8月24日 ，小鹏机器人完成首轮超9亿美元融资
，投后估值超过63亿美元，刷新中国具身智能行业单轮私募股权融资纪录 。IDG资本领投 ，高榕创投参投，腾讯、阿里巴巴战略投资
。

　　对于一个尚处在量产前夕的人形机器人业务，这笔融资受到关注的不只是规模。小鹏机器人背后 ，很大一部分能力来自过去十余年智能汽车和自动驾驶的积累 。从AI芯片 、模型
、数据和AI Infra
，到供应链、车规级制造和全球化体系，这些能力正在逐步向机器人业务延伸。

　　8月27日
，小鹏第二代VLA迎来首次模型重大升级
。新版本端侧模型参数量较此前提升3.5倍，支持30秒有效时序记忆和未来6秒场景预测 ，端到端响应速度提升3倍
，模型对物理世界的理解也开始由空间进一步延伸至时间。

　　表面看 ，这是一次发生在智能汽车上的模型升级 。但放在汽车 、Robotaxi和人形机器人的整体布局中
，两件事实际上指向同一个问题：一套在智能汽车上率先实现规模化验证的物理AI能力，能否持续进化 ，并向不同本体延伸，最终形成新的规模化应用？

　　这也是小鹏正在回答的一个物理AI命题
。

　　从第二代VLA模型升级
，看物理AI如何持续进化

　　第二代VLA此次模型升级，一个核心变化是模型开始进一步理解“时间 ”。

　　真实世界并不是一张张静止的画面 。车辆判断一个行人是否可能横穿马路 ，不仅需要识别眼前有一个人
，还需要知道他此前从哪里来、正在往哪里走；判断旁车是否可能加塞，也需要结合一段时间内的运动轨迹
。

　　新版第二代VLA引入Infini-VLA长时序架构 ，支持30秒有效时序记忆；X-Foresight预测世界模型首次上车
，可以推演未来6秒交通参与者可能的行为；流式自回归推理则让模型从离散推理走向连续推理。与此同时，新版本端侧模型参数量较此前提升3.5倍 。

　　相比具体参数 ，这次升级更值得关注的是模型能力的变化：从识别和理解当前环境
，进一步向记忆过去
、理解现在和预测未来延伸
。

　　而比一次模型升级更重要的问题是，这种升级能否持续发生。

　　物理AI与数字AI的一个明显区别 ，在于大量关键数据来自真实世界 。道路上的极端场景、不同国家的交通环境
，都需要通过真实设备不断获取和验证
。

　　小鹏披露，目前其拥有百万车队和十亿级数据资产 ，单次训练数据吞吐量达到1.1亿，较半年前增长10倍。围绕这些数据
，小鹏已经建立覆盖数据 、训练
、仿真、评估 、部署和算力的AI Infra 。车辆在真实道路中发现新的问题，数据回到训练体系推动模型更新 ，再重新部署到量产车
，形成持续迭代。

　　这使物理AI的竞争逐渐从单一模型能力，延伸到模型背后的基础设施能力
。一代模型的参数和能力并不足以决定长期竞争结果 ，能否持续获得高质量数据
，并完成训练
、验证、部署和下一轮迭代，决定了模型进化的速度。

　　从这个意义上说 ，真正难以复制的可能不是某一代模型
，而是持续产生下一代模型的能力 。

　　从汽车到Robotaxi 、机器人，物理AI开始跨本体延伸

　　汽车是小鹏物理AI最先实现规模化验证和数据闭环的载体 ，但这套能力正在向汽车之外延伸
。

　　首先是Robotaxi。

　　目前
，小鹏第二代VLA已经覆盖从L2辅助驾驶到L4 Robotaxi的不同层级应用 。这意味着，从量产辅助驾驶向更高阶自动驾驶演进 ，并不需要完全重新搭建一套底层技术体系
。小鹏Robotaxi近期获得广州市智能网联汽车远程测试资质，可以在相关测试道路开展主驾无安全员道路测试
，此前已完成超过2000单内测。

　　小鹏在L2辅助驾驶和L4 Robotaxi之间采用同源技术路线，部分Robotaxi L4能力也开始向量产车型下放 。本次全新版本升级还带来了“语音靠边停车
”
、“语音控制就近泊入”功能 ，用户只需通过语音下达停车指令
，车辆即可在智驾状态下自主寻找合适位置并完成靠边停车，实现从“语音指令 ”到“自主执行”的完整闭环
。小鹏Robotaxi的L4级能力 ，正通过同源技术进一步下放至量产车
，为车主带来更高阶、更自然的用车体验。

　　再往外，是高阶通用人形机器人 。

　　汽车和机器人在硬件形态 、运动方式和应用场景上差异很大 ，但在AI层面
，两者需要解决的问题已经出现越来越多的共性：感知和理解真实环境，判断周围的人和物正在发生什么变化 ，并据此控制不同的硬件本体完成行动
。

　　何小鹏在二季度业绩电话会上透露
，小鹏汽车与机器人在VLA
、VLM等部分模型，以及AI Infra、数据组织和训练体系上存在共用和协同开发。

　　由此 ，汽车业务中形成的部分模型能力 、数据体系和AI基础设施，可以进一步向Robotaxi和机器人延伸；新的本体进入更多真实场景后
，又会产生新的数据，推动模型持续迭代 。

　　从量产汽车到Robotaxi ，再到高阶通用人形机器人
，小鹏正在验证的，是一套物理AI底层能力能否跨越不同本体 ，在更多真实世界场景中持续进化。

　　模型竞争背后
，是AI Infra的竞争

　　跨本体复用的前提，是底层模型能够持续进化
。

　　物理AI与数字AI的一个明显区别 ，在于大量关键数据来自真实世界。道路上的极端场景、不同国家的交通环境
、机器人与人的交互
，都需要通过真实设备不断获取和验证 。

　　小鹏披露，目前其拥有百万车队和十亿级数据资产 ，单次训练数据吞吐量已经达到1.1亿
，较半年前增长10倍
。围绕这些数据，小鹏已经建立覆盖数据、训练 、仿真
、评估、部署和算力的AI Infra。车辆在真实道路中发现新的问题 ，数据回到训练体系推动模型更新，再重新部署到量产车
，由此形成持续迭代 。

　　随着Robotaxi和机器人进入更多真实场景，这个循环还会进一步扩大
。汽车提供大规模道路数据 ，Robotaxi带来更复杂的高阶自动驾驶场景
，人形机器人则有望将数据来源进一步拓展至零售 、服务等场景。不同本体产生的数据进入共同的训练基础设施，再推动模型迭代 。

　　这也使物理AI的竞争逐渐从单一模型能力 ，延伸到模型背后的基础设施能力
。

　　一代模型的参数和能力并不足以决定长期竞争结果。相比某一次模型升级
，能否持续获得高质量数据，并完成训练
、验证、部署和下一轮迭代 ，决定了下一代模型能够以多快的速度产生 。

　　从这个意义上说
，物理AI真正难以复制的，可能不是某一代模型本身 ，而是持续产生下一代模型的能力
。

　　这背后比拼的
，是数据 、算力
、模型训练和工程部署能力，也包括真实产品的规模——只有足够多的汽车、Robotaxi和机器人进入真实世界 ，数据和模型之间的循环才有可能真正跑起来。

　　如果跨本体解决的是技术能力能否复用，那么机器人接下来还需要回答另一个问题：这套能力能否真正实现规模量产和商业化 。

　　这也是超9亿美元融资之后
，小鹏机器人更现实的挑战。

　　随着人形机器人从原型机和技术展示走向商业应用，竞争已经不只在模型和本体 ，也进一步涉及成本控制 、供应链稳定性
、产品一致性、规模制造和交付能力
。

　　在这一阶段
，小鹏在汽车产业的积累开始发挥作用。

　　何小鹏在二季度业绩电话会上透露，小鹏机器人供应链合作企业中超过85%与汽车业务重合 。除了模型和AI Infra ，小鹏也在将汽车业务积累的供应链 、车规级制造和全球化能力应用到机器人业务
。

　　按照规划
，小鹏IRON将在2026年底进入规模量产阶段，并于2027年面向零售和服务业等客户实现规模交付。

　　支撑这些投入的汽车基本盘也在改善 。2026年第二季度 ，小鹏实现总收入197.4亿元
，同比增长8.0%；汽车交付量103295台，环比增长64.8%；综合毛利率达到20.7% ，同比提升3.4个百分点
。

　　过去十余年
，小鹏围绕智能汽车积累了芯片、模型
、数据、软件 、供应链和制造能力。现在需要验证的是，这些能力能否在新的硬件本体上继续发挥作用 。

　　从机器人融资超9亿美元 ，到第二代VLA首次模型重大升级，小鹏近期的两个动作
，分别落在物理AI发展的两个关键环节：一边是模型
、数据、算力与不同本体的持续迭代，另一边是供应链和制造能力支撑下的规模化应用
。

　　一套以智能汽车为首个规模化载体的物理AI体系 ，能否跨越不同本体
，在更大的真实世界中持续进化并走向规模化——这个命题，第二代VLA 、Robotaxi和IRON正在从不同方向给出答案。

（文章来源：证券时报）