小鵬汽車近日在其新品發布會上宣布，將在其售價20萬左右的純電動車型上搭載高達2200+TOPS的算力，這一創舉在業內引起了廣泛關注與熱議。不少人對小鵬的技術實力表示贊嘆，認為這標志著智能駕駛技術的新里程碑。然而，也有質疑聲認為，通過3顆自研芯片堆砌出的高算力是否過于“奢侈”，并質疑這種算力堆疊的實際意義。

針對這些質疑，小鵬在發布會上已給出了明確回應：核心目標在于實現大模型的本地部署。這一戰略包含兩個關鍵點：一是大模型，二是本地部署。在AI時代，更大的模型往往意味著更強的能力，遵循Scaling Law定律，模型參數量越大，效果往往越好。

那么，什么樣的模型才能被稱為“大模型”呢？目前，受限于車規級芯片的算力，車端部署的模型通常經過輕量化處理，實際部署的模型參數量常在50億以下，如理想的VLA司機大模型僅為40億參數，尚稱不上“大”。相比之下，小鵬的自動駕駛云端基座模型已達到720億參數，這才是真正意義上的大模型，但受限于算力，無法在車端實現本地部署。

為了解決這一矛盾，小鵬選擇將大模型部署到車端，于是我們看到了3顆圖靈AI芯片組成的2200TOPS算力系統，最高可支持300億參數的模型。300億參數意味著什么？以小鵬的基座模型為例，從720億參數縮減到300億，可能只需進行結構化剪枝和MoE轉換，但從720億縮減到70億，則可能需要重構，性能差距顯著。

或許有人疑問，在5G時代，為何不使用云端大模型以降低車端算力需求？這涉及到了本地部署的必要性。對于LLM等應用，云端部署確實具有優勢，可以并行處理多個需求，降低成本。但行車模型對時延和幀數要求極高，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，這意味著從感知到結果回傳的總耗時需在50毫秒內完成，云端部署難以實現。

即便解決了延遲通信問題，也難以完全避免網絡波動或通訊失效的風險，這可能導致車端系統降級甚至癱瘓，影響用戶體驗和行車安全。另一個關鍵點是全球化，本地部署無需聯網運行，避免了數據傳輸的合規問題，使得模型可以在全球范圍內快速部署。

綜合來看，大模型的本地部署被認為是車端智能駕駛的最優路線。小鵬雖然尚未激進地將基座模型直接搬上車，但已選擇將VLA+VLM模型部署到G7車型上。具體來說，G7使用2顆圖靈芯片（共1400+TOPS）運行VLA模型，另1顆圖靈芯片（700+TOPS）運行VLM模型，芯片間通過PCI-E通信。

這種分工基于小鵬對人腦功能的理解，認為車或機器人也應以能力對算力進行區分。VLA負責運動和決策，需要更大的算力以保證每秒20幀的性能；而VLM負責整車感知，如接收指令、識別路牌等，對算力需求相對較低。即便如此，本地部署的VLA+VLM也已展現出強大的想象空間，如小鵬在發布會上提到的“智駕能力比Max車型高10倍以上”等。

這一切的基礎，正是小鵬汽車所強調的大算力。隨著小鵬G7的全球首秀臨近，業界對這款車型充滿了期待。