为了让车看懂道路，小鹏给AI造了个“原生大脑”，但仍有两大短板需要补齐

发布时间：2026-07-17 23:58:40 来源：安智兰德资讯网 作者：综合

车东西（公众号：chedongxi） 作者 ｜ 郭月 编辑 ｜ 志豪

2025年11月5日，原生大脑小鹏集团董事长兼CEO何小鹏正式宣布公司全面向物理AI转型，为让并将2026年定义为“物理AI全面量产元年”。懂道但仍大短从这一战略官宣至今，有两历时约8个月（247天），板需补齐小鹏不仅加速产品迭代，原生大脑更持续披露其底层技术架构。为让

在小鹏的懂道但仍大短物理AI版图中，VLA（视觉语言动作模型）2.0被视为核心基座，有两它不仅支撑自动驾驶，板需补齐更是原生大脑未来人形机器人、飞行汽车等具身智能产品的为让通用底层能力。近期，懂道但仍大短小鹏在此基础上发布了X-Mind，有两旨在为自动驾驶赋予一个能“预见未来”的板需补齐大脑，解决了车端算力受限下难以清晰表达“思考过程”的痛点。X-Mind与X-World、X-Foresight共同构成了小鹏物理AI基座模型的研发谱系。

这究竟是一次技术革新，还是营销噱头？车东西将通过系列文章拆解小鹏VLA 2.0。本文为首篇，结合小鹏预测世界模型（Predictive World Model, PWM）团队发布的论文，深入剖析X-Mind的技术原理、实测表现及现存短板。

一、传统VLA的困境：直觉驾驶与“捷径学习”

小鹏团队在论文中指出，当前主流VLA模型存在本质缺陷：传统端到端VLA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》

简而言之，这类模型遵循“感知→动作”的直接映射逻辑：摄像头捕捉画面，模型直接输出转向或加减速指令。它缺乏主动思考操作后果的能力，没有对交通时序变化的显式推演环节。

这种机制的短板主要体现在两方面：
1. 缺失前瞻物理推理能力：驾驶策略仅基于瞬时观测，缺乏对环境动态演变的完整理解。
2. 易陷入“捷径学习”：模型倾向于记忆数据表层的“画面-动作”匹配关系，而非深入理解道路物理因果逻辑。

在简单场景下，这种映射尚可应付；但在长尾场景（如货车遮挡、雨天打滑）中，由于无法自主推导风险，决策极易失效。

业内早已意识到预判的重要性，并尝试将预测世界模型（PWM）整合进智驾系统，但主流路线均遭遇瓶颈：
* 级联式方案：将预判与规划拆分为独立模块。逻辑清晰但运算量巨大，推理延迟严重，难以满足车载实时性要求。
* 末端附加联合训练方案：将路况重建作为辅助任务叠加在网络末端。由于信号难以有效回传至大模型深层，模型仍易陷入捷径学习，无法建立真正的物理推理能力。

简言之，一条“跑不动”，一条“学不透”。X-Mind正是为了解决这一矛盾而生。

二、X-Mind的核心逻辑：内化“视觉思维链”，先“脑补”再驾驶

X-Mind的核心创新在于：不将PWM作为外部模块接入，而是将其内化为“视觉思维链”（Visual CoT），使其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在生成驾驶动作前，执行显式的时空推演，确保规划路径充分考虑未来交通流变化，再基于此输出轨迹。

推演什么？推演多远？

论文给出的答案是：抽象草图 + 12帧。
* 内容：抽象草图（而非高清画面）。
* 范围：未来12帧。

为何选择“草图”而非“高清画面”？

小鹏官方实验显示，若输入原始高清图像，虽能小幅降低预测误差，但代价巨大：
* Token激增：新增3584个Token。
* 算力暴增：内存占用与计算压力剧增。
* 延迟严重：推理耗时是基础模型的22倍。

X-Mind采取轻量化策略，仅“脑补”一张包含关键信息的鸟瞰示意图。该草图保留以下核心要素：
* 物理实体：自车、周边动态障碍物（车辆/非机动车）、车道线、边界及路面轮廓。
* 状态信息：动态交通灯状态、导航意图、合规车速。

▲结构化思维草图的可视化

模型推演的不是未来的高清视频，而是一张随时间连续变化12帧的俯视草图序列，形成完整的未来场景演变逻辑。

三、为何是12帧？长时序推演实现误差最小化

预测时长直接影响驾驶安全性。小鹏团队通过三组对照实验验证了预测时长的选择：
1. 仅重建当前帧
2. 仅预测未来1帧
3. 预测连续12帧

评估指标：
* FID：生成草图与真实BEV草图的相似度（越低越好）。
* ADE：规划轨迹与最优轨迹的偏差（越低越好，代表驾驶越稳）。

▲时序预测目标消融实验

实验结论：
* 仅当前帧：FID最低（画面最清晰），但ADE最高（轨迹误差最大）。说明单纯识别当前画面无法学习动态变化，对预判无益。
* 仅未来1帧：画面清晰度微降，但ADE显著降低。即使只预判1帧，也能捕捉车流与时序信息，优于静态复刻。
* 连续12帧：画面轻微模糊，但ADE横向/纵向误差均为最低。

论文认为，连续12帧的推演强制模型学习多车交互、障碍物持续移动及长线导航约束。即便画面模糊，AI也能从中提炼出“变道”或“刹停”的动态逻辑，从而精准捕捉交通流演变趋势。

四、突破算力瓶颈：两大核心技术实现车载落地

在车端算力受限的背景下，X-Mind通过两项关键技术解决落地难题：

1. 超级压缩包：DC-AE深度压缩自编码器

连续12帧草图数据量依然庞大。X-Mind引入深度压缩自编码器（DC-AE），将12帧连续未来抽象草图压缩至96个Token。
* 功能：仅保留道路拓扑、交通灯状态、导航意图等核心语义先验。
* 效果：过滤无关纹理干扰，解决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（RBD）

传统去噪扩散模型需数十轮迭代采样，推理延迟极高，不适合车载实时场景。
X-Mind设计了递归块扩散机制（Recurrent Block Diffusion, RBD）：
* 原理：将降噪流程嵌入驾驶大模型的每一层网络。
* 优势：仅需单次前向传播即可输出12帧完整的长时序推演画面。

▲递归块扩散机制整体架构

研发团队对比了三组方案：
1. 基础模型（Base）
2. 单步去噪扩散（Base+Sketch Single Step）
3. 递归块扩散RBD（Base+Sketch RBD）

▲不同架构范式下性能与推理效率对比

数据表现：
* 图像质量（FID）：RBD（9.59）显著优于单步去噪（67.30）。
* 推理延迟：两者基本持平。

▲白天和夜间场景下RBD的未来空间推演结果

RBD机制成功打通了高精度时序推理与车载实时落地之间的壁垒，在保留高质量推演能力的同时，克服了传统扩散模型延迟过高的缺陷。

五、实战效果对比：X-Mind性能最优且轻量

论文对比了四种场景表征方案：
1. Base：无世界模型的传统VLA。
2. Base+Image：传统VLA叠加原始图像。
3. Base+3DGS：传统VLA叠加3D高斯溅射。
4. Base+Sketch：传统VLA叠加结构化BEV思维草图（即X-Mind方案）。

▲不同场景表征方案的性能与推理效率对比

结果分析：
* Base：轨迹误差最高，预判精度最差。
* Base+Image：误差小幅降低，但需新增3584个Token，内存与计算负担巨大。
* Base+3DGS：Token开销极高，规划精度提升有限。
* X-Mind (Base+Sketch)：
* 精度最高：ADE横向/纵向轨迹预测误差全部最低。
* 效率最高：仅需96个额外Token。
* 延迟极低：推理耗时仅为传统VLA的1.1倍（仅增加10%运算延迟），完全满足车载实时要求。

六、现存短板：从“串行”到“并行”，从“监督”到“自监督”

尽管数据表现优异，X-Mind当前架构仍存在两大局限，这也是小鹏团队正在攻关的方向：

1. 推理模式：从“先想后做”到“边想边做”

• 现状：串行执行。先完成未来世界推演，再基于草图求解最优轨迹。
• 改进方向：研究路况草图与车辆控制动作的联合同步采样生成。让决策与“脑补”同步进行，进一步提升复杂场景下的响应速度。

2. 训练范式：从“监督学习”到“自监督学习”

• 现状：依赖人工标注生成结构化草图真值（GT）。标注成本高，成为模型持续扩容迭代的瓶颈。
• 改进方向：引入自监督表征学习范式，利用近乎无限的原始行车录像，大幅降低标注成本。旨在让模型习得更底层、更深刻的物理环境规律，强化端到端系统的认知推理能力。

一旦突破这两点，VLA的进化速度将呈指数级增长。

结语：X-Mind改变了什么？

从技术架构看，X-Mind的价值在于将预测世界模型内化而非外挂：
1. 思维链化：将“预判”转化为模型内部的视觉思维链，在输出动作前完成显式推演。
2. 极致压缩：用抽象草图替代高清画面，将12帧推演压缩至96个Token，使长时序预测成本降至车端可承受范围。
3. 单次传播：通过递归块扩散机制，在单次前向传播中完成推演，兼顾质量与实时性。

这篇论文提供了一条轻量化的可行路径：仅靠单次前向传播、仅增加10%推理延迟、新增96个Token，即可实现预测未来。

然而，论文未回答的问题同样关键：
* 该机制在泛化至未见场景时是否依然可靠？
* 自监督学习突破后，模型学到的是真实物理因果，还是更复杂的统计相关性？
* 在量产车极端工况下，这10%的延迟增量是否会成为隐患？

这些问题的答案，需要真实道路上的每一公里来验证。

相关文章