能记30秒、预判6秒：小鹏第二代VLA第一次“懂时间”，G9L率先上

如果说过去的智能驾驶更像是在回答“我现在看到了什么”，那么小鹏这次想解决的问题，已经变成了“刚才发生了什么，接下来又可能发生什么”。8月27日，小鹏第二代VLA迎来首次重大升级。官方把这次升级的关键词定成了一个很简单、但对智驾很关键的词——时间。

全新XOS6.3.0将由小鹏G9L全球首发。相比再多一个功能、再多一个场景，这次变化更值得关注的地方，是小鹏开始让车端模型从理解静态的3D空间，往动态的4D时空走。换句话说，AI不只要“看见”路上的车、人和红绿灯，还要把过去、现在和可能发生的未来串起来。

人在开车时做判断，很少只靠眼前这一帧。前车刚刚连续点了两次刹车、路边行人已经朝车道方向挪了几步、旁边那台车几秒前就在往车道线靠——这些连续变化，才是驾驶决策真正依赖的上下文。

小鹏这次在第二代VLA中引入Infini-VLA长时序架构，官方给出的能力是可以记住前30秒的世界。道路事件不再被切成互不相关的一张张画面，而是可以把动作、位置和场景连续串起来。对于智驾来说，这30秒的意义不在“记得更久”本身，而是让模型有机会理解一个事件是怎么一步步发生的。

同时，第二代VLA采用StreamingInference，也就是流式自回归推理。过去更像“看一眼、算一下、给结果、再看一眼”，现在则强调“边看、边想、边行动”。按照小鹏公布的数据，端到端响应速度提升300%。面对突然刹停、行人折返或者旁车强行加塞，这种连续推理显然比单纯提高识别精度更贴近真实驾驶。

理解过去只是第一步。真正复杂的道路决策，往往还要猜下一步会发生什么。此次小鹏X-Foresight预测世界模型首次上车，可以对6秒内的交通变化进行预判，结合目标的位置、速度、运动趋势和道路环境，推演周围交通参与者接下来的可能行为。

于是第二代VLA这次形成了一条更完整的链路：记住过去30秒，持续理解正在发生的变化，再对未来6秒进行预测。小鹏把它概括成“记住过去、理解现在、预判未来”。这也是这次所谓“AI开始理解时间”真正落到驾驶层面的含义。

模型规模也在同步变大。全新版本端侧模型参数量提升3.5倍，官方称其规模达到主流VLA的15倍以上；配合更长时序、更快响应和轨迹预判，小鹏给出的结论是多维综合安全能力提升20倍。这个数字最终还要靠更大规模的真实道路体验去验证，但从技术路径看，小鹏显然不准备再把车端模型做成一个轻量的小工具。

新版模型还加入MoT混合架构，把城区道路、园区、泊车等不同任务分配给不同“专家”，减少场景之间互相干扰。对用户来说，这种底层结构并不会直接出现在屏幕上，但它决定了一套模型能不能在不同任务之间稳定切换。

这次升级不只发生在智驾。小鹏首次推出MasterAgent，实现VLA与VLM的驾舱融合。它建立在自研Omni全模态模型之上，不只是识别一句指令，而是尝试理解用户真正想完成的事情，再把任务拆解给智驾、底盘、座舱、车身控制等不同Agent协同执行。

一个比较直观的例子，是“语音靠边停车”和“语音控制就近泊入”。用户不需要把每一步动作讲清楚，只需要告诉车辆“我要停车”，系统就可以在智驾状态下寻找合适位置并执行。这种变化的重点，是车机从“你说一句，我做一步”，开始往“我理解你的目的，然后自己把事情做完”靠近。

小鹏的野心并没有停在一辆车上。第二代VLA基于统一技术底座，已经实现L2至L4能力贯通。搭载第二代VLA的Robotaxi近期获得广州市智能网联汽车远程测试资质，可以在相关一、二、三级测试道路开展主驾无安全员道路测试。与此同时，部分Robotaxi的L4级体验也在通过同源技术向量产车下放。

同样的思路还在向机器人延伸。小鹏通用人形机器人IRON搭载3颗图灵AI芯片，有效算力达到2250TOPS，物理世界基座模型已经能够在端侧部署。8月24日，小鹏机器人业务完成首轮股权融资，融资超过9亿美元、投后估值超过63亿美元。资本层面的动作，也让“汽车+机器人共用物理AI底座”这条路线变得更具现实重量。

另一个对现有用户更实际的信息，是小鹏正在把第二代VLA能力向更低算力平台蒸馏。图灵VLA2.0 Lite预计9月开启首批推送，小鹏G9LMax版本将首发搭载这一蒸馏版本。也就是说，大模型能力并不准备只锁在最高算力车型上，而是希望通过Token压缩与蒸馏训练扩大覆盖范围。

全球化也在同步推进。小鹏表示，第二代VLA近期已经在德国完成本地化验收测试，在几乎不增加本地化训练数据的情况下，德国城市道路的实际体验与国内高度接近。按照目前规划，小鹏目标是在明年上半年率先在欧洲获得监管许可，并逐步向海外用户交付第二代VLA。

如果只看发布会上的几个数字，这次升级很容易被理解成“参数更大、反应更快”。但小鹏花了很大篇幅讲AIInfra，背后的意思更直接：模型参数和单次能力会不断变化，真正决定长期竞争力的，是一套能够持续采集数据、训练、仿真、评估、部署，再把用户反馈重新送回模型的完整闭环。

目前小鹏披露的模型单次训练数据吞吐量已经达到1亿clips，较半年前增长10倍；依托百万车队和十亿级数据资产，通过统一存储、多模态检索和规模化挖掘，把真实世界里的问题重新变成下一轮训练数据。对于物理AI来说，这种数据飞轮的价值，可能比一次版本号升级更重要。

从这个角度看，小鹏第二代VLA第一次重大升级的分水岭，并不是多了哪一个功能，而是模型开始同时处理“过去、现在和未来”。当一台车能够记住前30秒、连续理解当前变化，并尝试预判未来6秒时，智驾竞争也就从“谁看得更清楚”，进一步转向“谁更像一个真正会判断的司机”。

至于这套4D时空理解最终能把实际体验拉开多大差距，还得等XOS6.3.0和小鹏G9L真正交到用户手里之后再看。但至少从这次升级的方向看，小鹏已经把下一轮智驾竞争的关键词说得很清楚：不是再看一帧，而是理解一段时间。