车圈里的营销文案早就被各种大词儿给占满了，今天不是这个颠覆，明天就是那个全球唯一。要是真拿着各家车企的宣发通稿去开车，估计连展厅门口的减速带都过不去。前几天何小鹏在微博上敲定 VLA 2.0 走向全球，紧联合国那边就把欧盟年底强制执行的城区 NGP 法规给通过了。到了六月二十九号，小鹏官方直接把研发压箱底的最新技术拿出来装车，发布了一个叫作 XMind 的预测性世界模型框架。嘴上说得再玄乎，其实干的事情很简单，就是想方设法让车子在复杂的路上开车时，能像个开了天眼的老司机一样，提前把前面几秒钟可能发生的乱局给看透。
以前聊到智驾，车企总是喜欢拿一堆超声波雷达、激光雷达和几百个算力来砸人，让人觉得硬件堆得越满车子就越聪明。但只要碰上暴雨天或者那种鬼探头的电瓶车，车机大脑经常因为一瞬间要处理的画面太多，直接在后台卡壳罢工。小鹏这次搞的这个框架，核心逻辑就是要把认知推理和实时计算的死结给解开。他们在大型驾驶模型里面无缝嵌了一个预测世界模型，用了一套叫作循环块扩散的机制。别看这名字绕口，说白了就是在单次前向传播的时候，不同内部层自己在那进行渐进式去噪。这就像你在大雾天开车，眼睛在极短的时间里把前面的重重迷雾一层一层剥开，最后在脑子里勾勒出一个最紧凑的抽象草图，后面的规划器再根据这个草图，算出来一条最不容易踩坑的自车行驶轨迹。
最硬核的地方在于他们把视觉思维链给实例化了。以往的智驾系统是看到前面有坑才踩刹车，或者看到旁边有车切入才猛打方向，真实车主坐在里边经常被突如其来的急刹弄得前俯后仰。现在这套东西是在车辆做出实际动作之前，先在后台执行显式的时空推演。这相当于老司机开车时眼睛看着百米开外，脑子里早就把周围几辆车的变道意图、甚至前面红绿灯还有几秒变色给算进去了。路径规划的时候直接把未来的交通流变化给纳入进来，车子开起来自然就少了那种生硬的机器感。
不过想在车子上实现这种提前预判，对车载芯片的压力大得无法想象。要是把高清摄像头拍到的每一颗沙子、每一片树叶都塞进脑子里去算，那车企就算把几块高算力芯片全烧红了也根本转不动。为了解决这个长上下文的计算瓶颈，小鹏这次在技术取舍上干得挺绝，他们直接放弃了那些中看不中看的高清纹理。车机脑子里根本不需要知道旁边那辆车是红色的还是蓝色的，也不需要看清路边广告牌上的字。他们改用了一种融合了鸟瞰图布局和抽象驾驶先验的认知画布，只盯着对开车有用的核心元素。
在这张所谓的认知画布上，只保留了四个最关键的思维草图要素。是物理场景元素，也就是车道线和障碍物到底在哪；是动态交通灯的状态，到底是红是绿还能闪几秒；再就是自适应的导航意图，车子待会儿到底是要左转还是直行；最后是合规的车速轮廓，绝对不能超速引发违章。小鹏用了一个深度压缩自编码器，直接把整整十二帧的未来世界推演画面，死死压缩成了仅仅九十六个 Token。这相当于把一部高清电影最核心的剧情大纲，用几十字的大白话给提炼了出来，过滤掉所有乱七八糟的干扰，只留下道路拓扑、信号灯和导航意图这些核心语义。
零部件没有为了省钱换成便宜货，软件层面的账目同样得算得清清楚楚。很多新势力车企在开产品发布会的时候，PPT上的智驾功能吹得像科幻电影，可真到了真实车主手里，买车的人省下未来两三年的加油充电开销换来的却是一套天天在车友群里被吐槽的半成品。小鹏这次拿出来的对比实验数据显示，这套框架和传统的模型相比，无论是横向还是纵向的轨迹预测误差都出现了显著的降低。碰上那种根本没有标准车道线的修路路口，或者大货车突然爆胎的复杂长尾场景，车辆的合规性和安全性确实能上一大截。更关键的是，因为去掉了高清纹理的负担，它的推理延迟比那些用原始图像或者三维高斯飞溅的方案要低得多，这起码能让买车的人踏实下来，因为这意味着它不需要几万块的服务器芯片，在普通的车规级芯片上就能直接量产落地。
这就解释了为什么何小鹏要在六月二十六号急着在微博上放风。联合国那边批准的城区 NGP 法规在今年底就要变成欧盟的强制法规了，如果没有这种能在低算力下跑得飞快的硬核架构，中国智驾想要在全球市场保住每个月展厅里来看车的人流，难度不亚于赤手空拳去跟海外巨头贴身肉搏。以前排队提车、现在求着人来看的红海市场里，车企嘴上说着升级，转过头就把以前标配的实用物件给偷偷减了，这吃相确实让老买主寒心。而小鹏这次算是把压箱底的算法拿出来跟国际法规正面硬刚了。下个月第三方公开统计中该车型真实交到买主手里的上牌量数字，将会直接把所有营销泡沫大水过筛。
