一夜醒來，自動駕駛行業大變天。端到端技術還沒普及，新的技術形態又出來了。

前兩天，小鵬汽車發布了 “云端基座模型”。希望通過知識蒸餾和強化學習的方式持續提升車端系統的能力上限。知識蒸餾是DeepSeek對Open AI彎道超車的大殺招，如今被小鵬用在了自動駕駛上。

為了開發這個世界基座模型。小鵬汽車專門打造了一座“云端模型工廠”，工廠“車間”涵蓋基座模型預訓練和后訓練（強化學習訓練）、模型蒸餾、車端模型預訓練到部署上車的全流程生產鏈路。

小鵬汽車自動駕駛負責人李力耘介紹，小鵬基模是一個以大語言模型為骨干網絡，使用海量優質駕駛數據訓練的多模態大模型，具備視覺理解能力、鏈式推理能力和動作生成能力。提升智駕能力上限。

“端到端的車端模型也許可以給大家提供一個非常好的極致的L2的+++的體驗，但作為我們自動駕駛人的初心要最終走向L3、L4的自動駕駛。”

李力耘認為，車端訓練的算力有限，能夠承載的數據量有限，即便端到端技術范式下，智駕的能力也不會太高。小鵬希望通過“云端基座模型”訓練更多的數據，無限提升智駕的能力上限。

它可以理解成一個云端大模型，大模型結構的第一層采用Encoder編碼器，對所有信號進行融合。你沒有看錯，是各種信息，包括視頻信號，以及導航音頻、車載視頻，甚至耳朵、超聲波雷達、毫米波雷達聽到的各種信號。目前能夠處理的參數量達到720億參數（一個模型是72B），VLA模型參數差不多在1B-2B之間，大概是35倍的差值。

接下來就來到了最核心的部分，小鵬通過語言大模型（LLM）讓各種各樣的傳感器信息、元素對齊，使它能夠作為標準化“符號”被處理，這樣大語言模型就具備了推理能力，以及持續的思維鏈能力，通過前方車輛的繞行推測前方可能有障礙物，進而推理出前方施工等場景，從而提前做出應對。

經過Encoder（編譯器/編碼器）到語言大模型之后，模型會變成一個聰明的學生或者剛入行的聰明的青年教師。經驗少，但是天賦高。然后再通過高質量數據的方式強化學習讓系統變成一個經驗豐富的老教授先放到車端。

強化學習是大模型訓練的經典思路，Open AI的很多模型都是采取這個方式。先通過設置獎勵函數給系統設置一些邊界，再通過獎勵模型提供更連續、更泛化、更多維的獎勵信息給到強化學習，最后再通過世界模型對他進行多維度的模擬驗證。

于是，一個經過海量數據訓練的優秀老司機云端大模型就這樣誕生了。最后再通過蒸餾的方式把云端訓練的能力沉淀出來，生成“小身材、大智商”的端側模型，下放在車端。

小鵬說這個基座模型可以為不同需求的汽車定制不同的“大腦”，讓“千人千面”的模型研發成為可能。

這里其實有一個非常有意思的地方。地平線余凱，博世吳勇橋等都認為，自動駕駛將來會是一個標準件一樣的東西，智駕不會出現郭德綱和林志玲的不同風格，但是這里又說智駕千人千面。我的理解是不是不同的車型搭載的硬件不一樣，模型參數量不一樣從而產生差異化的情況。

這個世界基礎模型更像是小鵬做了一個數據訓練模型的放大器，讓模型能夠吞吐更大規模的參數量，并且開發了一系列的配套小模型，然后在把海量數據訓好的小模型下放在車端。

到這里其實思路已經比較清晰了，小鵬希望通過這套世界模型解決更高維度L3，甚至L4的問題。這列理念算不上新，小馬智行CTO樓教主很早就說過了。但是小鵬推進的效果更迅猛。

世界基礎模型的設想很美好，但實際實施起來并不容易。

首先是端側芯片算力，即便是蒸餾過后的模型，也比目前的端到端模型大很多。目前市面上的芯片基本都是公用芯片，在特定模型的處理效率上并不高。這也是小鵬選擇自研芯片的原因。何小鵬透露，小鵬專門針對其自研的世界基座大模型設計的芯片將會在今年2季度量產上車，它的專屬性更強，效率更高。

另一個就是云端算力。小鵬目前的AI算力已經達到了10EFLOPS，實現了萬卡集群。并且云端的訓練集群常年保持在90%以上利用率。

除了GPU，多模態大模型還需要解決數據訪問的效率問題。小鵬汽車自主開發了底層的數據基礎設施（Data Infra），使數據上傳規模提升22倍、訓練中的數據帶寬提升15倍；通過聯合優化GPU / CPU以及網絡I/O，最終使模型訓練速度提升了5倍。如果把數據傳輸理解成一個水管放水，小鵬相當于專門為這個數據工廠建了一個抽水泵，讓它的效率更高。

解決了進水效率，“水”（數據）從哪來？

小鵬一方面通過多賣車來收集數據。這里可以聯想一下小鵬去掉激光雷達的邏輯，去掉激光雷達降車價帶來的銷量提升立竿見影；另一方面其實上文也有提到，在世界基座模型工廠里其實有世界模型，專門用來生產仿真數據。還用于調教真實的Smart Agent（智能體）的反饋，和它之間的博弈和接下來要做哪些動作。

目前，小鵬汽車用于訓練基座模型的視頻數據量高達2000萬clips，這一數字今年將增加到2億clips。

在這些基礎設施之上，小鵬的云端基礎模型更像是一個車端模型的效率工廠。它能夠快速在12小時就能訓練一版模型。

這套理論最核心的支撐點在于Scaling Law（尺度定律：參數量越大，模型訓練效果越好），這個已經在大語言模型被證明的定律。

當然，在這之前，小鵬需要回答另一個問題是，蒸餾之后的模型效果到底好不好？達到什么樣的標準才能上車？

Deepseek的邏輯是不管怎么蒸餾，模型始終在云端。但小鵬這個的邏輯是大模型蒸餾之后下放到車端。

李力耘的說法是，加大車端算力，模型的承載能力也會更大。這其實又回到了小鵬自研芯片的邏輯。

目前，小鵬的大模型還在訓練“老師”（云端大模型）階段，也就是所謂的基礎大模型，目標是接近L3，但目前還沒有量化的數據出來，“學生”（蒸餾后的端側模型）的能力更是無從得知，但從小鵬X9在香港的測試來看，內部認為其實表現出來的能力已經遠超目前系統的能力。

雖然還沒上車，但小鵬已經驗證了幾個基本規律：

1、驗證規模法則在自動駕駛領域持續生效。也就是說大模型的Scaling Law在自動駕駛同樣奏效；

2、在后裝算力的車端成功實現基模控車；

3、啟動72B參數基模訓練，搭建針對強化學習的模型訓練框架。

十年前，小鵬汽車成立時就堅定了自動駕駛的大方向，它是第一個將激光雷達量產落地在輔助駕駛的乘用車企，兜兜轉轉幾年之后小鵬又重新去掉激光雷達，采用純視覺方案。毫無疑問，這是一條完全Follow特斯拉的技術路線。在智能駕駛到來的浪潮前夕，中美企業代表再一次同頻共進。