【物理世界基座模型是实现物理AI落地，通往物理AGI的必经之路】
一个月前我分享过米良川LC回到中国科技大学分享小鹏机器人的个人感想，为此写了一篇长文，链接→http://t.cn/AXX61T6K

里面提到关于AGI的表述：
AGI 的标准从头到尾都是复刻 / 对齐人类智能全集：
跨领域通用学习（人像啥都能学）
无监督举一反三（人不用海量标注）
常识、推理、创意、情感、价值判断
自我认知、意图、长远规划

回顾来看，米良川多次提到人文边界，人文价值，探索人与机器共生的未来文明形态，其实他想做的是人的自我复刻，他想做的是“人”。想要把“人”做出来，除了机器人本体的关节，仿生皮肤，仿生骨骼，仿身肌肉，最重要的还是物理世界基座模型，也就是机器人的大脑中枢，决定了机器人如何感知，如何看待，如何思考，并对此如何作出行动，反应，预判和推理。

而小鹏集团最近发布了最新的命名为X-Foresight的论文：学习世界知识赋能智驾，开创预测模型新范式，本质上也是为自动驾驶的物理世界基座模型赋予了新的人类意图、感知、风险判断，预判推理世界行为，决策行动能力；

X-Foresights是一套基于预测式世界模型（Predictive World Modeling）的视觉-动作因果预测网络。X-Foresight 把世界建模直接嵌入自动驾驶的 VLA架构，通过联合预测未来画面与驾驶动作，从海量真实驾驶视频中习得物理世界的运行规律，更好执行控车决策，实现驾驶能力的本质跃升。

X-Foresight 与此前发布的 X-World（多视角世界仿真）、X-Cache（世界模型推理加速）形成完整技术闭环：

X-World 负责虚实映射与场景推演，提供可供策略训练的仿真环境，能在给定动作条件下生成符合物理约束的未来视频，同时在持续生成过程中保持良好的可控性与稳定性，相当于坐进主驾驶位置，输入了驾驶的参数，给AI造了仿真马路的场景，随时切换的行人，汽车以及周边的动态，模拟各种路况（鬼探头，恶意加塞，暴雨打滑）；

X-Cache 提供无损推理加速，能在基本不牺牲画质的前提下，减少约七成的重复计算，对世界模型的去噪主干实现最高约 2.7 倍的推理加速；

X-Foresight 从海量视频中习得世界知识，实现更优驾驶决策，在架构上与VLA融为一体，在统一的 token 空间内联合预测未来的多视角画面与自车动作，为 VLA 的控车决策提供了核心支撑，相当于我在这样开，3秒后路面，行人，车流会有什么变化；

此外，小鹏即将发布“X-Mind”的技术报告，解析模型如何“主动思考”，并可视化地呈现驾驶决策背后的中间推理过程。可解释性对于自动驾驶的软件性能调试、用户信任建立以及模型快速迭代都至关重要。

三者协同构建 “知识学习 - 场景仿真 - 推理加速” 全栈体系，为小鹏自动驾驶模型训练、仿真验证、持续迭代提供全链路技术支撑。

最终的目的是什么？打造一个有思维，有意识，提前预判，提前推演物理世界的基座模型，从强化学习、模仿学习、实战环境更接近现实中加速从“旧式辅助驾驶：看见了再反应”向“新式自动驾驶：提前预测世界怎么变化提前做反应”

感知被动反应-模仿人类驾驶行为-超越人类驾驶行为-预判世界行为演变-远远超越人类驾驶的安全性-无限趋近于0的事故率，这是也许是L2通往L4的进程；

过去一两年，研发团队通过提升模型、算力、数据的规模，不断摸高基座模型的性能。目前，小鹏第二代VLA模型拥有数十亿参数量，使用了上亿的视频片段作为训练数据，每版模型的训练量超过4万亿 Token。

小鹏是国内最早建成万卡以上规模智算集群的企业，在截至今年3月的一年间，小鹏集群的单GPU训练效率提升了1010%、单任务训练效率提升了4360%，GPU硬件利用率从40%提升到了90%，达到头部AI公司的标准。

坚持有限的资源提高基础建设的训练效率，榨干每一张算力卡的性能。

“自动驾驶汽车可以认为是一台自动 machine，它自己使用 token。物理世界里，未来要看 machine 自己使用多少 token，产生多少对 machine 和人的价值；而人使用多少 token，产生多少对人和企业的价值，是另一个维度。它们的指标应该不一样。”

坚持建设一个大一统的物理世界基座模型，比一个由多个小模型构成的缝合怪模型，具有更大的意义，在不同的场景下具有更好的泛化能力，有更加一致性的场景能力和更平稳，更安心，更丝滑的驾乘感受，也许这是token消耗创造对人和企业的价值，不仅仅是数字世界消耗更多的token提高工作效率，为了使用AI而消耗token，把token转化为用户可感知的舒适体验，转化成对物理世界改造的价值，这时候才可以说token不仅仅是消耗，而是真实价值，才是始终对标L4自动驾驶而做的正确事情；

物理世界基座模型在未来不仅仅具备上下文，视觉，传感器触觉，还具备听觉，长时序的思维预判，多维世界感知力，引用@不是郑小康 关于特斯拉FSD是一个很好的案例：

输入是 20 亿的 Token：

1. 7 个摄像头 x 36帧/s x 500 万像素 x 30s 的上下文记忆/5x5的像素
2. 未来几公里的导航信息
3. 100 Hz 的车辆动态数据，包括速度、IMU、里程计等
4. 48 Hz 的音频数据

输出是 2 个 Token：

下一秒的转向和加减速信号

模型要在每一时刻都得学到从输入的 20 亿 Token 到输出的 2 Token 的正确因果映射关系，这个压缩的过程就会产生智能，这一刻，涌现具象化了，AI的意义具象化了；

小鹏认为优秀的世界模型必须具备的三大能力：主动思考、可控生成和长时序推演，这是智能的体现，也是世界模型能在自动驾驶领域应用的前提条件。也在通过自己的范式，实现自己全方位物理AI的在不同物理形态和载体路上。

今日，全球计算机视觉顶级学术会议CVPR 2026（The IEEE/CVF Conference on Computer Vision and Pattern Recognition）在美国科罗拉多州丹佛开幕。

这也是小鹏集团第三次受邀登上这一被誉为“计算机视觉奥斯卡”的国际顶级学术舞台。

作为唯一受邀演讲的中国企业代表，小鹏集团通用智能中心负责人刘先明出席CVPR首届具身智能基座模型部署研讨会（WDFM-EAI）做主题演讲，与特斯拉、英伟达、Waymo等全球物理AI领域的同行同场竞技，以及加州大学、多伦多大学等顶尖高校和研究机构的专家学者同台交流。

小鹏如此高规格地在国际舞台亮相，输出小鹏在物理AI领域的独特思考，打造自己在物理AI领域的全球声量，相当于国产智驾底层路线拿到全球顶尖专家认可，是国内车企第一次亮出量产装车+仿真训练闭环全链路技术方案。

正式参会前刘先明发了个朋友圈，里面提到的观点我非常认同，我把他总结为：
世界模型（World Model）：学习世界本身怎么运转，不靠人开车数据，盯着路况里所有物体移动、环境变化自学，预判路面接下来会发生什么，路面每一帧画面变化都是它的练习题。

最终目的一致：VLA 学会人的驾驶思路、世界模型摸清世界运行规律，两者融合，造出真正懂现实世界、能稳妥自动驾驶，得到一个更强的Physical World Foundation Model。

不是消耗了Token就叫AI，不是用AI做了Coding就叫AI，而是打造一套行之有效，逻辑自洽，可持续进化的体系，并促进各种形式的AI在物理世界的落地，无论是机器人还是自动驾驶，把人类从重复性、危险性的劳动中解放出来，把精力投向创造性的工作，这叫生产力的解放，也是AI的真谛；

汽车行业现在是在血海里游泳，拿出好的自动驾驶产品算不算游出血海？
机器人开局是蓝海还是血海？
物理AI的斗争刚刚开始，就嗅到了腥风血雨的味道，到底是百花齐放，还是赢家通吃？我们且走且看。

#小鹏特斯拉英伟达高管同框# #小鹏第三次受邀出席国际学术顶会cvpr# #小鹏汽车[超话]#