小鵬汽車近日在全球首秀上，發布了一項令人矚目的技術創新，其在20多萬價位的純電動車型上配置了超過2200TOPS的算力，這一舉措無疑開創了行業先河。然而，這一決策也引發了廣泛討論，部分聲音質疑這是否僅僅是一種“堆料”行為，對一味追求算力提升的意義表示懷疑。

針對這些質疑，小鵬汽車在發布會上已做出明確回應。其核心觀點聚焦于大模型的本地部署，這一策略包含兩個關鍵點：大模型與本地部署。在AI時代，模型的能力與參數規模成正比，遵循Scaling Law定律，參數越多，模型表現越佳。然而，受限于車規級芯片算力，目前車端部署的模型普遍經過輕量化處理，實際部署的模型參數量往往在50億以下，如理想的VLA司機大模型僅為40億參數，遠未達到“大模型”的標準。

小鵬的自動駕駛云端基座模型則擁有720億參數的規模，這才是真正意義上的大模型。然而，由于算力限制，這一模型無法在車端實現本地部署。為了突破這一瓶頸，小鵬選擇了將大模型部署到車端，通過3顆自研的圖靈AI芯片，提供2200TOPS的算力，支持最高300億參數的模型運行。從720億到300億，或許只需通過結構化剪枝和MoE轉換即可實現，性能差距遠小于從720億到更小的模型規模的轉換。

有人或許要問，既然5G時代已經到來，為何不考慮云端大模型？這確實能降低車端算力的需求。然而，行車模型對時延和幀數的要求極高，云端部署難以滿足。何小鵬在發布會上提到，VLA模型至少需要達到每秒20幀才能保證足夠的行車能力，這意味著從感知到數據傳輸、云端處理再到結果回傳的總耗時必須在50毫秒以內完成，這在云端部署中難以實現。網絡波動和通訊失效的風險也無法完全避免，這可能導致車端系統降級或癱瘓，影響用戶體驗和系統安全。

另一方面，全本地部署、無聯網運行還意味著沒有數據傳輸的合規問題，這使得模型具備在全球范圍內快速部署的能力。只需在部署前針對當地市場進行本地化訓練，即可滿足不同地區的需求。

在小鵬G7車型上，這一策略得到了具體體現。G7采用2顆圖靈芯片（共1400+TOPS）運行VLA模型（VLA-OL，具備自主強化學習能力），另1顆圖靈芯片（700+TOPS）則用于運行VLM模型。這種架構下，VLA負責車輛的運動控制，如同大腦和小腦；而VLM則負責車輛對世界的感知，如同整車的大腦。VLA需要更大的算力來保證每秒20幀的性能，而VLM則只需每秒幾幀的性能即可滿足需求。

盡管如此，本地部署的VLA OL+VLM組合仍然給人留下了巨大的想象空間。何小鵬在發布會上提到的“智駕能力比Max車型高10倍以上”，“VLA-OL讓車輛主動思考、理解世界”，“VLM讓車像一個真實的人”等描述，都基于這一大算力平臺。這一切的實現，都離不開大算力的支持。

隨著小鵬G7的全球首秀，這一創新技術也將接受市場的檢驗。無論是對于小鵬汽車還是整個汽車行業來說，這都是一次具有里程碑意義的嘗試。

在未來，隨著技術的不斷進步和市場的逐步成熟，我們有理由相信，更多創新技術將不斷涌現，推動汽車行業向更加智能化、自動化的方向發展。