涌现的奇迹：从失败边缘到全新大陆
项目经历数月失败后，系统突然学会此前难以攻克的场景，步态僵硬的机器人瞬间走得像真人一样。这是小鹏 VLA 2.0 的'涌现'过程。小鹏从 2024 年起投入了 3 万张卡的算力，烧掉 20 多亿训练费用。直到今年二季度某一天，模型发生了巨大跳跃。坚持'第一性原理'，简化架构，告别复杂计算，直接用真实世界数据训练。结果模型不再需要数据标注，就能泛化到新城市甚至海外市场。
测试车在红灯即将转绿时，会缓缓向前蠕动，就像人类预备起步。即使前方灯没变，它也能通过两侧灯的变化推测。这不是人为教的，而是数据量大到一定程度，自然'理解'了。
VLA 2.0 的核心秘密：为什么甩掉'Language'？
VLA（Vision-Language-Action）是自动驾驶的核心，但传统架构有三大痛点：
- 输入信号损失：从视频到离散 Token，信息大量丢失。
- 输出连续性：控制信号是连续的，无法简单离散化。
- 缺乏真实反馈：强化学习往往被简化成监督微调，没法模拟物理世界。
小鹏的解决方案？拆掉'Language'部分，直接从 Vision 到 Action！输入用真实视频流，输出用连续信号，网络结构极简。文字作为 Token 输入，但去掉了图文对模块，训练效率大幅提升。
结果：不需要任何指令，就能实现园区漫游。部署时，直接内嵌推理逻辑，去掉云端计算，完美适配量产车。
量产部署的硬核优化：本地化、低延时
世界模型计算庞大，但小鹏 VLA 2.0 实现了本地部署。他们从模型到软件，再到编译器和硬件联合优化，让大规模模型在图灵芯片上实时运行，与摄像头帧率一致。传统方法如剪枝、蒸馏、量化当然用了，但关键是'榨取每一比特算力'。
激光雷达？小鹏说：不会装回来了！
Robotaxi 会用激光雷达吗？一口否定：'为什么一定要用？'激光雷达扫描频率仅 10Hz，高功率不符合车规，雨雾天气还易噪点。相反，摄像头信息量巨大（500-800 万像素，三通道 8 比特），过去算法弱才依赖激光。现在，优化算法后，摄像头远超激光。
摄像头原始数据 28 比特，转 RGB 时损失 16 比特，但通过更好算法，能在暗光、逆光环境下捕捉更多信息。小鹏坚信纯视觉端到端是未来。
人形机器人 IRON：从焦虑到惊艳'涌现'
转向机器人，小鹏的 IRON 同样经历了'涌现'。团队在 4 月上海车展前一个月，还为步态僵硬焦虑。但 3 月某晚，IRON 在倒退行走时突然拟人化！这是生成式控制器的拐点，数据和算力积累的结果。
IRON 的秘密：
- 脊柱设计：不是简单腰部，而是仿人类'脊柱 + 肌肉群 + 腹腔 + 皮肤'，自由度更高。
- 前脚掌自由度：加上生成式控制器，实现大师级太极、叶问蹲。
- 第四代控制器：'反重力器'，对抗重力本质，输入连续姿态，就能执行动作。
机器人能力是'螺旋上升'：从 30 分场景应用，解决问题到 40 分，再循环。未来，IRON 不只工具，还能情感链接——甚至做成亲人模样。
涌现背后的启示：坚持与上限
'涌现'不是玄学，而是投入 + 原理的产物。小鹏倾全公司资源自研机器人（除了螺丝），证明了 VLA 在操纵上的潜力。发展缓慢，但上限高。人类 100 分，机器人至少 80 分才能进家庭。
