CVPR 2026：英伟达特斯拉Waymo齐聚，中国公司主讲物理AI

背景

在2026年CVPR（IEEE/CVF Conference on Computer Vision and Pattern Recognition）期间，AI赛道最热门的概念“物理AI”（Physical AI）成为行业焦点。尽管自动驾驶公司、车企、大模型玩家及投资人对此概念已达成广泛共识，但真正的技术分水岭在于：谁能率先拿出完整的技术栈、论文、代码，并在量产实车上验证其有效性。

在CVPR首次开设的“具身智能基座模型部署研讨会”（Embodied AI Workshop系列第七届）上，这一竞争格局初现端倪。该研讨会汇聚了全球物理AI第一梯队的顶尖玩家，包括特斯拉（Tesla）、英伟达（Nvidia）、Waymo，以及唯一一家受邀的中国企业——小鹏（XPeng）。小鹏集团通用智能中心负责人刘先明与特斯拉AI软件副总裁Ashok Elluswamy、Waymo副总裁Dragomir Anguelov等同台分享，标志着小鹏在物理AI领域的技术实力获得了国际顶级学术与产业界的认可。

核心内容

小鹏在CVPR 2026上首次完整展示了其物理世界基座模型的技术图谱，核心在于提出并验证了“第二代VLA（Vision-Language-Action，视觉-语言-动作模型）”与“世界模型”协同进化的技术路线。

1. 技术路线：VLA与世界模型的融合 传统观点常将VLA路线与世界模型路线视为对立，但小鹏认为二者应结合。

• VLA负责“如何行动”：基于人类动作中丰富的高层语义（感知、推理、意图、风险判断等），解决决策问题。但人类监督信号在时间上稀疏，难以覆盖每一次物理状态转移。
• 世界模型负责“行动后世界如何变化”：借鉴大语言模型“下一个Token预测”范式，通过在海量未标注视频上进行下一帧或下一状态的密集预测，学习物理世界的动力学与因果结构。
• 协同进化：小鹏的物理世界基座模型既是第二代VLA，也是世界模型。通过稀疏的人类意图监督与密集的物理预测信号结合，确保系统在复杂环境下的可控性与安全性，赋予自动驾驶更深层的物理感知与逻辑推理能力。

2. 核心技术与论文成果 小鹏团队近期发布了一系列学术论文，解析世界模型的三大关键能力：主动思考、可控生成和长时序推演。

• X-World：基于视频扩散生成技术构建的可控多视角生成式世界模型。能在给定动作条件下生成符合物理约束的未来视频，已投入闭环仿真测试、在线强化学习和数据生成环节。
• X-Foresight：基于预测式世界模型的视觉-动作因果预测网络。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决策提供支撑，倒逼模型理解车辆、行人运动规律与场景因果链条。
• X-Cache：面向少步自回归世界模型的跨段块级缓存技术。在不牺牲画质的前提下，减少约70%的重复计算，对去噪主干实现最高约2.7倍的推理加速。
• X-mind（即将发表）：解析模型如何“主动思考”，可视化呈现驾驶决策背后的中间推理过程，提升可解释性。

3. 规模化训练与算力优化

• 数据与模型规模：第二代VLA模型参数量达十亿级，依托上亿段视频片段训练，单版模型训练Token总量突破4万亿，数据与模型规模居行业第一梯队。
• 云端算力效率：截至2026年3月的一年内，小鹏智算集群单GPU训练效率提升1010%，单任务训练效率暴涨4360%，GPU硬件利用率从40%提升至90%。
• 车端算力挖掘：通过芯片、编译器、模型软硬件深度协同自研，将车端模型推理速度整体提升12倍。
  • 通用芯片+开源模型：算力利用率22.8%，时延800毫秒。
  • 小鹏图灵自研芯片+开源模型：算力利用率35.1%，时延300毫秒。
  • 全套自研组合（第二代VLA+图灵芯片）：算力利用率飙升至82.5%，推理时延压至80毫秒。

4. 量产验证与迭代速度 第二代VLA正式推送首月，搭载车型辅助驾驶里程占比突破50%。研发团队从去年11月到今年3月，平均每天迭代4版模型，实现了从高速NGP到城市NGP的快速进化。

关键要点

• 终结路线之争：小鹏提出VLA与世界模型并非二元对立，而是通过“稀疏人类意图”与“密集物理预测”结合，构建统一的物理世界基座模型。
• 三大核心能力：优秀的世界模型必须具备主动思考、可控生成和长时序推演能力，这是智能体现及自动驾驶应用的前提。
• 全栈自研优势：小鹏通过自研图灵芯片、编译器及模型架构的深度协同，实现了车端推理时延从800毫秒至80毫秒的质变，算力利用率从22.8%提升至82.5%。
• 纯视觉路线的深化：小鹏的第二代VLA证明了在统一物理世界基座模型、充足算力和世界模型支持下，纯视觉方案能更高效地理解物理世界并解决Corner Case，超越了传统自动驾驶模型。
• 跨域迁移能力：小鹏的世界模型不仅是自动驾驶模型，更是通用的物理世界认知基座，具备向人形机器人、飞行汽车等场景迁移的天然能力。
• 连续的技术积累：从2023年XNet（BEV感知架构），到2025年720亿参数基座模型理论验证，再到2026年VLA与世界模型的完整技术栈及量产数据，小鹏形成了从工程实践到理论突破再到量产落地的连续护城河。

意义与影响

小鹏在CVPR 2026上的展示，不仅是技术层面的突破，更是对“物理AI”话语体系的重新定义。

首先，小鹏率先建立了物理AI的数据飞轮闭环。通过真实路采数据反馈优化世界模型，再通过世界模型生成高质量数据反哺训练，这种连续性积累使其从“造车新势力”向“物理AI公司”跃迁。其目标不再仅为一款车打造AI，而是为整个物理世界打造通用的认知基座。

其次，这一技术路径对行业具有降维打击意义。它证明了智能汽车竞争已进入“模型智商”阶段，而非单纯比拼硬件堆砌。小鹏通过纯视觉+大模型+世界模型的路径，展示了比激光雷达方案更高的上限和更低的边际成本，推动了自动驾驶从规则驱动向数据驱动的根本性转变。

最后，这种技术能力具备极强的跨域迁移潜力。小鹏在自动驾驶中积累的“理解并预判动态物理世界”的能力，可直接应用于人形机器人、飞行汽车等领域，预示着其技术品牌将从汽车扩展至更广阔的具身智能生态。对于消费者而言，这意味着车辆不再仅是代步工具，而是一个持续进化、每月OTA的AI系统，智能驾驶能力已成为购车决策的核心因素。