站在 2025 年科技日的舞台上，何小鹏深有感触地说了一句：“ 谁都打败不了趋势。”
过去几十年，我们见证了互联网把电脑连成网络，见证了手机让信息如影随形，又见证了 ChatGPT 这样的 AI 成为数字世界的“ 创造者”。但这些变革，始终停留在屏幕之内。
如今，趋势正转向一个更艰难的战场—— 物理世界。
何小鹏对此感触尤为深刻。他们曾投入 3 万张 GPU 卡，烧掉 20 多亿训练经费，无数次站在放弃边缘。就在几乎绝望时，转机以一种意想不到的方式降临—— 自动驾驶系统突然“ 开窍” 了。它开始能理解从未被明确教过的东西，比如路人挥手的意图、红灯读秒的节奏。
这不仅仅是技术的突破，更像是一个信号。当 AI 从虚拟世界迈出脚步，开始看懂、理解并操控我们身处的真实环境时，物理 AI，正成为那股迎面扑来的科技巨浪。
争夺新大陆
当 AI 开始进入物理世界，整个科技圈仿佛一夜之间达成了共识：物理 AI 就是下一个必争之地。
黄仁勋在 GTC 大会上断言，AI 正从“ 生成式” 迈向“ 代理式”，下一步就是“ 物理 AI” 时代。阿里巴巴 CEO 吴泳铭也说过，通往超级人工智能之路有三个阶段，而第三个阶段就是 AI 直接从物理世界获取全面原始数据，并通过自主学习实现自我迭代升级。
共识之下，路径各异。
有的玩家，如特斯拉、小鹏，选择了“ 垂直整合” 的道路，他们效仿苹果，致力于打造从芯片、传感器、软件到车辆制造的闭环体系，将核心命脉牢牢掌握在自己手中。特斯拉凭借全自研的 FSD 芯片和视觉算法，构建了其自动驾驶的护城河；而小鹏则通过自研的“ 图灵”AI 芯片、第二代 VLA 模型及云端算力集群，将能力复用于飞行汽车和机器人。
而另一条路上，英伟达、华为等公司，则继续扮演着“ 生态赋能者” 的角色，例如英伟达凭借其 Blackwell GPU 系列和 Cosmos 平台，构建了强大的算力帝国。华为则聚焦于“ 超节点互联”，其副董事长徐直军强调，这是支撑物理 AI 大规模算力的关键。
与此同时，像 Waymo 和百度 Apollo 则长期专注于 Robotaxi 这一终极场景，希望通过攻克最高阶的完全无人驾驶技术，来证明“ 物理 AI” 的终极可能性。
尽管路径各异，但所有这些巨头的技术演进，都指向同一个方向：让 AI 从只能解决单一问题的“ 专才”，成长为能从容应对现实世界各种混乱与不确定性的“ 通才”。
而对于这些企业来说，当下的每一场路测，每一次算法更新，每一款新产品的发布，其意义都早已超越了“ 造一辆更好的车” 本身，而是在为未来争夺一张核心的门票。
四张王牌，一个AI大脑
路径已然清晰，但竞争才刚刚开始。上述几条道路，无论选择哪一条，都是一场需要巨大投入的豪赌。特斯拉赌的是纯视觉和规模效应能够颠覆成本，英伟达赌的是开放生态将定义行业标准，Waymo 赌的是技术极致可以攻克单一场景。
而小鹏的赌注，则押得更为彻底。它不仅要做垂直整合，更是要把几大出行场景打通，从“ 未来出行探索者” 彻底转向“ 物理 AI 世界的出行探索者”。
这就意味着，它要同时面对来自芯片研发、算法创新、产品定义乃至多个场景商业化落地的全方位挑战。支撑这次豪赌的，是小鹏决心自己掌控的一套核心技术体系。
这套技术体系的核心，是一个名为“ 第二代 VLA” 的模型。它与业界常见的模型有根本性的不同。简单来说，传统模型需要先将看到的画面转换成语言描述，比如“ 前方有车变道”，再根据这个描述生成驾驶动作。而小鹏的第二代 VLA 则砍掉了这个“ 翻译” 环节，让模型能够直接根据视觉信号来生成控制指令，实现了从“ 看到” 到“ 行动” 的端到端闭环。这样做不仅反应更快，更重要的是避免了语言描述可能造成的信息丢失，让 AI 能更直接地学习真实世界的物理规律。
为了让这个强大的模型能在车上顺畅运行，小鹏在算力上下足了血本。通过自研的“ 图灵”AI 芯片和深度的软硬件优化，小鹏将车端算力推高到了 2250TOPS，这远超行业普遍水平。强大的算力如同一个结实的底盘，使得在车辆上搭载一个拥有数十亿参数的“ 大模型” 成为可能，而通常其他车企只能在车上运行千万级参数的“ 小模型”。参数规模越大，模型的理解和决策能力通常就越强。在云端，近三万张 GPU 卡组成的算力集群日夜不停地对模型进行训练和优化，确保它能持续进化。
计划于 2026 年推出的小鹏 Robotaxi，试图从根本上解决当前行业“ 成本高、范围小、体验差” 的痛点。它从设计之初就是为无人驾驶而生的前装量产车，而非后期改装，这大大降低了成本并保证了可靠性。它不依赖昂贵的激光雷达和高精地图，仅凭纯视觉方案和二代 VLA 的强大的理解与泛化能力，就能适应不同城市，甚至全球各种路况和交通习惯，真正实现“ 不限区域” 的运营。
在人形机器人领域，小鹏的目标是打造“ 最拟人” 的机器人。全新一代的 IRON 机器人，不仅拥有仿人的外形、灵活的骨骼和逼真的皮肤，其关键在于被赋予了“ 思考能力”。这使得它不再是实验室的展示品，而是能真正走入商场、工厂，从事导览、巡检等工作的商业工具。
而在天空，小鹏汇天打造的“ 陆地航母” 和“A868” 飞行汽车，则构成了低空出行的两翼。据悉，“ 陆地航母” 已获得 7000 台订单并进入试产阶段，让人们看到飞行汽车规模化商用正在成为现实。
物理 AI 的价值，最终必须通过其在物理世界中的“ 行动能力” 来兑现。Robotaxi、智能汽车、人形机器人与飞行汽车，这四大场景并非彼此割裂的孤立产品，而是构成了物理 AI 能力逐级攀登、验证与复用的“ 能力阶梯”。
它们之所以共同成为竞争的焦点，在于其高维度的环境复杂性与极致的安全可靠性要求，迫使物理 AI 模型必须发展出远超实验室级别的稳健性。同时，清晰的商业化路径与由此形成的“ 数据飞轮”，使得这些场景能支撑高昂的研发投入，并最终形成难以逾越的数据壁垒。
从智能汽车到 Robotaxi，再到人形机器人和飞行汽车，小鹏的布局看似庞大而分散，但恰恰是一场高风险、高回报的豪赌。小鹏赌的是，通过在多个真实物理场景中反复锤炼同一套 AI“ 大脑”，能够更快地催生出真正通用的智能，从而在这场定义未来的竞争中建立起难以逾越的护城河。这条路充满挑战，但一旦成功，小鹏将彻底重塑自身，成为物理 AI 时代真正的领跑者。
闯关物理AI，最后两战定胜负
路径清晰，赌注也已押下。但物理 AI 要真正融入现实世界，仍面临两大核心挑战：如何获取高质量的“ 数据燃料”，以及如何构建共赢的“ 产业生态”。这要求玩家必须在自主与开放之间，找到那条狭窄的生存线。
何小鹏在交流环节中道破了竞争的本质：“ 数据就像石油一样，是一个能源。谁能够获得有价值的大量数据，谁就能够驱动将来 AI 或者物理 AI。” 这意味着一家公司的护城河，不再仅仅是算力的堆砌，更在于能否从真实场景中获取高质量、高价值的闭环数据。
小鹏的全栈自研，本质上是一场数据争夺战。无论是 Robotaxi 在复杂路况中的决策，还是机器人在商场导览时的交互，每一次“ 行动” 都在为 AI 大脑注入宝贵的燃料。何小鹏特别指出，数据的价值不在数量，而在质量。“ 一条直路开 100 公里，数据是 0，没有意义。” 真正的关键在于捕获那些“ 长尾和异常数据”，并持续反哺模型。
这也解释了小鹏为何坚决推进多场景落地，因为每个场景都是一个独特的数据矿场，都在帮助 AI 更深刻地理解这个混乱而复杂的物理世界。
然而，物理世界的复杂性远超任何单一公司的能力边界，这引出了第二个挑战：生态建设的悖论。技术越复杂，越需要产业链合作；但核心能力越开放，又越可能丧失定义权与差异化。
小鹏的答案是“ 在关键处闭环，在生态处开放”。何小鹏多次强调：“ 小鹏是一个非常开放的心态。” 他们将 Robotaxi 能力以“ 工具箱” 形式开放给高德等伙伴，也在机器人、芯片架构上寻求对外合作。
但开放不等于放手。在芯片、模型、数据闭环这些核心环节，小鹏坚持自研，以确保技术路径自主与用户体验一致。顾宏地也坦言：“ 更加开放的生态系统和更加封闭的系统，都有自己的优劣势。” 小鹏的年轻与灵活，使其更愿意借合作弥补资源短板，加速技术成熟与场景拓展。
这种“ 核心自控、生态开放” 的路线，正是小鹏在物理 AI 这场马拉松中的生存策略，既要构建自身的技术堡垒，又要避免因封闭而沦为孤岛。
当车企、科技公司、机器人公司的界限日益模糊，所有玩家都清晰地意识到：物理 AI 已从炫技的“ 概念演示” 阶段，迈入了务实求证的“ 产品落地” 深水区。这不再是一场关于谁的概念更超前的辩论，而是一场关于技术、商业、生态与耐力的综合竞赛。
无论是特斯拉的垂直整合、科技巨头的平台赋能，还是如小鹏等车企选择的全栈自研与多场景贯通，各种路径都仍在接受市场和技术的残酷检验。目前，尚没有一家企业能宣称已完全攻克所有难关。
说到底，大家最终要解决的是同一个核心问题：怎么让这项高大上的技术，变成普通人愿意掏钱买，并且放心用的好产品。
这个问题没有标准答案，但可以肯定的是在一次次试错和迭代中，整个行业被推着往前走了。在这场关乎未来的物理 AI 竞逐中，最大的胜利，或许不仅仅是某一款产品的成功，更是一个行业一步步走向真正成熟。（本文首发于钛媒体 App）
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App