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）