作者 ｜ Jessica
郵箱 ｜ Jessica@pingwest.com

“CVPR的注冊隊伍現在在大廳里來回繞了2.5圈。如果你還沒到，可以睡個懶覺——等待時間至少45分鐘。”

6月14日，全球計算機視覺頂會CVPR 2025在美國納什維爾落下帷幕的前一天，社交媒體上仍有人在“抱怨”著入場的長隊，而這只是今年大會火爆程度的一個縮影。

整座城市都因上萬名 AI 研究者的涌入改變了節奏：機場里，背著電腦包、戴著參會證的人隨處可見；市中心的酒店幾乎全滿；會場走廊里，抱著電腦席地工作的研究者、匆匆穿梭于各個分會場的人群、永遠排成長龍的咖啡區，共同構成了這場 AI 盛會最典型的風景。

論文海報展示區人頭攢動 | 圖源：IEEE ComputerSociety推特

今年 CVPR 的競爭異常激烈。官方數據顯示，大會共收到創紀錄的 13,008 篇論文投稿，最終錄取率則是歷屆新低，僅為 22.1%。能獲得口頭報告（Oral）機會的更是鳳毛麟角，只有 96 篇，占比約 3.3%。

在海量的論文和討論中，兩大技術風向標尤為明確。其一，3D視覺正迎來爆發前夜，成為高質量研究成果和demo展示最密集的領域。本屆的最佳論文VGGT，就是一個能高效地從2D圖片中重建3D信息的端到端方案，一作王建元是華人研究員。其二，“世界模型”一詞無處不在，頻繁出現在各種論文、海報和研討會中，成為全場熱議的焦點。另外，包括謝賽寧、蘇昊、鄭奇立在內的多位華人學者亦獲得多項獎項與提名，中國研究員的活躍度和影響力持續提升。

與此同時，一個更宏觀的趨勢是：CVPR的學術界與產業界邊界正在快速模糊。會場隨處可見Meta、Google、NVIDIA的logo，大量參會者佩戴企業工牌，“從論文到產品”成為熱門議題。一位連續參會者告訴我們，今年的CVPR更像是一場技術和產業界緊密結合的大集市，一個全球視野下技術人才、成果、場景三位一體的競速場。

而就在“前沿技術趨勢”、“產業深度融合”和“華人力量崛起”這三大焦點的交匯處，一個來自中國的身影顯得尤為特別。

在今年CVPR自動駕駛分論壇（WAD）上，小鵬世界基座模型負責人劉先明發表了題為《Scaling up Autonomous Driving via Large Foundation Models》的主題演講。與眾多“論文參會型”企業不同，小鵬汽車是作為唯一受邀的中國車企，帶著在工業領域的重磅實踐經驗登場。當其他參會者分享還在探討“如何將研究成果應用于產業”時，他們的主題恰恰相反：如何用產業的真實數據和研發經驗，來推動基礎科研的邊界。

劉先明在CVPR 2025 WAD分論壇。| 圖源：硅星人

講臺上，劉先明的開場白簡單直接：

“我大概是今天唯一一個來自大規模量產汽車公司的分享者。”

這番話點明了演講的獨特視角：接下來的內容，將來自一個每天處理真實道路、真實用戶和海量量產車數據的研發團隊。在場的AI學者們將聽到的，不再是純粹的理論推演，而是一套在產業一線被反復捶打和驗證過的解題思路。

這是小鵬自今年 4 月發布 720 億參數的“世界基座模型”以來，首次在國際學術頂會上完整披露其自動駕駛研發進展。不僅帶來了工業界首次對“擴展法則”（Scaling Law）在自動駕駛領域的系統性驗證，結合“云端基座模型 + 強化學習”的方法論，還公開了已被 DeepSeek 驗證的“知識蒸餾”路徑，將 VLA（Visual-Language-Action）模型高效部署在自研芯片上的最新實踐。

一場由“工業界反哺學術界”的大型案例分享，就此展開。

1

軟件3.0：先造好“駕駛大腦”，再考慮怎么上車

在劉先明看來，自動駕駛軟件正在經歷一場范式革命。從十年前靠C++ 規則堆砌的“軟件 1.0”， 到引入模型來逐步替代軟件、漸漸發展到“模型即軟件”的“軟件 2.0”，再到如今小鵬全面投入的“軟件 3.0”階段，核心理念已經發生了根本性轉變，“軟件3.0”時代的最大特點是用模型生產模型。

在小鵬汽車的實踐中，就是先“不計成本”地把最聰明、最強大的“駕駛大腦”在云端訓練出來，暫時不用考慮車上那塊小芯片的計算能力。等到云端模型能力足夠強大，再通過技術手段將其蒸餾成適合車端運行的版本。目前，小鵬訓練的這個“完全體”基座模型，參數規模高達720億(72B)，是現在行業主流VLA模型的35倍以上。

模型背后，是一座真正意義上的“云端模型工廠：它擁有算力達10EFLOPS、上萬張GPU卡的智算集群，并采用專門優化的數據傳輸架構，將訓練速度提升了5倍。更重要的是它的“數據引擎”——一個龐大且持續運轉的數據飛輪。

相比很多公司要依賴有限的公開數據集或單次采集任務，小鵬的一大優勢在于，其數據采集能力“不受限制”，直接來自大規模量產車隊。小鵬汽車的基座模型累計處理了超過5000萬段30秒視頻片段，總計超40萬小時訓練數據，平均每天上傳數據達600TB，這些數據全都來自真實世界、真實場景。這些數據采集由超過100種觸發機制驅動，確保了數據的多樣性和價值。

圖源：小鵬汽車

更重要的是，這些數據并非“采了就用”，而是通過一套“內外雙循環系統”持續驅動模型進化。

劉先明在演講中介紹，“我們的基座模型不是靜態的，它在持續學習、循環進化（Continued Online Learning）。可以把模型的迭代過程分成內、外兩個循環，內循環是指包含預訓練、后訓練（包括監督精調SFT和強化學習RL）和蒸餾部署的模型訓練過程；外循環，是指模型在車端部署之后，持續獲取新的駕駛數據和用戶反饋，數據回流云端，繼續用于云端基模的訓練。”

正是這種“數據飛輪”機制，讓小鵬的大模型訓練始終處在動態進化狀態，也為攻克自動駕駛行業長期面臨的“長尾場景”難題提供了充足的數據保障。

現場觀眾評價小鵬汽車“軟件3.0”觀點。| 來源：硅星人

1

擴展法則鐵證：為自動駕駛領域的“暴力美學”正名

支撐這套“先做大、再做小”邏輯的，是一項關鍵的實驗結果，也是小鵬此次分享最核心的貢獻之一：擴展法則（Scaling Law）在自動駕駛領域是有效的。

在語言大模型（LLM）領域，擴展法則已被反復驗證，即模型性能隨著計算量、數據量、參數規模增加而系統性提升。但在充滿不確定性的自動駕駛物理世界里，輸入是復雜的多模態信號，輸出需要實時行為決策，“越大越強”是否依然是鐵律？

小鵬團隊此次通過大規模實驗首次公開驗證了這一點。

他們在CVPR展示的圖表顯示，當模型參數量從10億增加到720億，以及訓練視頻片段數量從100萬增加到3000萬時，衡量軌跡預測精準度的關鍵指標——縱向平均位移誤差(Long ADE)——呈現出一條近乎完美的、持續下降的曲線。這意味著模型預測未來軌跡的精準度，確實隨著其規模增加而系統性提升。劉先明補充道：“目前為止，我們還沒有看到這個趨勢出現飽和。”

圖源：小鵬汽車

這為小鵬“軟件 3.0”路線提供了強有力的數據支撐，也向整個行業證明，在自動駕駛這條賽道上，依賴“海量高質量數據+大模型驅動”，是一條清晰可見、回報確定的技術路徑。

1

CoT鏈式推理 + 強化學習，教汽車“思考”怎么開

但光有規模還不夠，如何讓這個“大力士”擁有“繡花針”般的精細操作能力？小鵬展示了其在大模型能力塑造中的關鍵策略組合——鏈式推理（Chain of Thought, CoT）+強化學習（RL）。

這就好比是教一個新手司機成長為老司機的過程。

第一步：用CoT，讓AI學會分步驟思考

新手司機開車，往往是“看到障礙物，踩剎車”的本能反應；老司機則會在腦中進行一連串的思考：“前方有障礙，我需要減速。看一眼后視鏡，右后方沒車。打轉向燈，平穩地向右并線繞行。”CoT正是要賦予AI這樣的能力。

在模型訓練中，先通過大規模圖文數據建立基礎語義理解；接著在監督微調（SFT）階段引入CoT機制，讓模型在做出關鍵決策前生成一段推理鏈，包括環境描述、邏輯分析和動作規劃，提升可解釋性和魯棒性。劉先明說：“很多復雜場景需要分步驟思考，CoT正好賦予了模型這種思考時間。”

圖源：小鵬汽車

第二步：用RL，讓AI在試錯中進化

思考能力有了，但面對未知極限場景，模仿學習難以應對——“L3/L4自動駕駛很多極端情況是靠模仿學不會的，”劉先明坦言。這時RL就派上用場了。類似教孩子騎車，騎得穩有“愉悅”的獎勵，快摔倒有“恐懼”的懲罰，最終在不斷的試錯和調整中學會。RL也是同理，通過“獎勵與懲罰”機制，讓模型在虛擬環境中不斷試錯，自主尋找最優駕駛策略。劉先明舉例說：在一個U型掉頭場景，未優化的模型動作僵硬，甚至可能撞上路沿；而經過RL訓練后，模型會主動減速，以優雅平滑的路線完成掉頭。

圖源：小鵬汽車

為實現這一點，小鵬打造了完整的RL訓練體系，包括：Reward Function（強化安全、效率、合規駕駛能力）、Reward Model（從真實用戶接管和反饋數據中學習“好駕駛”行為）、World Model（虛擬博弈環境，支持高復雜動態交互）。可以說，RL讓大模型真正具備了面對復雜現實場景“悟”出解決方案的能力。

圖源：小鵬汽車

1

最后一公里：從云端大模型到車端自研芯片

有了這個既會“思考”、又能進化的云端大腦，下一個挑戰也是最現實的問題——如何將它裝進每一輛車里。

小鵬的軟件解法，是通過“知識蒸餾”路徑，將 720 億參數的基座模型能力提煉為適配車端算力的小型模型。在部分實車測試中，甚至實現了未蒸餾小尺寸模型的直接控車，顯著提升駕駛的平滑性與安全性。

而硬件解法，則是另一張王牌：自研芯片。就在 CVPR 舉辦期間的 6 月 11 日晚，小鵬正式發布其最新車型 G7——全球首款 L3 級AI汽車，首發搭載三顆自研圖靈 AI 芯片。

圖源：小鵬汽車

這款芯片在性能上尤為引人注目：單顆芯片有效算力達到英偉達 Orin的三倍；三顆協同工作后的總算力達 2200 TOPS，相當于 9 顆 Orin-X 的效能。集成小鵬自研智駕系統后可實現接近 100% 的算力利用率（相比通用芯片約 70%–80%），最高可在本地實時運行 300 億參數大模型，為高階自動駕駛提供了充足的冗余能力。

這塊強大的端側基石，配合小鵬云端具備5天一輪迭代能力的“云端工廠”，以及年內將突破2億clips的訓練數據目標，最終構建出了一套“云端訓練-車端部署、軟件定義-硬件優化”的自循環完整技術路徑。

圖源：小鵬汽車

1

結語：一份來自真實世界的行車報告

小鵬汽車的這場CVPR分享，并沒有太多華麗辭藻。它更像一位資深研發員攤開設計圖與實驗數據，向同行們細致講述團隊是如何一步步解決問題的。從驗證Scaling Law，到拆解“思考型”模型的訓練細節，再到公布軟硬一體的部署方案，小鵬帶來的是一套完整的、在真實世界里跑出來的工程體系。

更重要的是，它打破了“學術→工業”單向傳導的慣性，展示了工業界如何通過海量真實數據、扎實工程實踐，反哺學術探索、為物理世界AI打開全新可能性。

當理論照進現實，那些來自道路的真實挑戰和數據，正在定義著自動駕駛的下一程。

點個愛心，再走 吧