【2026年4月23日】近日，耶鲁大学管理学院举办了年度 Responsible AI in Global Business Conference。作为全球AI领域具有影响力的交流平台之一，本次大会聚焦AI在真实产业中的应用与社会影响，汇聚了来自学术界、政策界与产业界的多方代表。小鹏集团受邀参与其中最具技术深度的板块——具身智能核心论坛。

编辑

搜图

代表小鹏参与本次分享的是通用智能中心首席编译器架构师Vijay Raghavan。Vijay拥有超过30年的行业经验，毕业于康涅狄格大学并获得博士学位，曾在SambaNova Systems、Cruise LLC 及MathWorks等公司担任核心技术领导角色，并且是 Matlab - Stateflow 的创始工程师。Vijay于2025年加入小鹏，他基于在编译器、系统架构及AI基础设施领域的深厚积累，从系统与真实场景落地出发，在现场系统分享了小鹏在自动驾驶与具身智能方向的实践。

具身智能是物理AI将智能带入真实世界的基础框架，该论坛讨论围绕AI如何从“理解世界”走向“作用于真实世界”展开。这一议题也被视为AI走向更广泛物理AI阶段的重要体现，即从数字空间延展至对现实世界。围绕这一方向，来自耶鲁、产业界以及前沿创业公司的专家共同探讨了：

• 从“生成内容”到“驱动物理世界”的技术跃迁
• 模型能力、工具链与硬件之间的协同演进
• AI在真实环境中落地时所面临的可靠性与安全性挑战

具身智能为什么当前会如此引人注目，在Vijay看来，人们相信“我们最终能够在现实环境中打通感知、推理和行动的闭环”。在技术层面，相较此前，如今的多模态模型变得更强大、仿真做得更好、传感器和专业的硬件变得更成熟了。Vijay结合小鹏在自动驾驶与系统架构上的实践，提出了一个关键观点：真正的挑战不在于模型“是否足够聪明”，而在于系统是否能够在真实世界中“稳定、安全、实时地运行”。 这一观点也引发了现场广泛共鸣。

当被问及“机器人从编译器到芯片的技术栈，与云端大模型的根本区别是什么”时，Vijay指出，云端可以用更多基础设施去掩盖效率问题，但在机器人领域这条路行不通。机器人系统始终运行在严格的物理边界内——延迟、功耗、内存、散热乃至成本都被硬性限制，同时还要保证行为的可预测性。因此，“从编译器到芯片”完整技术栈的重要性不言而喻。

关键问题也随之改变：不再只是模型在抽象意义上是否足够准确，而是模型、运行时、调度器和硬件能否协同工作，在约束之下实现有界延迟（bounded latency）与可靠执行（reliable execution）。在机器人领域，时序本身就是定义“正确性”的关键维度。

至于下一代基础模型能否端侧运行，答案是可以，但前提不是简单迁移，而是围绕系统约束进行重构——包括硬件感知的模型设计、压缩与量化、选择性执行（selective execution），以及分层架构（hierarchical architectures）。本质上，安全与实时性定义了系统边界：模型必须适配系统，而不是让系统去迁就模型。

小鹏第二代VLA之所以实现显著的性能跃迁，源于其在“芯片—算子—模型”层面的全链路优化与协同创新：基于自研图灵AI芯片，针对性优化算子，让每一TOPS算力发挥到极致，实现模型推理效率提升12倍；同时，通过软硬件协同，构建自研模型编译器与软件栈，使得规模10倍于行业主流模型的车端模型可以高帧率运行，持续释放性能上限。

面向未来，物理AI的竞争正从单点模型能力转向系统级协同效率。小鹏的实践表明，只有打通从底层硬件到上层智能的完整链路，才能推动物理AI加速走向规模化、可验证的现实落地，此次在国际舞台上分享物理AI落地的思考和实践，期望为行业持续提供可参考的路径与经验，共同促进物理AI的发展。