小鹏成立 12 年，终于让一辆车增加了 30 秒记忆。听上去像一笔极不划算的时间买卖。

毕竟，今天随便一个大语言模型都能吞下几十万字的上下文。它可以记住一份财报、一部小说，甚至你半年前随口说过的黑历史。相比之下，一辆售价几十万元、装着多颗 AI 芯片的汽车，记忆只有 30 秒，多少显得有点寒碜。

但在物理世界里，30 秒并不短。时速 90 公里时，汽车 30 秒能跑 750 米。一个行人从路边探身、犹豫、后退，又突然折返；一辆右侧车辆连续几次压线，随后加速抢进车道；前车的刹车灯亮了两次，车流开始像手风琴一样收紧。单看其中任何一帧，AI 可能都认得出人、车和道路。把这些瞬间串起来，它才有机会明白一件更重要的事：接下来会发生什么。

8 月 27 日，小鹏在广州发布第二代 VLA 的首次重大升级。新版本端侧模型参数量扩大 3.5 倍，Infini-VLA 架构可以保留此前 30 秒的道路信息，流式推理让端到端响应速度提升 300％，X-Foresight 则尝试推演未来 6 秒的场景。全新 XOS 6.3.0 将由小鹏 G9L 首发搭载。

AI 开始理解时间。

自动驾驶最大的盲区，藏在上一秒

过去很多智驾系统像一群分工明确、但互相不太熟的部门。

感知模块负责认出前方有一辆车，预测模块计算它可能往哪走，规划模块决定减速还是变道，控制模块再把决定变成方向盘和踏板动作。

前一个部门传错一句话，后面所有人都可能一本正经地做错事。

端到端模型把这些环节压进同一个网络，减少了信息在模块之间搬运时的损耗。然而，如果模型主要盯着当下画面，它依然更像一个反应很快的新手司机。看见加塞再刹车，看见行人迈步再让行，每次都答对了眼前这道题，却没有读懂整张卷子的上下文。

老司机的经验往往不在“看见了什么”，而在“看见它怎么变成现在这样”。

右侧那辆车是不是要加塞，关键并非它位于右侧，而是它刚才还与前车保持距离，现在却连续贴近车道线？物理世界中的危险很少突然生成，它通常先露出一小截因果关系。

所以，小鹏这次把 30 秒历史、实时推理和 6 秒预测放在一起，意义不只是“看得更久”。它试图让历史、现在与未来同时进入一次驾驶决策。

这有点像教人下棋。只问下一步落子，背棋谱就够了。逼他推演六步以后，才看得出他究竟懂不懂棋。

让 AI 多想一会，汽车却不能等

问题随之而来：历史越长、未来越远，计算量越大。

聊天机器人多想两秒，用户顶多敲敲桌子。时速 90 公里的汽车多想两秒，已经向前冲出 50 米。

这正是此次升级最值得看的矛盾。模型既要获得更长的记忆和更复杂的推演能力，又必须在车端有限的算力与功耗里实时运行。想得更多，反而要答得更快。

小鹏的办法，是把过去那种“看、计算、输出、再看”的离散流程，改成持续接收画面、持续推理、持续行动的流式过程。

旧画面里已经算过的内容尽量复用，关键时刻投入更多计算，不重要的视觉信息则压缩掉。它追求的不是让汽车写出一篇漂亮的思维过程，而是留下几个真正影响动作的判断：减速、等待、准备变道。

X-Foresight 披露的训练数据包含约 28 万小时驾驶视频、3400 万个最长 30 秒的片段和 7 路环视摄像头。在同规模的内部对照中，引入预测式世界模型后，碰撞失败率从 0.228％降至 0.191％，相对下降 16.2％。

AI infra比单个模型更加重要

小鹏称，目前一次模型训练的数据吞吐量已经超过 1 亿个视频片段，比半年前提高 10 倍。此前公布的 X-World 系统拥有超过 50 万个仿真场景，每天完成相当于 3000 万公里真实道路的模拟测试。2025 年，小鹏研发投入达到 94.9 亿元，同比增长 47％。

这些数字拼出的并非一个“更大模型”的故事，而是一座模型工厂：车队把真实世界的异常送回来，系统从海量视频中找到值得训练的片段，世界模型在仿真中反复制造难题，评估工具筛出退步与风险，新模型再被压缩、部署回车端。

真正稀缺的并非数据，而是从一百万次“无事发生”里捞出一次“差点出事”的能力。

一段普通的直路行驶视频，存一万遍也不会自动变成壁垒。难的是给数据建立语义，找出陌生场景，把同一个危险动作放进不同光线、天气和国家的道路里反复验证。

机器只有 30 秒记忆，公司必须有十年记忆。

这也解释了小鹏为何反复强调 AI Infra。

汽车行业过去的核心资产是工厂、供应链和经销网络；到了物理 AI 阶段，模型迭代系统开始变成另一条生产线。

谁能稳定地生产下一代模型，谁才可能吃到规模效应。

从 2014 年成立算起，小鹏走了 12 年，把汽车的记忆向过去拉到 30 秒，又把它的目光向未来推了 6 秒。对人的一生来说，这点时间微不足道；对一辆正在驶过路口的车来说，已经足够把一次条件反射变成一次提前判断。

人类依靠时间理解世界，机器也开始补这门课。每一条真实道路，都是考场。