小鹏汽车近日在其新品发布会上宣布，将在其售价20万左右的纯电动车型上搭载高达2200+TOPS的算力，这一创举在业内引起了广泛关注与热议。不少人对小鹏的技术实力表示赞叹，认为这标志着智能驾驶技术的新里程碑。然而，也有质疑声认为，通过3颗自研芯片堆砌出的高算力是否过于“奢侈”，并质疑这种算力堆叠的实际意义。
针对这些质疑，小鹏在发布会上已给出了明确回应：核心目标在于实现大模型的本地部署。这一战略包含两个关键点：一是大模型，二是本地部署。在AI时代，更大的模型往往意味着更强的能力，遵循Scaling Law定律，模型参数量越大，效果往往越好。
那么，什么样的模型才能被称为“大模型”呢？目前，受限于车规级芯片的算力，车端部署的模型通常经过轻量化处理，实际部署的模型参数量常在50亿以下，如理想的VLA司机大模型仅为40亿参数，尚称不上“大”。相比之下，小鹏的自动驾驶云端基座模型已达到720亿参数，这才是真正意义上的大模型，但受限于算力，无法在车端实现本地部署。
为了解决这一矛盾，小鹏选择将大模型部署到车端，于是我们看到了3颗图灵AI芯片组成的2200TOPS算力系统，最高可支持300亿参数的模型。300亿参数意味着什么？以小鹏的基座模型为例，从720亿参数缩减到300亿，可能只需进行结构化剪枝和MoE转换，但从720亿缩减到70亿，则可能需要重构，性能差距显著。
或许有人疑问，在5G时代，为何不使用云端大模型以降低车端算力需求？这涉及到了本地部署的必要性。对于LLM等应用，云端部署确实具有优势，可以并行处理多个需求，降低成本。但行车模型对时延和帧数要求极高，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，这意味着从感知到结果回传的总耗时需在50毫秒内完成，云端部署难以实现。
即便解决了延迟通信问题，也难以完全避免网络波动或通讯失效的风险，这可能导致车端系统降级甚至瘫痪，影响用户体验和行车安全。另一个关键点是全球化，本地部署无需联网运行，避免了数据传输的合规问题，使得模型可以在全球范围内快速部署。
综合来看，大模型的本地部署被认为是车端智能驾驶的最优路线。小鹏虽然尚未激进地将基座模型直接搬上车，但已选择将VLA+VLM模型部署到G7车型上。具体来说，G7使用2颗图灵芯片（共1400+TOPS）运行VLA模型，另1颗图灵芯片（700+TOPS）运行VLM模型，芯片间通过PCI-E通信。
这种分工基于小鹏对人脑功能的理解，认为车或机器人也应以能力对算力进行区分。VLA负责运动和决策，需要更大的算力以保证每秒20帧的性能；而VLM负责整车感知，如接收指令、识别路牌等，对算力需求相对较低。即便如此，本地部署的VLA+VLM也已展现出强大的想象空间，如小鹏在发布会上提到的“智驾能力比Max车型高10倍以上”等。
这一切的基础，正是小鹏汽车所强调的大算力。随着小鹏G7的全球首秀临近，业界对这款车型充满了期待。
