前几天，小鹏汽车在   arXiv   上慎重公开了他们在物理   AI   与宇宙模子界限的最新商榷恶果：X-Foresight: A Joint Vision-Action Causal Forecasting Network via Predictive World Modeling。

这无疑是全球野心计视觉顶会   CVPR 2026   开幕前夜的一项分量级恶果，而小鹏亦然本届会议中独一受邀进行主题演讲的中国车企。这篇论文的公开，意味着继本年   3   月发布   X-World、4   月发布   X-Cache   之后，小鹏智驾生态的终末一块中枢拼图慎重落地。

四肢这套体系的灵魂   X-Foresight   是一套基于忖度式宇宙模子（Predictive World Modeling）的视觉 - 动作因果忖度相聚。而它的推出，直指现时统共这个词智驾行业的底层瓶颈。

目前，大部分自动驾驶系统（包括特斯拉 FSD V12）和最前沿的   VLA   架构（Vision-Language-Action），都是端到端的，实验上偏向"条目反射"。

系统就像一个凭本能开车的赛车手，走的是"感知→凯旋动作"的黑盒阶梯。因为枯竭对物理宇宙的知识，它们无法在脑海里提前模拟："要是我这样开，3 秒后会发生什么？"

怎样突破这个瓶颈？小鹏的   X-Foresight 在这里面加入了一个中间层："感知→忖度未来状态→评估动作后果→选拔最优动作"。

相较于传统   VLA   依赖讲话四肢中间暴露，X-Foresight   选拔了一条更底层、进修难度更高、但更具颠覆性的通路——凯旋建模物理因果。就像给智驾系统安上了"预言家的大脑"，一边高频控车，一边及时"脑补"出高清全景未来画面。不论是行东说念主突横穿、前车急刹，照旧违纪掉头等高危长尾场景，都能在提前预判中缝隙拿合手。

( A ) X-Foresight 的推理经由

( B ) 在 t=2 s、t=4 s、t=6 s 时刻忖度未来帧的闭环推理可视化收尾

( C ) X-Foresight 在多项基准测试中均优于基线格式

而这套物理模拟器之是以概况从纸面走向现实，全靠以下四个中枢时期模块的进步式立异：

架构："分块预判"突破大模子的正当舞弊

好多东说念主以为，既然   Sora   能把视频生成得那么传神，那凯旋把这套"逐帧忖度下一帧画面"的绝活搬到智能驾驶上不就行了？

相关词，这样作念会遭受一个致命的"忖度退化陷坑"。由于自动驾驶视频的相邻两帧画面确凿太相似了，要是让大模子去"逐帧忖度"，它会赶紧学会偷懒舞弊，凯旋把上一帧画面平移或者复制往日。这样亏蚀函数天然降下来了，但实验上退化成了毫无真理的像素外推，根柢没学到真确的物理畅通规则，妥妥的"无效刷题"。

同期，宇宙建模还濒临着"时序窘境"：你思看清前车变说念的逐一瞬，就得死盯着每一帧（高帧率广大忖度）；但你思看懂前哨过十字街头的长久因果，又得往后看好几秒。要是把这两件事混在沿途强行死磕每一帧，车机算力遽然就会被榨干。

是以，X-Foresight   的架构中枢，改用了"永劫域分块自总结"（Chunk-wise  Auto-Regressive）战略：

内密外疏，吵嘴通吃：它不再一帧一帧地生啃，而是把时候切成了一个个   1   秒钟的"大块（Chunk）"。在块的里面，密集采样，把前车变说念、刹车灯亮这种"瞬时动态"抓得死死的；在块与块之间，凯旋进步式地荒芜跳转，专门用来推演几秒后的"长久因果"。这样既不会让模子躺平抄功课，又用极低的算力资本兼顾了目下的细节和远处的因果。

BSA   算力加快：为了矜重这种长序列进修让系统崩掉，团队我方手写了一个半因果块荒芜矜重力机制（BSA）四肢底层核，凯旋把传统的   Flash   Attention-2   给换掉了。这一换，端到端进修的隐约量凯旋暴涨了   1.59 倍！用最经济的算力，完好科罚了这个时候两难的窘境。

用于长序列进修的半因果块荒芜矜重力掩码

两个面板展示了分拨给不同矜重力头组的互补荒芜模式

战略：由易到难，无痛拓宽 21 秒远见视界

思让一个刚设立的大模子络续看清   21   秒后的未来，算力不仅吃不用，开云2026世界杯中国官网模子也根柢学不会，极易导致进修崩溃。

为了破这个局，小鹏引入了渐进式课程学习合作膨大视界战略（Curriculum Learning for Extended Foresight，CLEF），像教孩子念书相同，慎重挨次渐进：

第一步（普及班）：  先让模子学会忖度挨在沿途的短时候块（以   1   秒为步前程行短期脑补）。

第二步（进阶班）：  等模子基础底细塌实了，迟缓把块之间的跳转间距拉大到   3   秒。

通过这种由易到难的"喂养"方式，系统在莫得增多一丁点非常算力包袱的前提下，硬生生把前瞻视线拉长到了   21   秒的超长地平线。这凯旋让   AI   领有了老司机"走一步、看十步"的顶级远见，即使遭受突发情景，控车战略也稳如老狗，不掉链子。

数据：拒绝活水账，将就大模子死磕"错题本"

海量的起程行车视频看似是一大笔金钱，但其实大部分时候车辆都在稳妥地匀速直线行驶。这种毫无海浪的"稳妥巡航妄言画面"要是均匀采样、高密度地喂给大模子，只会白白耗损算力和监督信号，还会稀释中枢知识的学习效果，让模子变得鲁钝。

为了不让数据注水，小鹏立异诓骗了时序热切性采样（Temporal Importance Sampling，简称   TIS）。这套战略不看别的，专挑"贫窭"和"突发情景"下手：

用公式给路况精确打分：  系统不是盲目地乱选视频，而是通过一套基于车辆横向和纵向加快度的算法，及时给前瞻、当下、后滞三个时候窗口的动态变动进行定量评估。

专攻安全要道：  惟有遭受变说念、急刹、强插、猛打所在等安全要道块，金年会官网首页入口该片断的分数就会飙升。系统会自动把贵重的算力歪斜给这些高价值片断。这格外于将就大模子根除无真理的活水账，全神灌输地死磕"硬核错题本"，大大升迁了应付危急时的有磋磨前程。

渲染：脑眼分离，预防遵守的"防舞弊天条"

为了把大脑思的"因真的理"酿成大家都能看懂的高清画面，小鹏在想象形而上学上建议了一个相配清楚的不雅点：学真理不需要高清。

要是隐空间里塞满了过多的像素细节，反而会稀释掉模子对宇宙中枢结构规则的相识。就像咱们东说念主类学开车，脑子里思的是车流怎样走、路怎样弯，而不需要去强行记着路边每棵树的树叶是怎样飘的。

因此，X-Foresight   依托两大中枢模块，竣事了"脑眼分离"：

大型驾驶模子（Large Drive Model）充任"智囊"： 四肢中枢大脑，在隐空间进行抽象的物理推理和控车有磋磨。它输出三种东西：限制动作（高频控车）、BEV   俯视图（空间结构相识）和每路录像头的隐向量   Token。

视觉渲染器（Vision Renderer）充任"画师"：  基于   X-World   优化的扩散式多视角渲染器与   3D   因果   VAE（变分自编码器），它不参与有磋磨，专门负责把   LDM   智囊脑海里那些抽象的   Token，收复成几何一致、真假难辨的   7   路环顾录像头高清全景闭环画面。1   秒忖度视界   FID   值低至   1.51，即便到了   6   秒永劫忖度仍能保持极低漂移！

进修经由暴露

而这里，遵守着一条绝妙的"防舞弊天条"：在最终的对王人阶段，渲染器是十足不输入车辆限制动作（Action Token）的！

为什么要专门瞒着它？因为要是让渲染器同期看到动作（比如踩油门或打所在），扩散模子就会暗暗走捷径，凯旋凭据动作去硬套、瞎编未来的画面，从而与   LDM   大脑里面真实的物理推理脱节。

当今，小鹏逼着渲染器只可通过   LDM   的   Camera Token   这一根独木桥来传导信息，反而死死确保了车机画出来的未来画面，与智驾大脑的里面真实思象十足对王人。

战绩：13.8 万亿 Token 喂出的工业级家底与实测颠簸

一套苍劲的宇宙模子相聚，必须有高大的产业级数据和生态来喂养。

小鹏此次凯旋掏出了令东说念主咋舌的工业级家底：基于小鹏   28   万小时自有驾驶数据进修，涵盖   3400   万条视频片断，Token   界限达到了恐怖的   13.8   万亿！ 采纳   7   目环顾录像头，竣事   360   度无死角袒护，庸俗横跨城市说念路（86.8%）与高速（13.2%），完整保留了环岛、匝说念、收费站、残障说念路使用者交互等长尾安全场景。

在这层弥漫式进修下，完整体的   X-Foresight   在野快慰全与生成保真度上全面开头传统基线，凯旋用一连串硬核的数据砸碎了传统   VLA   的黑盒瓶颈：

安全合规方针暴涨：中枢碰撞率相对暴跌了   16.2%！安全（Safety）方针升迁   9.1%，合规（Compliance）方针升迁   8.2%。

轨迹精确控线：忖度   AI   走线准不准的轨迹罪恶上，横向和纵向的   ADE（平均位移罪恶）分裂升迁   6.4%   和   3.6%；而永久预判的   FDE（至极位移罪恶）更是分裂大幅优化了   8.8%   和   4.1%。

六边形战士：依据小鹏自家的   CCES（合规性、振奋肠、服从、安全性）测评方针体系，X-Foresight   在四个方针上的抽象发扬升迁了   4.6%。

X-Foresight 与基线模子进行的实测数据对比

在实验场景中，对比传统两眼一抹黑、动不动就车说念偏离、盲目制动点刹的旧模子，X-Foresight   现场演示了什么叫领有物理宇宙知识的"顶级老司机"：

多出口大环岛场景：传统的反馈式模子由于视界太短，一进环岛看到近处的出口，很容易按"肌肉记挂"跑偏、提前切出。而   X-Foresight   展现出苍劲的前瞻性有磋磨智商，精确锚定导航见地出口，一齐上稳压阵地，毫不受近处出口的干与。

多出口环岛下，X-Foresight 凭据实验情况跟踪见地出口

夜间路口信号灯切换预判：面对前哨红灯，往常基线模子通常因为短视而早早一脚把刹车踩死，甚而把忖度轨迹掐断。但   X-Foresight   通过脑补未来，精确预判了信号灯的切换趋势   ——   它算准了车辆滑行到罢手线前红灯就会变绿，从而在里面画出了一条无需降速、滑行通过路口的优雅轨迹。

夜间十字街头下，X-Foresight 忖度信号灯调遣

全栈协同，和特斯拉外洋相见的那天越来越近了

跟着   X-Foresight   的慎重亮相，小鹏通往高阶自动驾驶的"超等三件套"终于透顶完成了拼图，构筑起了闭环的自动驾驶生态：

X-World   负责科罚"数据"：  用超传神的多视角仿真生成，给   AI   创造出用之束缚、包罗万象的"模拟考卷"；

X-Cache   负责科罚"速率"：  把端到端的及时性和隐约率拉满，确保车机大脑在应付海量高频信号时毫不卡顿、原地腾飞；

X-Foresight   负责科罚"智能"：  注入灵魂级的物理因果推理，让车子真确学会像东说念主类老司机相同去"预判未来"。

这三张王牌凑王人，协同构建起"知识学习 - 场景仿真 - 推理加快"   的全栈体系，才算真确因循起   L4   级别智驾所必需的"系统级安全冗余"。全面质变从来都不是靠某一个算法的单点爆种，而是靠这种丝丝入扣的系统级全栈工程智商。

从数据动手、模子动手，再到如今   X-Foresight   开启的"宇宙知识动手"（World-knowledge-driven）新范式，自动驾驶的下半场要变天了。未来的物理宇宙模拟器，小鹏还是率先开上了骨干说念。

回思起   2020   年，马斯克谴责小鹏智驾时，何小鹏在酬酢媒体上的硬气回话：

如今的小鹏，已被好多东说念主认为时国内能与特斯拉正面硬刚的最强竞争者。

而何小鹏当年说的"外洋相见"的那一天，还是越来越近了。

参考阅读：

X-Foresight 官方样貌主页：https://x-foresight-1.github.io/en/

•END •

迎接点击科技逐日推送视频号，看最新视频 ~

↓↓↓金年会(JinNianHui)体育

易简传媒为一家新三板挂牌公司 ( 股票代码 :834498 ) ，旗下新媒体微信粉丝 2500 万 +，论说各行业的精彩故事，迎接大家关爱以下账号

↓↓↓