编辑｜泽南、杜伟 两个月前的 CES 上，黄仁勋开源了英伟达的首个 VLA（视觉 - 语言 - 动作）模型，并高调宣称物理 AI 的「ChatGPT 时刻」马上就要到来。 如今，物理世界的 AI 正在成为一个重要趋势：从机器人到辅助驾驶，越来越多的公司正在尝试用 VLA 模型来重构机器与物理世界交互的方式。 在辅助驾驶领域，端到端的 VLA 方法已经经历了大量验证，实现了前所未有的效果。然而，这种架构面临一个天然挑战：作为中间层的语言难以完整准确表达现 实物理世界的全部细节。李飞飞曾在一次访谈中表示，「语言本身只是对物理世界的一种有损表达。」 在需要实时理解环境并生成驾驶决策的自动驾驶环境中，通过语言这一中间层来描述物理世界既有可能引入信息损失，还会增加额外推理路径。随着驾驶场景复 杂度的增加，这种架构缺陷制约了系统准确率与效率的继续提升。 针对这一痛点，小鹏汽车给出的创新性解法是： 直接去掉「语言转译」环节，在业界首次实现从视觉信号到动作指令的端到端直接生成 。这正是其在去年 11 月 亮相的第二代 VLA（XPENG VLA 2.0），并在此后数月完成了 468 个版本更新。 新技术很快产生了质变：在 3 ...