当物理AI（Physical AI）成为全球科技巨头公认的下一波产业革命，全球科技竞争焦点正加速从数字AI向物理AI迁移，竞争的主战场正从数字世界转向真实的道路与城市。在这个中美科技企业竞相角逐的新赛道上，双方齐头并进的同时也呈现出一些不同的趋势：美国企业在基础算法领域仍具优势，中国企业则在复杂场景落地、工程化集成与商业化速度上展现出惊人的追赶乃至局部超越之势。

正是在这样的背景下，对双方技术能力进行客观对比、正视差距、找到比较优势就显得非常有必要。近日，小鹏汽车董事长何小鹏再次前往美国，深入测试特斯拉FSD V14与Robotaxi，回国后立即对标检验自家第二代VLA技术。尤其是针对第二代VLA的“查作业”，并非简单的中美技术对比，而是中国科技企业从“追赶者”向“探索者”乃至“引领者”转变的一个缩影。当硅谷投资人开始重新评估中国物理AI企业的全球价值，何小鹏的“查作业”背后，展现的是一家中国科技公司对技术边界的持续突破与对全球标准的重新定义。

全球物理AI竞赛下，中国科技企业的角色正在转变

物理AI，即人工智能在物理世界中的具身化与闭环应用，正被视为继数字AI后的下一个万亿级赛道。根据新战略低速无人驾驶产业研究所的数据，仅仅在2025年第三季度，无人驾驶领域披露的融资总额就突破了146亿元，其中Robotaxi相关融资占57亿元，资本热度持续攀升。与此同时，中国市场的L2级辅助驾驶渗透率已超过50%，为高阶智能驾驶提供了庞大的数据基础和迭代沃土。在自动驾驶领域，中美在专利布局、人才流动与资本投入上呈现胶着竞争的态势。

从宏观视角来看，中美在物理AI的这轮竞赛中，美国投资的重心往往在基础模型、仿真平台与尖端传感器等领域，而中国则聚焦于城市场景落地、车路协同与商业化闭环，尤其是在城市复杂场景的数据积累与商业化闭环上，中国正展现出独特且难以复制的优势。

而如果我们将视角拉近到微观，从特斯拉、Waymo等美国企业的具体做法上，更能感受到这种差异。特斯拉的FSD能力已经通过OTA持续向全球推送，但“满血版”FSD在中国市场始终未至，一定程度上就是源于对中国复杂道路环境的审慎。Waymo虽在部分区域运营成熟，但其“高精地图+规则驱动”的模式在拓展至新区时，则面临高昂的测绘与合规成本。

正是在此背景下，何小鹏的“美国行”具有了超越企业个体的符号意义。这并非这家中国车企掌门人第一次亲赴海外技术策源地，但此次测试的深度以及对比的广度远超以往。测试中，他不仅客观记录FSD V14的显著进步（“如果上一次是50分，这次有85分”），也敏锐指出其在应对中国式人车混行博弈时可能存在的局限（“在美国开的逻辑可能更好，但中国可能切不过去了”）。这种基于全球视野的对比测试与反思，意味着中国头部企业已主动参与全球技术对话，并在差异化场景中定义自身的技术长板。何小鹏在测试中提及的一个细节颇具代表性：在旧金山，FSD V14在面对路边临时停靠车辆时，选择稳健绕行，过程流畅；但他随即联想到，若在中国常见的主路辅路交织、电瓶车穿行的环境下，策略可能需要更灵活的博弈。这种思考，恰恰点出了中国企业在物理AI竞赛中的独特价值，即将全球最前沿的算法框架，置于全球最复杂的应用场景中进行淬炼与重构。

物理AI全栈自研体系：技术底气的根源

既然要追求全球竞争格局的重塑，那最终的落脚点依然要依靠硬核的技术能力。而小鹏汽车在此轮物理AI竞赛中表现出的底气，根植于其多年来坚持构建的“全栈自研”技术体系。这套体系的核心，在于实现了从底层芯片、中间层算法到上层应用数据的垂直整合与闭环优化，让其在面对复杂不确定场景时，具备了快速迭代与系统级响应的能力。

此次美国测试中被频繁对比的“第二代VLA”，便是这一体系的关键成果。与行业「V-L-A」传统架构不同，第二代VLA革命性地去除了“语言转译”环节，首次实现从视觉信号到动作指令的端到端直接生成，探索全新物理模型范式。何小鹏在测试后感慨：“我们在今年年初VLA第二代刚刚初步跑通的时候，就很惊讶，发现视觉到动作的模型跑出来的效果跟之前的语言类模型很不一样。”这种“端到端”范式，与特斯拉FSD V14的技术方向高度同频，它让模型更像一个通过海量视频“自学成才”的司机，基于对物理世界的隐式理解做出决策，而非简单执行一堆人工编写的规则。

实现这一范式跃迁的背后，是小鹏打造的“大算力+大数据+大模型”三位一体的技术底座。算力层面，小鹏拥有规模达3万卡的云端训练集群，运行效率超90%，并已部署720亿参数的云端基座模型，支持每五天完成一次全链路迭代。在车端，其Ultra版车型搭载的AI芯片算力高达2250TOPS，为承载数十亿参数的车端模型提供了硬件基础。数据层面，用于训练第二代VLA的数据量已接近1亿个视频片段（clips），相当于人类驾驶6.5万年所遇场景的总和，且均为无需人工标注的真实数据。模型层面，通过自研的芯片、算子与模型全栈优化，小鹏成功将十亿级参数模型部署于车端，远超行业普遍的千万级水平。

全栈自研带来的直接优势，在测试的诸多细节中得以验证。例如，在应对旧金山一处因施工完全重构的路面时，FSD V14展现了“非常自信”的通过能力。何小鹏评价其“知道怎么开，很丝滑”。这背后正是大模型通过海量数据训练后，对未知场景的泛化理解能力。

而小鹏的第二代VLA同样追求这种能力，并因其对中国特有场景（如极窄巷道、随机穿行的行人电动车）的更密集训练，而在本土化博弈中展现出优势。何小鹏在对比后认为，小鹏VLA在“非常小的路，人车博弈做得极其好”。

而在另一种路况环境，全栈自研带来的快速迭代同样体现了这种优势。在面临环岛路况时，小鹏的VLA 2.0能够以更加均匀的速度通过，杜绝了以往不平滑的加减速。而FSD V14相比一年前的V13，同样减少了犹豫情况，以更加丝滑的方式通过了环岛。这足以体现中美顶尖科技企业在智驾方面的相似的研发取向。即并非靠人工标注的数据训练，而是通过软硬件协同的全栈自研能力，让VLA系统自己直接利用海量的真实驾驶视频进行自我训练，从而让系统不断“涌现”出新的处理方式、“长出”新的能力以应对真实的物理世界。

通过“查作业”，我们足以感受到第二代VLA在智驾领域的出色能力，但这还不是其全部实力。更为重要的是，这套以VLA为核心的物理AI模型，并非只停留于满足道路驾驶，而是被设计为可“跨域驱动”汽车、机器人乃至飞行汽车。这意味着，在自动驾驶领域积累的感知、决策与控制能力，可以复用到其他物理智能体上，形成技术协同与数据反哺的闭环。这不仅是技术上的降本增效，更是构建“泛化智能”的关键路径。

而小鹏的全栈自研体系，旨在系统化地获得这种将通用能力与具体场景深度融合的工程化力量。目前，小鹏已与高德地图、大众汽车集团、宝钢股份等产业链伙伴达成深度合作，共同构建更完善的智能生态。

通往L4的确定性：清晰的路线图与商业化前景

技术的最终价值在于落地。在物理AI的终极目标——高阶乃至完全自动驾驶（L4）的实现路径上，小鹏汽车展现出了清晰的节奏感和独特的商业化思考。

当下，一个根本性的行业共识正在中美科技企业之间形成，即L3（有条件自动驾驶）可能只是一个政策监管意义上的过渡阶段，而非技术发展的必然台阶。何小鹏在体验特斯拉Robotaxi后明确表示：“从技术跟产品的研发角度来看，我自己觉得没有L3，就是L2、L4。”特斯拉通过FSD的持续迭代和Robotaxi的布局，实质上是将L4级能力以L2的形式交付，等待法规与社会的逐步接受。而小鹏的选择与之不谋而合，其第二代VLA在设计之初就被定位为“一个架构到L2和L4”，目标是跳过L3，直接面向终局。

基于此，小鹏给出了明确的L4落地时间表：2026年第一季度，具备L4级软件能力的第二代VLA将量产上车；2026年内，将推出软硬件均达到L4级自动驾驶水平的量产车型。根据规划，其下一代L4车型将搭载4颗自研AI芯片，车端算力高达3000TOPS。在此次美国行后，何小鹏对L4技术的未来有感而发：“在特斯拉和小鹏的共同推动下，2026年下半年，全球智能驾驶进程有望加速进入‘准L4’新阶段。”

在最具挑战的Robotaxi商业化方面，小鹏试图通过“前装量产”和“纯视觉泛化”两大策略，破解行业长期面临的“成本－安全－规模”不可能三角。与行业内已成型的、采用后装改装、依赖激光雷达和高精地图的方案不同，小鹏Robotaxi基于量产车型前装开发，采用纯视觉路线，依托VLA大模型的泛化能力自适应不同交通环境。这能大幅降低单车硬件成本和后期改装投入，并使规模化部署成为可能。何小鹏在测试中指出，传统Robotaxi很难做到“在小区停车场点对点”，核心在于无法泛化，而这正是VLA模型要攻克的重点。

尽管前路仍有法规、安全和公众接受度的挑战，但清晰的路线图本身就是一种强大的战略信号。它向市场、行业和资本市场表明，小鹏对于智能驾驶的演进不仅拥有技术上的前瞻，更有将其转化为产品和商业成果的系统性规划。

写在最后

何小鹏的“查作业”，远不止于一位企业创始人的亲力亲为，而是折射出小鹏汽车作为科技公司的底层逻辑：在物理AI的大时代，唯有坚持全栈自研、保持技术信仰、拥有全球视野，才能真正实现从“中国制造”到“中国智造”的跃迁。

当全球物理AI竞争进入深水区，中国科技企业已从技术追赶者成长为规则共建者。2025年末的这场技术对标，让我们看到中国智能电动汽车产业正在经历从“量”到“质”的关键跃迁——不再以低价取胜，而是以技术定义价值；不再满足于跟随标准，而是参与制定规则。

而小鹏汽车的实践则表明，通过坚定的全栈自研，在“软硬一体”中构建核心技术闭环；通过拥抱全球最前沿范式，并在本土最复杂场景中实现能力迭代；通过对终局的清晰定义，来反推当下产品与技术的布局——这条路径，正在帮助一家中国科技企业，在全球物理AI的牌桌上，赢得日益重要的席位。这不仅仅是一家公司的成长故事，也为中国汽车产业如何从“应用创新”深入“基础创新”，提供了一个不断发展的关键范本。