小鹏汽车近日在全球首秀上，发布了一项令人瞩目的技术创新，其在20多万价位的纯电动车型上配置了超过2200TOPS的算力，这一举措无疑开创了行业先河。然而，这一决策也引发了广泛讨论，部分声音质疑这是否仅仅是一种“堆料”行为，对一味追求算力提升的意义表示怀疑。

针对这些质疑，小鹏汽车在发布会上已做出明确回应。其核心观点聚焦于大模型的本地部署，这一策略包含两个关键点：大模型与本地部署。在AI时代，模型的能力与参数规模成正比，遵循Scaling Law定律，参数越多，模型表现越佳。然而，受限于车规级芯片算力，目前车端部署的模型普遍经过轻量化处理，实际部署的模型参数量往往在50亿以下，如理想的VLA司机大模型仅为40亿参数，远未达到“大模型”的标准。

小鹏的自动驾驶云端基座模型则拥有720亿参数的规模，这才是真正意义上的大模型。然而，由于算力限制，这一模型无法在车端实现本地部署。为了突破这一瓶颈，小鹏选择了将大模型部署到车端，通过3颗自研的图灵AI芯片，提供2200TOPS的算力，支持最高300亿参数的模型运行。从720亿到300亿，或许只需通过结构化剪枝和MoE转换即可实现，性能差距远小于从720亿到更小的模型规模的转换。

有人或许要问，既然5G时代已经到来，为何不考虑云端大模型？这确实能降低车端算力的需求。然而，行车模型对时延和帧数的要求极高，云端部署难以满足。何小鹏在发布会上提到，VLA模型至少需要达到每秒20帧才能保证足够的行车能力，这意味着从感知到数据传输、云端处理再到结果回传的总耗时必须在50毫秒以内完成，这在云端部署中难以实现。网络波动和通讯失效的风险也无法完全避免，这可能导致车端系统降级或瘫痪，影响用户体验和系统安全。

另一方面，全本地部署、无联网运行还意味着没有数据传输的合规问题，这使得模型具备在全球范围内快速部署的能力。只需在部署前针对当地市场进行本地化训练，即可满足不同地区的需求。

在小鹏G7车型上，这一策略得到了具体体现。G7采用2颗图灵芯片（共1400+TOPS）运行VLA模型（VLA-OL，具备自主强化学习能力），另1颗图灵芯片（700+TOPS）则用于运行VLM模型。这种架构下，VLA负责车辆的运动控制，如同大脑和小脑；而VLM则负责车辆对世界的感知，如同整车的大脑。VLA需要更大的算力来保证每秒20帧的性能，而VLM则只需每秒几帧的性能即可满足需求。

尽管如此，本地部署的VLA OL+VLM组合仍然给人留下了巨大的想象空间。何小鹏在发布会上提到的“智驾能力比Max车型高10倍以上”，“VLA-OL让车辆主动思考、理解世界”，“VLM让车像一个真实的人”等描述，都基于这一大算力平台。这一切的实现，都离不开大算力的支持。

随着小鹏G7的全球首秀，这一创新技术也将接受市场的检验。无论是对于小鹏汽车还是整个汽车行业来说，这都是一次具有里程碑意义的尝试。

在未来，随着技术的不断进步和市场的逐步成熟，我们有理由相信，更多创新技术将不断涌现，推动汽车行业向更加智能化、自动化的方向发展。