階躍+千里模式，“蔚理小小”該有危機感了

文 | X研究媛

大模型港股“雙子星”智譜和MiniMax熠熠生輝，股價暴漲，階躍似乎也按耐不住了。彭博社爆料階躍即將登陸港股。

僅僅一個月前，階躍星辰才官宣完成B+輪超50億的融資，超過智譜和MiniMax的上市募資金額。外面的通稿說，這50億人民幣押注的，是大模型落地的第一大“端口”，車；50億對價的是基礎大模型商業潛力，未來的想象力變現，比如機器人。

與資本押注階躍AI+車、AI+終端的預期不同，智譜和MiniMax最近夸張的市值攀升，背后邏輯可能是這兩家國產大模型在vibe coding、在基模上站在了技術全球第一梯隊，它們拿出了超出預期的產品硬通貨。大模型時代，技術實力直接等同于商業潛力，有強悍技術就有品牌影響力、口碑、用戶。

智譜和MiniMax之后，階躍登陸港股會講一個什么故事？出任階躍董事長的清華姚班AI天才印奇，在AI 1.0 深度學習CV和NLP時代郁郁不得志，2.0大模型時代直接“滿配”——左手階躍右手千里，引入榮耀前CEO趙明完成“AI+車”商業閉環。

當階躍和千里深度綁定，直奔“特斯拉+xAI”模式，頂尖大模型賦能的智駕，巨量的車端數據，有切換玩法清空積累重置系統的威力。

階躍融50億后再登陸港股，未來沖擊的可能是八桿子打不著的“蔚理小小”，它們花大力氣自建的智駕和基模，可能還不如第三方，它們努力的價值正被稀釋，成本風險卻在一步步積累。

先拋一個暴論：大模型時代，智駕可能會“去車企化”

圖片來源于《張小珺商業訪談錄》

大模型吞噬一切，絕不是狼來了的吆喝。當更高維的技術下放的時候，車、機器人、智駕，都會變得“面目全非”，核心技術研發的優先級會重排次序，行業會洗牌，甚至會消亡。

智駕技術近年發展軌跡有一條非常清晰的主線：感知、規劃、控制層都在快速大模型化，不同傳感器數據類型，原來前置的CV算法trick都被納入統一的端到端神經網絡。深度學習開始主導3D重建和運動預測，Transformer架構、強化學習方法、擴散模型、乃至世界模型仿真成為進步的核心驅動力。

蔚理小小心里其實非常清楚，三電系統、激光雷達、算力芯片已經收斂成基本透明的標準件，競爭的標尺逐漸讓渡于天量的車端駕駛數據如何快速學習和泛化，梯度流動、下降、模型整體的參數收斂，才是重中之重。

“我們人類為什么有很強的適應性，是因為我們人類的基礎智能非常高。智駕系統，它本質上全鏈路的模型比例越高，通用智能越強，它未來的適配性就越好。”

“含模量是智駕的第一性原理。”

走馬上任階躍董事長的印奇在2026CES的這句話，讓我印象尤其深。

這句話我的延伸理解是：智駕不是智駕，機器人不是機器人，車不是車，手機也不是手機，它都是萬千變化的“軀體”，離不開“宗”——智能，是當下站在舞臺中心的大模型。

車企研發智駕大模型，是從肌肉到大腦的演化，是從下到上。大模型切入智駕和座艙，是大腦某些能力的場景收斂，從上到下。從下到上，和從上到下，過程阻力是不一樣的。

資本的視角，從終局看，智駕系統將不是單純車企可以玩轉的。蔚小理等車企的“全棧自研”可能正在成為一種高昂的、不可持續的“戰術勤奮”，大模型原生企業將接管智駕的終局。

長期以來，汽車行業對自動駕駛的理解：認為駕駛是一項特定任務。在這個邏輯下，只要給機器足夠多的感知數據（視覺、雷達）、足夠精細的高精地圖、足夠復雜的控制邏輯，就能解決駕駛問題。

然而，2026 年的共識是：智駕系統不是機器視覺的延伸，而是通用智能（AGI）在物理世界的一次具身投射。 駕駛不僅是路況識別，它是對物理規律的理解、對人類博弈心理的捕捉，以及對萬物常識的調取。這種“全腦參與”的智能，決定了只有頂尖的基礎大模型（Foundation Model）才能收斂出頂尖的智駕系統。而這正是自研車企很難跨越的鴻溝。

智駕從“模塊化編程”到“端到端大模型”，這種范式轉移不僅僅是代碼量的增加，而是底座的某種徹底重構。車企正面臨從“制造邏輯”向“計算邏輯”轉型，這個過程注定非常艱難。李想談“理想”要轉型AI 公司，目標國內大模型Top3，背后是有巨大的危機意識。

只學開車，可能永遠不會開車

駕駛中包含了大量的“非駕駛知識”。人類在駕駛時，并非只在觀察車道線和障礙物。

它有物理常識的推演。比如當你看到路邊有一個滾動的皮球，你的大腦會瞬間跳過“檢測到圓形物體”的步驟，直接給出“后方可能有小孩沖出”的預測。這種推理依賴于對社會學、人類行為學和物理慣性的深刻理解。

更有語義理解的博弈。在狹窄小巷遇到對向來車，司機之間的眼神交流、微小的車頭挪動、甚至對對方車型（如對方是急救車還是私家車）的認知，決定了博弈的勝負。

當車企智駕系統過擬合（Overfitting），它們在海量的駕駛數據中尋找相關性，而非因果律。這種基于模式識別的“小聰明”，在面對極長尾的 Edge Cases（邊緣場景）時會瞬間崩塌。

智駕系統泛化到極端場景，而且不僅僅是在最后一刻做出反應，而是具有“前瞻性的安全性”（proactively safe）。特斯拉AI和自動駕駛負責人Ashok在Tesla ICCV 2025 Foundational Model for FSD展示了一個讓人印象極其深刻的例子。

這是一個自動駕駛系統在高速公路上運行的演示。

“我們前面的車失控了，撞上了護欄，自動駕駛系統安全地靠邊停車了。但真正有意思的是，如果你再看一遍視頻，在剎車的那個點暫停。如果你注意到這輛車，它正在失控打轉，即將撞上護欄，然后會反彈回我們的車道。這需要極高的智能才能預判到。”

圖片來源于公開演講

“這不是一個“一階碰撞”（first order collision）。在這一幀，特斯拉就已經判斷出這輛車有問題了，并開始剎車。它沒有等到那輛車撞上護欄反彈回來，或者速度發生變化時才反應。這是一個它需要建模的“二階效應”（second order effect）。”

圖片來源于公開演講

“它本可以把這誤判為那輛車在變道，但它沒有。它請求了大約 4 米每平方秒的剎車加速度，這不是一個輕微的剎車。這只有在你擁有海量數據、覆蓋了所有這些極端案例的情況下才可能做到。這就是你如何通過一個擁有海量數據的端到端系統，來同時提供安全且平穩的駕乘體驗。因為一個不夠智能的系統會等到方向改變或壞事實際發生后才行動，而（特斯拉的FSD）遠在此之前就已經（預判）了。”

FSD 可以識別隨機路人的手勢，招手停車，揮手通行。FSDV14版本一段自動停車、用戶取餐、刷卡、車輛等待用戶拿到信用卡、適時啟動更是引發了恐怖谷效應，“它似乎成精了”。

FSD已經聰明地不像一個智駕系統，因為特斯拉可能已經先人一步明白，智能上不完備的領域模型其實有根本局限。

智能涌現需要冗余，AI Infra是隱形的護城河

智駕大模型 vs. 大模型智駕，這里存在一個深刻的悖論：服務于智駕的大模型（Domain-Specific）： 它被訓練去識別紅綠燈、預測軌跡。它的知識邊界被限制在路面上，它是一個“優秀的司機”，但它沒有“靈魂”（缺乏常識背景）。

頂尖的基礎大模型： 它理解牛頓力學、理解法律道德、理解人類的情緒變化。當它被灌輸駕駛數據后，它對路況的理解是更高維、更完備的。從系統完備性角度看，System 1 與 System 2 的融合，全腦參與的駕駛邏輯，才能導向真正的自動駕駛。

《思考：快與慢》作者丹尼爾·卡尼曼將人類思維分為：

• System 1： 直覺、本能、快速反應（對應現在的端到端感知規控）。
• System 2： 邏輯、推理、慢速規劃（對應智駕系統在復雜路口和情境的思考）。

事實上，人類開車是全腦參與。當你看到前方有積水，System 2 會根據天氣、氣溫推測是否結冰，從而指令 System 1 降低車速。

車企的自研模型目前大多停留在 System 1 的加強版。由于缺乏基礎大模型的支撐，它們沒有真正的 System 2。它們能做出“動作”，但不懂“為什么要這么做”。只有原生大模型企業，通過大規模文本與視頻的預訓練，才具備了生成 System 2 邏輯鏈的能力。

自研車企目前的尷尬在于：為了過測試，模型被訓練得極其擅長處理特定的路口、特定的光照。這就是所謂的“過擬合”。

而一個頂尖的大模型，它在訓練中見識過量子力學、讀過世界歷史，它掌握的是世界的通用方程。駕駛對它而言，只是這套方程的一個特例。這種“降維打擊”帶來的魯棒性，是任何通過路測數據堆砌出來的系統都無法企及的。

智駕性能的上限，取決于其背后通用智能的深度。一個缺乏 System 2（慢思考、邏輯推理）能力的智駕系統，幾乎無法實現 L4/L5 級的可靠性。

人類學習開車只需要 20 小時，是因為人類帶上了此前 20 年積累的全部人生常識和物理直覺。如果一個智駕模型只學過開車，那它永遠也學不會真正的開車。

根據 Scaling Law（規模法則），模型的智能水平與計算量、參數量正相關。車企往往認為，只要我有幾千張 H100，就能跑通智駕模型。但這里忽略了一個事實：為了在“駕駛”這一特定任務上獲得 1% 的安全性提升，可能需要在“非駕駛”的通用知識上投入 90% 的算力。

原生 AI 企業（如 OpenAI, Google, 或頂尖第三方）的萬卡、十萬卡集群，訓練的是能夠理解萬物的通用底座。在這個底座上通過Alignment（對齊）和 Distillation（蒸餾）出來的智駕能力，具有天然的邏輯自洽性。

車企擅長制造硬件，但不擅長管理“算力流”。計算效率上， 原生 AI 企業對算子加速、分布式并行架構（TP/PP/DP）的理解是芯片級的。數據質量極其關鍵，智駕數據中有 99% 是無效的平庸數據，如何從海量視頻中提取具備“認知價值”的樣本，需要一套極其復雜的自動標注與合成數據系統。

更進一步，端到端的神經網絡訓練完成，還需要在一個虛擬的物理仿真和測試的世界模型中充分測試，實現有效的評估，評估的準確性難度很高但異常關鍵，它對模型的進化必不可少。

數據收集、仿真測試，這一整套系統的復雜度，甚至超過了智駕系統本身。

蔚小理目前的毛利空間，根本無法長期支撐每年數十億甚至上百億美金的 AGI 級投入。而投入到基座模型訓練競賽，強行偏離主業，效果大概率還不如第三方。從這個角度來講，車企如果不轉向第三方（具備基礎大模型能力的企業），其自研系統將迅速淪為“技術負債”。

還有AI Infra也是很難越過的門檻。獨立基模迭代，“千卡”是門票，“萬卡”是競賽，維持一個萬卡 GB200 集群的電費、冷卻及運維成本，足以吞噬一家中等車企全年的研發預算。而且車企的算力多為“采購囤積”，缺乏對算力底座的深度優化。

蔚小理未來可能意識到：自研大模型不是在造發動機，而是在嘗試獨立發明一種全新的“機器智能”。 面對萬卡集群、AI Infra 的極限門檻和通用智能的降維打擊，擁抱原生 AI 企業的第三方智駕底座，只有華山一條路。

汽車史上，并非每個車企都必須自研噴油系統或變速箱電控。當智駕大模型門檻越來越高，車企應該努力的方向：具身智能的場景定義、品牌情感鏈接以及整車工程的極致實現。

后話

智駕系統的終局，不是誰的車跑得公里數多，而是誰背后的基礎智能更深厚。資本選擇印奇去掌舵階躍星辰，給了50億，把千里智駕和基礎大模型整合，可能就是基于這一種判斷。

其實未來焦慮的可能不止車企。

大模型時代玩法真的變了。用戶只會為更好的大模型更先進的技術付費，而不是被迫follow某種精心設計的商業模式、屈從于產品慣性。如今商業模式創新可能遠遠不及技術創新，那一套等著別人試錯然后復制，再用潑天流量澆灌的“后發制人”，屢試不爽的套路可能面臨失效。

Scaling Law強調數據、模型（參數）規模、計算算力。算力卡有錢就行，可以量大管飽，但有錢并不能買來第一梯隊的模型。誰有更好的基模，誰有更多的高質量數據，誰才能在大模型時代上牌桌。

未來更多行業的入場券可能會變成基模和數據飛輪，并且越早入局越好。