。。。当模子不再只是识别车辆、行人和车道线，
，，，而是直接从视频流、导航指令等输入中输出驾驶行动，
，，，车企该怎样判断它真的明确开车？
？又该怎样在低本钱、可复现、可控的情形中验证它的清静界线？
？

这也是天下模子在这次 CVPR 上被推到前台的配景。。。

VLA 之后，
，，，AI需要明确“天下的转变”

已往一年，
，，，VLA 是自动驾驶领域最热的手艺要害词之一。。。它试图把视觉、语言和行动统一到统一个模子框架中，
，，，让系统直接从视频流、导航指令等输入中天生驾驶行动。。。简朴说，
，，，VLA 就像是在学习人类司时机怎么开车。。。

刘先明去年曾在 CVPR 先容正在研发中的第二代 VLA 模子；；；；不到一年后，
，，，基于该模子的辅助驾驶软件已经进入量产，
，，，并在推送首月实现辅助驾驶里程占比凌驾 50%。。。

但端到端智驾越往前走，
，，，另一个问题越突出：模子可以模拟人类驾驶，
，，，却未必真正明确每个行动之后的物理效果。。。好比现在选择变道，
，，，旁车会不会迫近？
？前车突然减速时，
，，，系统是否还能平稳处理？
？

天下模子要补上的，
，，，正是这层能力。。。

刘先明在演讲中提到，
，，，小鹏物理天下基座模子既包括第二代 VLA，
，，，也包括天下模子。。。二者不是蹊径之争：VLA 学习“怎样行动”，
，，，天下模子学习“行动之后天下会怎样转变”。。。

这背后是自动驾驶 AI 范式的转变。。。已往模子主要依赖人类驾驶数据举行行为学习，
，，，但人类行动信号相对希罕，
，，，只能告诉模子“最后怎么做”。。。天下模子则通过展望下一帧、下一状态或未来表征，
，，，从海量视频中学习交通情形的运动纪律、空间关系和因果结构。。。

X-World：让 AI 在视频空间里模拟未来

小鹏此次重点展示的 X-World，
，，，是其天下模子系统中的代表性手艺。。。凭证论文形貌，
，，，X-World 是一个可控的多摄像头天生式天下模子。。。它的输入包括历史多视角摄像头视频、未来自车行动，
，，，以及可选的动态交通加入者、静态蹊径元素、天气和时间等条件；；；；输出则是未来一段时间内车辆多路摄像头可能看到的视频画面。。。

更直白地说，
，，，它不是简朴天生一段“像蹊径”的视频，
，，，而是在回覆一个驾驶问题，
，，，若是车辆接下来执行某个行动，
，，，周围天下会酿成什么样？
？

X-World 使用七路环视摄像头，
，，，包括前窄角、前鱼眼、前左、前右、后左、后右和后视摄像头，
，，，形成 360 度围绕视野，
，，，这决议了它要解决的是多摄像头一致的视频仿真。。。

论文显示，
，，，自动驾驶天下模子的难点在于，
，，，画面看起来真实远远不敷。。。它至少要知足三个要求：行动可控、场景可编辑、多视角一致。。。

首先是行动可控。。。统一个初始场景下，
，，，若是输入右转、左转、变道或直行，
，，，模子天生的未来画面必需严酷反映差别驾驶行动的效果。。。X-World 展示了这种能力：模子可以凭证差别自车轨迹，
，，，天生右转、左转、车道坚持和变道等差别未来视频。。。

这对智驾评测很是主要。。。真实蹊径上，
，，，一辆车在一个路口只能做出一次选择；；；；但在天下模子里，
，，，统一个场景可以重复测试多种战略，
，，，例准期待、绕行、变道或刹停，
，，，从而视察差别决议带来的效果。。。

其次是场景可编辑。。。X-World 不但控制自车行动，
，，，还能控制动态交通加入者和静态蹊径元素。。。动态工具包括车辆、行人、自行车，
，，，静态元素包括车道线、蹊径界线和交通标记。。。

这意味着，
，，，研发团队可以自动制造长尾场景。。。好比在原本正常通行的蹊径视频中，
，，，插入一个从遮挡车辆后方突然泛起的骑行者，
，，，再测试自动驾驶系统是否能够实时刹停。。。

第三是多视角一致和长时序稳固。。。自动驾驶仿真不可只是前视画面流通，
，，，还要包管前视、侧视、后视中的车辆、蹊径、界线关系相互一致。。。为此，
，，，X-World 在架构上引入 view-temporal self-attention，
，，，同时建模时间维度和多摄像头视角之间的关系，
，，，以坚持跨视角几何一致性、目的身份一致性和运动一连性。。。

小鹏的论文中，
，，，还展示了 24 秒多摄像头长序列天生，
，，，强调模子可以在较长时间内坚持画面稳固，
，，，阻止天生式模子常见的漂移问题。。。

AI 智驾的新分水岭：路测之外，
，，，还要有仿真闭环

从行业角度看，
，，，天下模子的价值并不在于“视频天生得多逼真”，
，，，而在于它可能成为端到端智驾的训练场和科场。。。

这种趋势并非小鹏一家车企的自力判断，
，，，特斯拉 AI 软件副总裁 Ashok Elluswamy 也讨论了特斯拉构建机械人基座模子的原则和要领。。。这说明，
，，，全球头部玩家正在形成类似共识：自动驾驶不再只是车辆功效竞争，
，，，而是具身 AI 在真实物理天下中感知、决议、行动和一连学习的问题。。。

差别在于路径差别。。。特斯拉更强调以大规模车队数据、端到端控制和机械人平台买通能力；；；；小鹏则试图通过 VLA 与天下模子连系，
，，，补齐可控仿真、长时序推演和反事实测试这一层能力。。。

真实蹊径测试本钱高、风险大、复现难，
，，，尤其难以笼罩低频危险场景。。。天下模子则可以通过反事实推演和场景编辑，
，，，让统一场景被重复测试，
，，，有数风险被自动结构，
，，，模子在虚拟情形中袒露问题。。。

这说明，
，，，AI 智驾竞争已经不但是单点算法比拼，
，，，而是模子、数据、算力、芯片、编译器和工程效率的系统竞争。。。小鹏披露的数据显示，
，，，其第二代 VLA 模子拥有数十亿参数，
，，，使用上亿视频片断训练，
，，，每版模子训练量凌驾 4 万亿 Token；；；；在阻止今年 3 月的一年间，
，，，小鹏集群单 GPU 训练效率提升 1010%，
，，，单使命训练效率提升 4360%，
，，，GPU 硬件使用率从 40%提升到 90%。。。

虽然，
，，，天下模子还不可被简朴等同于真实天下。。。天生视频稳固，
，，，不代表物理纪律完全准确，
，，，尤其在极端天气、重大博弈、施工改道和非理性驾驶场景中，
，，，天下模子仍需要大宗真实数据校准。。。

因此，
，，，它短期内更像是真实路测之外的一层高效增补，
，，，用于结构长尾场景、做反事实推演、开展闭环评测和强化学习训练。。。未来的智驾竞争，
，，，不但看谁在路上跑得更多，
，，，也看谁能在云端造出更多真实、重大、可复现的虚拟天下。。。（本文首发于钛媒体APP，
，，，作者｜李玉鹏，
，，，编辑｜杨林）