问题——从“能用”到“好用”，智能驾驶迈向更高阶能力的瓶颈如何突破 随着智能驾驶从基础辅助功能向更复杂场景拓展，行业普遍面临“长尾场景”难题：交通标志缺失、道路形态不规则、突发施工、恶劣天气以及多主体博弈等情形，往往导致系统需要频繁人工接管。如何确保安全前提下减少不必要的干预、提升连续性与舒适性，成为车企竞争的新焦点。3月16日，小鹏汽车举办首次线上互动直播，企业负责人就用户关注的版本差异、推送节奏、能力边界等问题集中回应，并对第二代VLA模型能力进行说明。 原因——技术范式加速更迭，“规则驱动”遭遇边界，“端到端”寻求泛化解法 业内长期采用的方案多依赖规则与工程经验构建安全边界，但在复杂、变化快且难以枚举的路况中，规则体系易出现覆盖不足、维护成本高、跨区域适配慢等问题。小鹏上表示，第二代VLA的核心方向是减少对手工规则的依赖，通过模型直接学习海量驾驶数据，提升对真实交通环境的理解与迁移能力，目标是“上线即可跨区域使用”。企业同时强调，安全仍是底线，模型的稳定性、一致性与可控性是量产推送的首要前提。 影响——分层推送与产品分级明确，竞争焦点从硬件堆叠转向底层能力与闭环效率 根据直播披露的信息，第二代VLA将采取分阶段升级：3月19日起先对P7 Ultra、G7及X9 Ultra等车型逐步推送，随后扩展至上述车型更多用户，计划本月内完成首批覆盖；4月起推送范围更扩大至2026款P7+、G9、G6及G7部分版本，并覆盖不同动力形式。同时，企业明确“分级能力”思路：Ultra版本侧重更高阶全场景能力储备；Max版本定位于主流高频场景的辅助驾驶能力，并计划通过“蒸馏”等方式在下半年实现更多车型适配。 针对外界对“试用版本与量产版本是否一致”的疑问，小鹏涉及的负责人以版本迭代路径作出解释，称媒体体验与即将推送版本属于不同迭代分支，量产版本在一致性与稳定性上按量产标准进行收敛，不存所谓“特供”模式。此表态，意在回应用户对实际体验落差的担忧，也反映出当前行业对量产可用性、可复现性的高敏感度。 对策——以真实道路长距离验证能力，强调以数据与工程体系共同保障安全 为验证“去规则化”路线的泛化表现，小鹏上介绍了从喀什至上海约5000公里的长距离道路测试，覆盖高速、国道、乡道以及暴雨、沙尘等复杂天气。相关反馈显示，系统在长时间连续行驶中接管频率有所下降，驾驶过程更平顺。企业还提出在同类复杂路况下，系统接管次数相较行业平均水平显著减少，并以内部对比测试称同一路段、同一时段下差异较为明显。 值得关注的是，任何关于“接管次数”的指标都受道路类型、交通密度、驾驶策略与统计口径等因素影响。业内人士指出，衡量智能驾驶水平不能只看单一数据，更应结合失误类型、风险处置、边界提示、功能退出机制以及人机共驾体验等维度综合评估。对车企而言，持续完善数据闭环、仿真验证、道路测试与质量管理体系，建立可追溯、可解释、可迭代的工程机制，是把新模型能力稳定带到用户端的关键。 前景——2026年前后竞争或进一步升温，胜负手在于“理解物理世界”的能力与安全体系 当前，多家车企正推动端到端模型上车，行业竞争从“有没有NOA”转向“在非标准场景能否稳住”。部分企业选择“模型为主、规则兜底”的混合架构，以降低极端场景的不确定性；也有企业尝试进一步减少规则占比，押注模型能力提升带来的规模化收益。路线分化背后，是对安全实现路径的不同选择：一类强调以边界约束降低风险，另一类强调以学习能力覆盖更多真实世界变化。 可以预见的是，随着法规要求、用户教育与道路基础设施差异并存，智能驾驶不会一蹴而就。行业下一阶段的核心议题，将集中在量产一致性、风险分级处置、数据合规与责任界定等。谁能在安全底线之上，把复杂场景的处理能力做得更稳、更可控，并形成高效率的数据闭环与持续迭代机制，谁就更可能在下一轮竞争中占据主动。
从分阶段推送到长途实测，小鹏此次展示出智能驾驶正从功能扩张转向能力沉淀；真正的挑战在于将复杂道路转化为可学习的数据，把不确定性变为稳定体验。未来竞争中，安全基础上的泛化能力和高效迭代机制将成为制胜关键。