何小鵬砍掉花了幾十億的自駕系統：「縫合怪永遠做不到 L4」

本文整理自《張小珺 Podcast》2026 年 5 月播出的單集。

{{< youtube m1liAnhhLfU >}}

---

去年三四月，小鵬汽車董事長何小鵬（He Xiaopeng）做了一個讓內部震盪的決定：停掉公司花了「小幾十個億」打造的第一代自動駕駛系統，全面押注一條尚未被驗證的新路線。「物理世界不敢賭，我可能膽子比較大，」他在 Podcast 主持人張小珺的訪談中回憶。這是他繼 2022 年 G9 車款失利後，第二次對公司進行根本性的方向調整。而這次砍得更深，從技術、組織到方法論，全部從根拔起。

他把舊路線叫做「縫合怪」

何小鵬口中的「縫合怪」，指的是過去十幾年來整個自動駕駛產業的主流做法：用軟體的規則加上 AI 的演算法，拼接出一套看似可用的系統。它的邏輯是先用工程師寫好的規則處理大部分情境，再用 AI 模型填補那些規則管不到的角落。這種方式能快速做出「還行」的產品，但何小鵬認為它的天花板被鎖死了。

他用一個具體的場景說明這個判斷：地下停車場。今天沒有一家自駕公司的軟體能在地下停車場流暢行駛。所有號稱能在停車場自動泊車的功能，本質上都是「記憶輔助駕駛」，也就是車子開過一次、記住了路線和車位位置，之後依靠這份記憶來行動。它對物理世界的真實理解度極低，一旦遇到陌生的停車場或變動的環境就束手無策。

何小鵬用一套分數比喻來解釋他的判斷。舊的端到端路線（他在內部稱為 VLA 第一代），即使不斷強化後訓練和放大模型，上限大約在一千分。它能做出一個下限九百分、上限一千分的穩定產品，但永遠到不了 L4 或 L5。而他看到的新路線（VLA 第二代），用更大的基礎模型（Foundation Model）重新驅動整個系統，理論上限可以達到十萬到一百萬分。問題在於：當時的下限只有一百分。

「本來你希望做一個上限一千分、下限九百分的產品，但那個時候下限可能只有一百分。」何小鵬回憶當時的處境。工程問題一大堆，團隊大部分人處於觀望狀態。但他最終選擇了那條上限極高、下限極低的路。

砍到根：幾十億的沉沒成本和出走的兩百多人

決定做出後，何小鵬開始動刀。不是修修補補的那種動，而是他自己說的「不能小刀砍大樹，想清楚了就砍掉它」。他把整個自動駕駛中心的核心組織架構全部重組，從業務層一路改到根上。公司從「小鵬汽車」更名為「小鵬集團」，定位從「智能電動汽車企業」轉為「物理 AI 企業」，提出三條新曲線：汽車、機器人、全球化。

最大的反對聲音不是來自會議室的爭論，而是人們「用腳投票」。何小鵬坦承，大量主管在這段期間離開了公司。他後來聽說出走的人至少成立了十個創業團隊，大部分都拿到了融資。他對此沒有怨懟，反而覺得這是創業的代價：「你越猶豫、越觀望、越想再等六個月看看，成功概率反而越低。」

他把自己的決策心法歸結為兩條互補的原則，都跟 2022 年底公司最困難的時候有關：第一條叫「絕不服輸」，面對困難要堅持到底；第二條叫「願賭服輸」，下注之前想清楚，一旦下了就不猶豫。這兩條看起來矛盾，但何小鵬認為同時做好這兩件事，才能在物理世界的 AI 變革中活下來。

物理 AI 和數位 AI 是兩個不同的世界

訪談中最引人深思的部分，是何小鵬對「物理 AI」和「數位 AI」的根本性區分。他的核心觀點是：兩者不只是技術路線不同，而是整個認知框架不同，不能把數位 AI 的邏輯映射到物理世界。

數位 AI 處理的是人類語言，這種媒介高度濃縮，可以被概括和複製。但物理世界不是這樣。人每天看到的資料量，根本無法用語言概括和還原。一台自動駕駛汽車每天運行三四個小時產生的 token 量，遠遠超過工程師使用 AI 工具的 token 量，兩者不在同一個量級。

這也是何小鵬不以 token 使用量作為公司 AI 化指標的原因。他在內部「盡量不控制 token」，只管理排名前十的異常值。邏輯很簡單：一個員工一個月花一千塊人民幣的 token 還是一萬塊，產出價值才是關鍵。如果花更多錢真的能產出更大的價值，為什麼要限制它？更何況，在物理 AI 的世界裡，機器自己使用的 token 量才是真正的大頭。小鵬一年光是數據儲存和處理的直接成本就接近十億人民幣，每一種資料的冷熱存取方案之間的費用差異都在千萬級別。

他特別提到 Google 旗下的 Waymo，做了十七年自動駕駛，技術能力不差，但何小鵬認為它本質上仍是「更高級的縫合怪」，難以全球化，泛化能力先天受限。他的判斷是：數位 AI 只需要比「長板」，看誰的上限更高；但物理 AI 同時要比長板、短板和窄板，品質、成本、材質、政策法規、量產能力全部都是考核維度。多數物理世界的 CEO「要不然不敢賭，要不然覺得我還有好多塊板怎麼辦。」而何小鵬選擇的是：先賭了再說。

當公理層開始動搖

張小珺問何小鵬：在這樣一個技術劇烈變革的時代，你焦慮嗎？他的回答很坦率：「當然焦慮。」

焦慮的根源不是某個具體問題沒解決，而是整個認知架構在鬆動。「你會發現你以前的很多邏輯論，甚至邏輯論底層的定理、範式，甚至到公理層，你的價值觀、人生觀、世界觀，在這些東西的變化下不是那麼 work。」他用了一個很微妙的例子：以前做了多年自動駕駛，越做越覺得 L5 永遠不會實現，因為用軟體處理全球所有場景和法規是一個無限循環的問題。但當真正用 AI 重構整個系統之後，他覺得 L5 可能存在了。而這個「可能存在」的認知轉變，會推翻很多原有的壁壘邏輯。

這個賭注正在獲得初步驗證。何小鵬透露，小鵬在 2026 年三月底發布第二代 VLA 的第一個版本後，四月份銷量同比和環比逆勢上漲了 50% 到 70%，而同期中國汽車市場整體下跌約 20%。他認為相當部分的增長來自第二代 VLA 帶來的產品力提升。他還預估小鵬自家可以在 18 到 24 個月內實現 L4，同時預測 30 年後中國只會剩下五家有規模的汽車企業。

被問到是否已經從「血海」中游出來，何小鵬的回答是：「沒有。我也不覺得有人游出來了。」三年前他用「在血海裡游泳」形容造車，三年後，他的判斷沒有改變。只是這一次，他不只是在游泳，還在水裡換了一套全新的裝備。

我的觀察

何小鵬對「物理 AI」和「數位 AI」的區分，值得台灣科技產業認真消化。過去兩年，幾乎所有企業談 AI 轉型，想的都是怎麼用 ChatGPT 提高效率、怎麼導入 AI Coding 工具、怎麼用 token 控管成本。這些全部屬於數位 AI 的範疇。何小鵬的經驗提醒我們：一旦 AI 進入物理世界，規則完全改變。資料量、成本結構、組織轉型的時間尺度，都和數位世界有本質差異。

他還拋出了一個值得深思的判斷：物理 AI 比數位 AI 難一百倍，但 2027 到 2028 年才會開始看到類似 GPT 等級的顛覆效果。如果這個時間表大致正確，台灣的硬體供應鏈和自動駕駛相關企業，現在可能還有一到兩年的窗口來理解這個新範式。問題是，有多少人會認真去理解「物理 AI」到底意味著什麼，而不是繼續用數位 AI 的框架去想像它？