小鵬拆掉語言模型：Language 是毒藥，簡單即美
小鵬自動駕駛新負責人劉先明把 VLA 裡的 Language 拆掉，用 27 萬到 30 萬小時純視覺數據直接輸出控制信號，因為 Language 是離散的、低效的，會成為數據規模化的瓶頸。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
拆掉 Language 才能讓數據流起來
劉先明認為，VLA 裡如果保留 Language 作為中間監督信號，就必然引入人的標註或質檢，數據使用效率會變得極低。他把模型比作機器，數據是燃料，燃料裡摻了 Language 這個環節就流不動。所以小鵬的做法是直接把 Language 拆掉，用 Vision 和 Language 一起作為輸入，直接輸出 Action，中間不經過 Language token。
— 劉先明Language 是離散空間，物理世界是連續的
劉先明解釋，Language 本質上是離散的、需要 token 化的，而物理世界的模型輸入是連續的視覺或傳感器信號，輸出是連續的控制量，比如縱向加速度和方向盤轉角。用 Language 去生成離散 token 再翻譯回連續控制量，是一個低效的過程。拆掉 Language 之後，模型不再依賴人的監督信號，可以像機器一樣不停流入數據。
— 劉先明拆掉 Language 後用世界模型解決維度災難
拆掉 Language 後，輸入維度很高但輸出空間很小，只有未來幾秒的幾十個控制量，劉先明稱之為維度災難。小鵬的解法是做世界模型，讓模型先理解世界怎麼運行，再輸出動作。他把這比作文字模型裡的 COT，只是不用文字做 COT，而是用 Latent COT，甚至讓 COT 直接作為隱空間，通過生成視頻或 Bird Eye 圖來看模型對世界的理解。
— 劉先明拆 Language 的決策只討論了一下就做了
劉先明說拆 Language 這件事大家討論了一下，沒有討論太久，就覺得應該這麼做。他解釋原因：Language 本身是離散化的，物理 AI 的輸入是連續信號，輸出是連續動作，中間插一個 Language 作為表達方式沒有必要。這個決策大約在今年上半年到年中做出，從 VLA 1.0 到 2.0，拆 L 是最重要的變化。
— 劉先明拆激光雷達、拆規則、拆語言，基本全拆了
劉先明說從去年到今年，小鵬拆了激光雷達、拆了規控規則、拆了端到端、又拆了語言，基本全拆了。他解釋為什麼 AI 的進展都是要不斷拆掉冗餘的東西，因為好的東西一定是簡單的。拆規則是最難的，因為傳統做法是模型表現不好就加 loss function 或規則，但小鵬選擇頂住壓力不加，堅持做 scaling 和極致簡化。
— 劉先明加數據看到瓶頸時才發現 Language 是瓶頸
劉先明說，當加數據看到瓶頸、加不動的時候，才意識到 Language 是一個瓶頸。他解釋，Language 輸出結果太慢、太低效，增加很少的信號卻要增加幾百個 token，完全不 make sense。他還提到 DeepSeek 的 OCR 論文也是反共識的，說明沒必要把圖像對齊到文字的 token space 裡。
— 劉先明拆掉 Language 後沒有明顯回落，直接看到提升
劉先明說拆掉 Language 後基本沒有太多明顯的回落，上來就看到明顯的 scaling 和結果提升，原因是數據量足夠大，現在訓練一個模型大概用 27 萬到 30 萬小時的純視覺數據。他們原本擔心紅綠燈、帶轉區等場景會不 work，但發現根本沒有出現，非常自然地就過去了。
— 劉先明主機廠做自動駕駛的核心邏輯是數據
劉先明回應於凱關於主機廠不會自研自動駕駛的觀點，說五年後再看。他認為主機廠做這件事有道理，核心邏輯是數據：主機廠能自動化找到數據分布的缺失點，迅速讓車隊第二天收上來數據，形成閉環，這是第三方很難規模化的。他說明年會在廣州推 L4，基於同一套架構。
— 劉先明原話 · 已逐字校驗
這是最簡單 最直接的路徑 但實際上這麼做 它一定會帶來像一種毒藥一樣 就是你會越來越重的去依賴於它
這是最簡單、最直接的路徑，但實際上這麼做，它一定會帶來像一種毒藥一樣，你會越來越重地去依賴它。
劉先明21:12
那既然這樣想明白這個事情之後 我們就做了一個嘗試 就是我乾脆全都拆掉 全都拆掉
既然想明白了這個事情，我們就做了一個嘗試，就是我乾脆全都拆掉，全都拆掉。
劉先明22:13
簡單就是美 就是世界上好的東西都一定是簡單的 所以發現的過程往往也是簡單的
簡單就是美，世界上好的東西都一定是簡單的，所以發現的過程往往也是簡單的。
劉先明28:15
就是你拆掉這個東西的話 你一定是有回退的 或者是你全面AI化之後 有可能是有回退的 但是你可以通過 不停的數據迭代 和OTA的迭代 讓它逐漸拉回來變得更好 就是上限可能會更高
你拆掉這個東西的話，你一定是有回退的，或者你全面 AI 化之後，有可能是有回退的，但是你可以通過不停的數據迭代和 OTA 的迭代，讓它逐漸拉回來變得更好，就是上限可能會更高。
劉先明45:27
數字與實體
| 訓練模型使用的純視覺數據量 | 27 萬到 30 萬小時 | 1:00:39 |
| 數據規模增長速度 | 每個季度增長 30% 到 40% | 30:17 |
| Cruise 的 infra 團隊規模 | 700 人 | 8:07 |
| 小鵬 2025 年 AI 和總價值投入 | 45 億 | 1:18:47 |
| Vimo 在舊金山每週訂單量 | 25 萬個 | 1:34:59 |
術語
- VLA視覺語言動作模型
- 輸入視覺和語言，直接輸出動作的端到端模型架構。
- Latent COT隱空間思維鏈
- 不生成文字，而是在隱空間裡做推理的思維鏈方式。
- scaling規模化
- 通過增加模型參數、數據量和算力來提升模型能力。
- Physical AI物理 AI
- 與物理世界交互的 AI，輸入連續傳感器信號，輸出連續動作。
收聽指南
關注自動駕駛技術路線、AI 戰略轉型的創業者和工程師，尤其是對 VLA、世界模型、端到端架構有判斷需求的人。
1:46:07 之後的快問快答和結尾閒聊可跳過。