作者 ｜ 郭月
编辑 ｜ 志豪
2025年11月5日，小鹏集团董事长兼CEO何小鹏正式宣布公司全面向物理AI转型，并将2026年明确定性为“物理AI全面量产元年”，从当日高调官宣转型至今，一共过去了247天，约8个月的时间。
这8个月里，外界看到的是小鹏在加速 “交卷”—— 不仅接连把产品推向市场，也持续亮出底层技术底牌。
在小鹏宏大的物理AI叙事中，VLA（视觉语言动作模型）2.0 被定位为整套体系的核心基座：不仅支撑自动驾驶，更是未来人形机器人、飞行汽车等具身智能产品的通用底层能力。
就在最近，小鹏在这个基座上又往前推了一步，发布了X-Mind，宣称给自动驾驶装上了一个能“预见未来”的大脑，解决了车端算力约束下难以清晰表达“思考过程”的难题，它与X-World、X-Foresight共同组成小鹏物理AI基座模型的研发谱系。
小鹏带来的到底是一次真正的技术革新，还是只是技术噱头的包装？
车东西将以系列的形式来拆解小鹏VLA 2.0，本文为该系列首篇，我们结合小鹏预测世界模型（Predictive World Model, PWM）团队发布的论文，把X-Mind的技术原理、实测表现和目前还存在的短板，一条条掰开看。
一、传统VLA仍为直觉驾驶 “嫁接”世界模型后仍未破局小鹏团队在论文中指出当前主流VLA模型的短板：传统端到端VLA模型本质上是一套纯反应式映射系统。
▲小鹏发布论文《X-Mind：面向端到端自动驾驶、基于预测世界模型的高效视觉思维链》
简单来说，就是摄像头捕捉到什么，模型就直接输出对应的转向、加减速指令，不会主动思考这套操作会引发怎样的连锁路况变化，全程没有对未来交通时序变化的显式推演环节。
该团队将这套机制的不足总结为两点：一是模型缺失前瞻物理推理能力，所有驾驶策略仅依托当前瞬时观测生成，而非对环境动态演变的完整理解；二是该训练模式极易催生捷径学习——模型只会记忆数据表层的画面-动作匹配关系，绕开了对道路物理因果逻辑的深层学习。
这种”感知→动作”的直接映射，在简单场景下够用，但遇到训练集未覆盖的长尾场景，比如周边货车遮挡视线、雨天路面打滑等情况，模型无法自主推导风险，决策可能失效。
那么问题来了：行业难道不知道预判的重要性吗？其实业内早就意识到让VLA拥有预测未来的能力的重要性。
为了让智驾系统学会提前想一步，研究者们一直在尝试把预测世界模型（Predictive World Model, PWM）整合进智驾系统。
但探索来探索去，两条主流技术路线都撞上了“南墙”。
论文梳理了现有方案的两条路径，并指出了各自的问题：
第一种是级联式方案，把预判路况和规划动作拆成两个独立模块，逻辑框架清晰，但大幅增加运算量，推理延迟严重，无法满足车载实时运行标准。
第二种是末端附加联合训练方案，把路况重建作为辅助任务叠加在网络末端，但末端任务生成的信号难以有效回传至大模型深层，模型容易陷入捷径学习，无法真正建立物理推理能力。
两条路，一条跑不动，一条学不透。小鹏团队高调宣扬的X-Mind，正是试图解决这一矛盾。
二、X-Mind要怎么做？先“脑补”草图再开车X-Mind的核心思路是：不将PWM作为一个外部模块接入，而是将其内化为视觉思维链（Visual CoT） ，成为模型内部推理流程的一部分。
▲X-Mind的整体架构
X-Mind让VLA在驾驶动作生成之前执行显式的时空“推演”，让规划出来的路径考虑到未来交通流的变化，再基于此输出轨迹。
那么，模型具体要“推演”什么？又要“推演”多远？
论文给出的答案是：抽象草图＋12帧——前者为想象的内容，后者为想象的范围。
为什么推演草图，而不是推演未来高清画面？其实很好理解，要考虑性价比。
根据小鹏官方设计的实验，如果将原始高清图像作为输入传统VLA模型，确实能小幅降低预测误差、提升预判准度；但代价是额外新增3584个Token，数据量暴增，带来巨大内存占用与计算压力，推理耗时是基础模型的22倍，推理延迟严重。
▲结构化思维草图的可视化
换句话说，模型推演的不是未来的高清画面，而是一张包含物理场景和驾驶规则的俯视草图——并且这张草图会连续变化12帧，形成一个完整的未来场景演变序列。
三、为什么要看未来12帧？长时序推演误差最小那问题又来了：预测那么远干嘛？直接看眼前或者预测未来1帧不就行了吗？
小鹏技术团队设置了三组对照实验来验证预测时长的选择：仅重建当前画面帧，仅预测未来1帧草图，预测连续12帧未来草图。
这些实验采用两个评估指标：FID代表评估生成草图与真实BEV草图的相似度，分数越低，生成的鸟瞰草图越贴近真实道路；ADE代表评估规划轨迹与最优轨迹的偏差，数值越低说明开车越稳、预判越准。
▲时序预测目标消融实验
实验结果显示：只复刻眼前画面，FID数值最低，草图画面清晰度最高，但ADE横、纵向轨迹误差全部最高，三组里驾驶规划效果最差。这意味着，单纯让模型认识当前画面，无法让模型学习车辆动态变化，对真实行车预判没有帮助。
仅预测未来1帧草图，在画面清晰度轻微下降的同时，横、纵向轨迹误差同步降低。哪怕只预判1帧未来画面，也能让系统捕捉车流、自车位移时序信息，对轨迹规划的作用远高于静态画面复刻。
而预测连续12帧未来草图，长时序推演难度更高，画面会轻微模糊；但横向、纵向轨迹误差全部为三组最低，轨迹规划性能最优。
论文据此认为，连续12帧推演强制模型学习多车交互、障碍物持续移动、长线导航约束，输出轨迹最贴合真实驾驶需求。
简单来说，逼着AI去推演未来12帧的“连续剧”，哪怕画面有点模糊，AI也能从中悟出“周围的车是在变道还是刹停”的动态逻辑，足够让模型“看到”交通流的演变趋势。
四、算力瓶颈如何突破？两大绝招破解落地难题可能还有人好奇：平时开个导航、搜个玩乐地址都怕车机卡顿，在车端算力受限的情况下，这一整套推演要如何完成？X-Mind从两个方向入手。
1、超级压缩包——DC-AE深度压缩自编码器。
即使推演的是抽象草图，连续12帧的数据量依然可观。
为此X-Mind配了一个“超级压缩包”——深度压缩自编码器（DC-AE），专门压缩这套草图，将12帧连续未来抽象草图压缩成96个Token，仅保留道路拓扑、交通灯状态和导航意图等核心语义先验，过滤掉与规划无关的纹理干扰，解决了长上下文带来的计算瓶颈。
2、单层直通引擎——递归块扩散机制。
传统去噪扩散模型需要数十轮迭代式去噪采样步骤，才能生成高保真的未来路况草图，多次重复前向计算会带来极高的推理延迟，这套方案对于算力资源受限、要求实时运行的车载场景不具备落地可行性。
为此，X-Mind设计了递归块扩散机制（Recurrent Block Diffusion, RBD），将降噪流程拆分进驾驶大模型的每一层网络，仅通过单次前向传播就能输出12帧完整的长时序未来路况推演画面。
▲递归块扩散机制整体架构
研发团队设计了三组对照实验：无扩散模块的基础模型（Base）、单步去噪扩散方案（Base+Sketch（Single Step））、递归块扩散RBD方案（Base+Sketch（RBD）），采用FID指标量化评估生成画面视觉质量。
▲不同架构范式下性能与推理效率对比
实验数据显示，RBD的图像生成质量（FID 9.59）显著优于单步去噪方案（FID 67.30），而推理延迟基本持平。
▲白天和夜间场景下RBD的未来空间推演结果
该团队据此得出结论：RBD机制打通了高精度时序推理与车载实时落地之间的壁垒，在保留高质量未来推演能力的同时，解决了传统扩散模型延迟过高、无法上车的缺陷。
五、说了半天，X-Mind实战效果到底怎么样？论文里还对比了四类场景表征方案：无世界模型的传统VLA模型（Base）；传统VLA叠加原始图像（Base+Image）；传统VLA叠加3D高斯溅射（Base+3DGS）；传统VLA叠加结构化BEV思维草图（Base+Sketch），也就是X-Mind方案。
▲不同场景表征方案的性能与推理效率对比
结果显示，无世界模型的传统VLA方案，横向、纵向轨迹误差全部最高，预判精度最差。
而叠加原始图像的方案虽能小幅减少误差，但该方案需要额外新增3584个Token，带来巨大的内存占用与计算负担。
3DGS方案虽以画面重建为核心，Token开销同样极高，规划精度提升却极为有限。
思维草图方案，也就是小鹏X-Mind方案，ADE横向/纵向轨迹预测误差全部最低，且仅需96个额外Token，推理耗时仅为传统VLA的1.1倍，只增加10%运算延迟，满足车载实时运行要求。
六、还有哪些短板？论文坦承两个方向虽然X-Mind在一些数据上表现有优势，但当前架构仍存在两大局限，而这也是小鹏研究团队正在攻关的方向。
第一，从“先想后做”到“边想边做”。
当前推理流程是串行执行——先完成未来世界推演，再基于草图求解最优轨迹。
团队正研究路况草图与车辆控制动作联合同步采样生成方案，让决策和脑补同步进行，进一步提升复杂场景下的响应速度。
第二，从“监督学习”到“自监督学习”。
当前架构虽取得效果，但训练必须依赖人工标注生成结构化草图真值（GT），这会成为模型持续扩容迭代的瓶颈。
小鹏团队下一阶段计划引入自监督表征学习范式，充分利用近乎无限的原始行车录像，大幅降低标注成本，让模型习得更底层、更深刻的物理环境规律，进一步强化端到端自动驾驶系统的认知推理能力。
一旦实现这些突破，VLA的进步速度会像坐了火箭一样。
结语：X-Mind到底改变了什么？从技术架构来看，X-Mind提出的方案是将预测世界模型以内化而非外挂的方式整合进VLA模型。具体来说，它做了三件事：
第一，把“预判”从外部模块变成了模型内部的视觉思维链，让VLA在输出动作之前先完成一次对未来的显式推演；第二，用抽象草图替代高清画面，将12帧的未来推演压缩至96个Token，把长时序预测的成本降到了车端算力能够承受的范围；第三，通过递归块扩散机制，让这一整套推演在单次前向传播中完成，最大限度保障了画面生成的质量。
这篇论文的真正价值，在于它提供了一条足够轻量化的、可行的技术路径，预测未来这件事，仅靠单次前向传播、仅增加10%推理延迟、新增96个Token就能实现。
但论文没有回答的问题同样重要：这套在特定数据集上验证有效的推演机制，能否在泛化到从未见过的场景时依然可靠？自监督学习突破后，模型学到的是真实的物理因果，还是仅仅是更复杂的统计相关性？以及，当量产车真正跑起来，这10%的延迟增量在极端工况下会不会成为新的隐患？
这些问题能不能被解决，这条路能不能走通，还需要真实道路上的每一公里来验证。
