核心结论
2026年C端汽车智能化的主要矛盾已从覆盖面向体验优化切换。主要智能驾驶主机厂/方案供应商已实现包括环岛、掉头等复杂场景的城市NOA落地体验，并完善车位到车位、ETC通行等高阶功能，后续主要优化方向为CornerCase的处理能力，以提升乘客与安全员的驾驶体验。
智能驾驶经验性的“不可能三角”
通过智能化路测，总结出智能驾驶经验性的“不可能三角”，在体验维度表现为全场景能力、丝滑拟人程度、应急处理能力，在模型层面分别为泛化性（Generalization）、可解释性（Interpretability）与时延性（Real-time/Latency）。这三个指标往往难以同时达到顶尖水平。
- 泛化性：处理从未见过的长尾场景的能力，是目前智驾模型攻克的核心方向。
- 可解释性：系统做出决策的逻辑是否透明，可解释性越好，对智驾调整的速度就越快，是智驾能力曲线的一阶导数。
- 实时性：从感知到执行的推理延迟，直接关系到高速行驶的安全，可以保障MPI的下限，但除去模型本身，其表现或能通过硬件提升。
小鹏第二代VLA架构迭代
小鹏探索出第二代VLA大模型，从标准VLA（V→L→A）转为创新VLA（省略语言中间层转译），降低信息损耗，推理效率更高，反应更快。第二代VLA实现跨越L2到L4的三大体验升级：
- 安心丝滑：妈妈敢用。
- 全场景能力：哪里都能用。
- 高效率：老司机爱用。
- 核心场景覆盖能力：支持复杂场景识别与处理，实现全场景通行，涵盖城市主路/辅路、小区/地下停车场、窄路、施工占道、夜市、乡村小路、暴雨/夜间环境等。
- 舒适度与效率优化：推出小鹏智驾舒适度评测软件，对比传统L2辅助驾驶，第二代XNGP急刹次数显著减少，行驶更平缓；综合行车效率较当前L2提升23%，初步比肩老司机。
- 性能与安全目标：计划2026年内将所有道路场景覆盖度提升至与城市主干道一致，目标2026年8月在中国实现Tesla FSD在硅谷的效果，预计1-3年内实现完全自动驾驶。
自动驾驶的本质
自动驾驶的本质是物理AI问题，AI的规模法则同样适用于物理世界模型。小鹏第二代VLA的突破并非单点能力升级，而是遵循L4能力等于“模型x算力x数据x本体”的规模法则。
- 模型：打造原生多模态物理世界基模，采用32倍超密视觉推理思维链（VisualCoT）技术，支持多模态输出。
- 算力：车端云端算力同步提升，车端模型运行效率提升12倍，云端单颗GPU训练效率提升超1000%。
- 数据：物理AI所需Tokens大幅提升，小鹏单次训练云端高质量数据达50PB，训练模型整体的Token数量达4万亿。
推送节奏
小鹏第二代VLA 3月下旬及4月开启全量推送，2026年重要里程碑包括：安全接管里程提升50倍、平均接管里程提升25倍、车端模型参数量提升到200亿以上、媲美FSD最新能力、VLA+ VLM驾舱一体、Max版本蒸馏推送、Robotaxi开启运营。
小鹏第二代VLA路测结果及横纵向比较
- 规模化路测结果：小鹏VLA 2.0综合得分3.87分，已能从容应对城市道路绝大多数场景，平均接管次数为1.66次/场，整体智驾表现优秀。
- 广州&上海深度路测结果：
- 上海深度路测：主要扣分原因包括单行道内前行空间不足、大曲率右转弯道通过时转向角度偏大、右转进入窄路转弯半径预留不足、行人从视线盲区突然穿出时发生人工接管、复杂路口分叉处车道选择出现偏差。
- 广州深度路测：主要扣分原因包括双车道绕行时路径规划出现偏差、跟车距离过近、路口抢黄灯、行驶轨迹持续靠右。
- 横纵向深度路测结果：
- 横向路测：小鹏VLA 2.0与某智驾第一梯队在常规路线和复杂路线的路测中表现优异，小鹏在博弈环节表现流畅，窄道通行对横向距离感知把控精准。
- 纵向比较：基于固定路线的小鹏智驾路测近2年呈现渐进式变化，固定路线绝对接管次数减少，接管性质从安全型接管向效率型转变，关注点从能否挑战难度场景向正常行驶的舒适性体验转变。
核心结论及风险提示
- 核心结论：2026年C端汽车智能化的主要矛盾已从覆盖面向体验优化切换，小鹏第二代VLA大模型提升了实测场景下的接管率、通行效率和能力涌现方面表现，加速了公司在C端智能车、B端Robotaxi以及机器人业务的布局。
- 投资建议：坚定看好小鹏汽车，认为其估值体系将完成由汽车公司向物理AI科技公司切换。
- 风险提示：全球AI技术创新低于预期；国内L3智能化渗透率低于预期。
