← 返回张小珺主页
一、CEO的AI使用哲学与Token管理
何小鹏个人的AI产品使用
何小鹏透露自己目前使用的AI产品"还真不多"，主要还是"非常传统的AI产品"——千问、豆包。在Coding方面，公司团队内部"用了非常的多"，但他个人故意不使用。
何小鹏
我们当年在做互联网产品的时候，如果你天天用产品，你很快会到细节去。比如说你会觉得哪里不好用。如果你了解它，你会去思考认为他的优点将来还会非常的长、非常的多。但你一旦用进去，你会看到他的缺点跟问题，然后你会聚焦怎么去解决……反而不能让你向远方看。
反直觉的管理哲学
这与硅谷"dogfooding"文化完全相反。何小鹏的逻辑是：CEO使用产品要分层——基层鼓励深度使用，各种方式都可以上，最后看结果慢慢归一；"一号位"要用但不要太深度的用，否则会陷入当下问题的优化循环，丧失对远方的判断力。
对AI Coding的判断
- AI Coding目前对初级程序员是一个"非常好的辅助工具"
- 2-3年后，会"逼迫初级程序员都要上到高级程序员"
- 对智能辅助驾驶等强AI能力，AI Coding的帮助"比较小"，"只是其中的一个工具"
- 真正要把整个基础设施（infra）建好，核心是整个infra体系，而不是coding
- "如果在内核层，比如说你想写个操作系统，最核心还是整个的infra，而不是在coding"
Token管理：不控制Token
何小鹏明确表示"在内部尽量不给大家控制token"。面对有人担心"一个季度就把一年的费用全cost down了"，他的态度是开放的。
Token管理的具体做法
- 只管理最异常的top 10的几种情况，其他全部开放
- "你不确认一个月一个人花1000块人民币还是1万块人民币是最有价值的"
- 每个人的月工资很有可能远超token费用，如果他真的有能力花更多钱产生更大价值，为什么要限制？
- Token分配主要在GIC（自动驾驶跟座舱团队合并后的大团队）
算力视角 vs Token视角
何小鹏表示自己不太用token的维度来思考："我们算的是比如说我给你3万张H100或者5万张，你使用什么业务能够高效率和高效能的使用。"他特别强调了数据成本这个被忽视的维度。
何小鹏
很多人都说数据的价值。我觉得极少有公司现在看到数据的巨大的成本。因为在数字AI领域里面的数据量很小，几十个TB就可以来训练。在我们训一次数据几十个TB到几百个TB。所以对数据的管理、使用、存储是一个巨大的钱。可能我们一年在数据上投入，都从直接的刚性成本都接近十个亿以上。
数据成本管理的具体细节
何小鹏透露小鹏最近专门对data做了整个控制体系，区分：哪些数据是有价值的、哪些数据是临时有价值的、哪些数据需要非常快速的使用、哪些数据可以有一些warm up再去使用。每一个使用环节的钱的数量都是千万级的。对数据和算力分别由不同的team专门管理。
二、Skill化的悖论
当被问到"把何小鹏训练成一个Skill会是什么样"时，何小鹏给出了一个深层思考：
Skill化的两个矛盾体
- 矛盾一：大部分人想的是"如何把我或者把他的能力Skill化"，但从模型角度看，"我怎么知道你Skill化的这个能力是一个对的能力，并且不断的OL（Online Learning）？"
- 矛盾二：在物理仿真模型里可以做强化，但这跟Coding或自动驾驶不一样——Coding和自动驾驶相对清晰，知道什么是对什么是错。但"把何小鹏Skill化"，你很难判断这个Skill怎么是对的或者是错的。
何小鹏认为，今天的数字AI主要能替代的岗位分三类：
但他强调这"还是辅助为主，提高了效率，并没有取代它，更没有超大规模的协同效应，根本还没到达"。
何小鹏
我觉得每个人Skill化之后，都会发现这个人实际上是有非常多的缺点的。
CEO的AI占比判断
小鹏作为数万人企业，AI方面要花15%-20%。这里的AI是"泛AI"，包括自动驾驶和机器人。何小鹏认为数字世界的公司可以把AI含量放到"小几十"百分比，但物理世界不应该——因为汽车有四种研发能力：硬件研发、软件研发（AI是其中之一）、制造研发，以及将来可能的第五种。"你有能力设计出一个很漂亮的桌子跟椅子，但你可能无法制造出来——这是两种不同的能力。"
三、物理AI vs 数字AI：两个不同的世界
何小鹏提出了本次访谈最核心的区分——物理AI和数字AI是完全不同的方法论和路径。
数字AI
- 处理人类的语言（language），高度概括浓缩
- 核心看长板——跑分、benchmark
- 数据量相对小（几十TB训练）
- Token消耗 = 人使用AI的量
- 三个替代岗位：分析师、程序员、设计师
- 辅助为主，提高效率
- "在数字世界里面，核心看的是长板，不太看另外两块板"
物理AI
- 不是人类的语言，处理物理世界数据，无法用语言概括描述还原
- 同时拼长板、短板、窄板三块板
- 单次训练几十～几百TB，年数据刚性成本近10亿
- Token消耗 = machine自身使用量
- 影响的岗位是数字AI的数十～数百倍
- 比数字AI难100倍
- "物理世界还有很多是跟人相关的事情——人相关的物理世界的环境、法规，最后还有商业"
核心模型
三块板模型
何小鹏提出物理AI企业需要同时管理三块板：
- 长板要做得更长——技术上限，相当于benchmark
- 短板要做长——最低标准/安全/下限，不能出事
- 窄板要做宽——品质、成本、材质、细节、政策法规的广度覆盖
数字AI公司通常只优化长板。"在物理而言，（跑benchmark）那是可笑的。因为它不光要比上限，他还要比下限，他还要拼广度。"
Token在物理世界的不同含义
两种Token维度
- 数字AI的Token：人使用AI来满足需求，产生对人和企业的价值
- 物理AI的Token：Machine自己使用token来产生对machine和人的价值——"自动驾驶的汽车是一台自动的machine，他去用token来用多少"
何小鹏明确说"这两个指标应该是不一样的"，并且物理世界AI模型训练时需要的token数量远超人类员工使用的token数量。
对数字AI公司分析物理AI的批评
何小鹏
很多人提物理AI，我上次都在笑。我说首先你有没有在物理世界做过业务？如果在物理世界都没有把业务做成，仅仅是从一个数字世界去分析物理世界的定义规律，去做一个物理世界的AI，我觉得它还是一个载意的物理世界。
何小鹏
我听到你的很多节目基本上都在讲数字AI。就是基本上没有能在一个数万人、大量跟现实世界产生强交互的角度去思考。我想说的是，把他们的方法论复制到物理AI，我认为有很多的地方是不够适合的。可能有一部分的业务逻辑是对的，但是他们还不够全面、更充分，这是最大的问题。
从"AI汽车企业"到"物理AI企业"
小鹏汽车改名为小鹏集团，定位从"AI汽车企业"转为"物理AI企业"。何小鹏坦承"这个变化刚刚开始，还有很多都不能清晰的描述"。
在过去10年，小鹏做的核心是六个字：智能电动汽车。但如今小鹏已经不是用电动或者汽车的方式去考虑智能，而是"换了一种逻辑"。何小鹏判断：如果在下一个10年，硬件和软件（AI）可能可以各占到50%。过去硬件远大于50%，这意味着需要用AI的方式重新驱动组织、设计软硬件合体。
AI使用的两层逻辑
数字AI与物理AI的使用方式完全不同
- 数字AI：基本上都是使用层面——"Cloud Code非常好，如果DeepSeek在某些方面也非常好且成本也非常棒，就把那一部分切换过去。"内部做了一个Hub，可以很容易切换。
- 物理AI：model不一样、training的data不一样、training的infra不一样。不是简单的切换使用。
四、关键赌注：停掉"小几十亿"的旧体系
2025年中，何小鹏做了一个巨大的战略决策——放弃已投入"小几十个亿"的第一代自动驾驶体系（VA1），全面转向第二代AI驱动体系（VA2）。
两代自动驾驶的本质区别
| 维度 | VA1（已放弃） | VA2（全力押注） |
|---|
| 方法论 | 软件流程 + AI工具 | AI驱动设计全流程 |
| 本质 | 在端到端的领域里面把模型放大、软件规则降低、使用场景增强、增强后导能力（强化、后训练） | 抛弃端到端逻辑，用更大的Foundation Model，先打开上限再收敛下限 |
| 上限 | ~1,000分（永远做不到L4/L5） | 10万～100万分 |
| 初始下限 | ~900分（稳定） | ~100分（极不稳定，工程问题非常多） |
| L4/L5可能性 | "永远不会到达"——为了解决短板限制了长板 | 存在可能性——"当它可能存在的时候，你会对很多原来的壁垒逻辑都会产生新的想法" |
| 比喻 | "捷径"但不是"大道"，"一条小路" | 真正能做到50:50硬件+软件价值的"大道" |
何小鹏
我们做了一个巨大的赌注。我们把以前的那套体系就停下来了。那套体系花了小几十个亿。
决策时间线
2025年3月
开始思考方向问题——"为什么所有的公司都会觉得用更简单的方法论和更快的效能就能做出一个凑合而可用的自动驾驶？"
2025年Q3末
自动驾驶中心核心组织架构全改了。"每一个时间窗口期都有非常多优秀的同学，但是每个人都有原来的惯性。"从组织到流程到方向全部改。
2026年4月
中国汽车销量同环比跌20%左右，小鹏涨了50%到70%，"有相当部分跟第二代VA相关"。
决策过程的细节
"没有一个标志性会议，基本上在脑袋里面拍。"何小鹏强调：这是一个CEO在脑子里做的决策，不是集体讨论的结果。他听了很多人的想法意见，但"大部分是错的，因为他们都不是从全局角度给你建议"。全局是CEO自己把握的。
内部反对的声音
三种反应
- 大部分非AI主管：觉得"你不管做A还是B可能都错了"——因为他们对AI的认知不够强烈
- AI相关主管：有些觉得yes，有些觉得no，大部分是中间态——不确认节奏对不对，不确认能落地
- "用脚投票"：最大的反对声音——"他们不相信这个事情，他们觉得做不到，他就离开了"
何小鹏
你在这个时候越犹豫，越等待，越想观察，越想再说，过六个月你有可能越难成功。
何小鹏拒绝分享的部分
当张小珺追问"AI驱动的组织具体怎么做"时，何小鹏明确表示"对于这么大的组织，这些都不能说"，因为：
- 这是小鹏正在做的核心竞争力
- "不同的业务要有不同的节奏，相同的业务也核心是能跟组干部跟组织的问题"
- "第一我们在尝试在testing，第二任何的规划跟目标都是不会对外分享的"
- 类比：你去找任何一家数字AI的CEO，他们也不会告诉你转型的思考逻辑
五、"缝合怪"理论与方法论重构
何小鹏反复使用"缝合怪"（Frankenstein）这个比喻来描述当前大多数自动驾驶和机器人系统的根本问题。
核心概念
什么是"AI缝合怪"
用软件的方法论，使用AI的工具箱，做出来的是一个更强力的软件。本质上还是软件驱动，AI只是工具。"就像你修一个房子——你会有更多的材料，更多的工艺用AI的，但是它还是修一个老的房子的方法论。做出来的还是一个原来的房子，只是可能修得更快一点。我们想要的是不一样的东西。"
缝合怪的具体表现
- 为了解决短板，限制了自身的长板——导致上限被锁死
- 永远无法达到L4/L5
- 是一条"捷径"但不是"大道"——小路可走，但不通远方
- 地下停车场实例：所有公司的"自动驾驶"在停车场都是"记忆辅助驾驶"——开了一次之后知道停车位在哪里、大概行车路线是什么样的。"对于整个的物理世界的了解都是非常之低的"
何小鹏对Waymo的具体判断
- Google下注自动驾驶是2009年，到现在17年
- Waymo是"一个既好又很不好的解决方案"——技术能力不错，但很难全球化
- "Waymo的技术它天然就是一个更高级的缝合怪，它很难在AI里面做到极其高强度的泛化"
- "我认为它不是一个极度聪明的方法论"
- Google在新的大模型里做了很多事情，将来可能变化，"但是目前我并没有看到"
对组织变革的方法论
何小鹏
切记不要小刀砍大树，慢慢砍。想清楚了砍掉它。所以在某些上面你就敢下注——从组织到流程到方向全部改。
何小鹏强调，变革不能只看"业务层或者应用层"——内部看到的是"一直到根上面去"。他认为每家公司走的都是独特的道路，不可复制。"今天中国说学A公司学B公司，我觉得都是错误的。"
六、物理AI的四个方向与100倍难度
何小鹏提出了AI发展的四个主要方向：
| # | 方向 | 何小鹏的判断 |
|---|
| 1 | 数字AI | 很多人都在思考跟行动，进展最快 |
| 2 | 物理AI | 比数字AI难100倍，但2027-2028开始会出现类似ChatGPT的巨大突破——"到底对什么岗位产生了巨大的帮助，甚至长期来看有一定的取代" |
| 3 | 人体AI | 除了Google没有公司真正做好，医药/养老行业非常复杂，涉及人体内部循环和外部循环 |
| 4 | 企业AI | 最难的方向之一——部门级和中心级AI耦合相对简单，但企业级非常难。1000人以内的小型企业在开始更多探索 |
为什么物理AI比数字AI难100倍？
- 需要同时拼长板、短板和窄板
- 数据成本是数字AI的几个量级
- 涉及真实世界的法规、安全、品质、人机交互
- 不能只跑benchmark，还要保底——"你要保住下限"
- 需要从科研角度跳到工程角度，再跳到产品角度，再跳到商品角度，再跳到规模的商品角度——"你就必须去思考的要更广更深"
- "不是仅仅是两到三块长板的逻辑"
对小型公司进入物理AI的尖锐批评
何小鹏
很多很小型的公司，几条枪，十几个人就说我要用AI Code去改变。我自己觉得他们完全低估了物理世界改变的多样性跟复合性。就像我们最开始从移动互联网进入汽车行业，都觉得我把一个事情做到极致再极致一点就很好了。NO，因为你考虑的维度不对。它是一个物理的维度，你是一个数字的维度。你在数字维度做到极致，他的价值点可能极小。
变革期的时间判断
不同层面的变革速度
- 技术变化：可能一个月就可以变完
- 组织变化（全球化中型组织）：3年变完已经是"极其可怕的速度"
- 何小鹏"甚至认为5到10年都已经是一个快的速度"
七、CEO的焦虑：公理层面的动摇
何小鹏
当然焦虑。因为你会发现你以前的很多的逻辑论，甚至你逻辑论的底层的定理范式，甚至到公理层——你的价值观、人生观、世界观——在这些东西的变化下不是那么work。
何小鹏将"发现问题"和"解决问题"区分为三种完全不同的能力级：
- 看到问题——"我当年没创业的时候，我也看到无数问题"
- 解决问题——"当你作为一个创业者，你发现有很多问题它是天然应该存在的。你根本没法解决问题，你是个CEO你一样解决不了"
- 构建体系——"既有上限，又能堵住下限的避免问题"
一个具体的公理级动摇
何小鹏举了一个例子：做了多年自动驾驶之后，"你越做下去，你越会觉得好像L5永远不会到达"。但当真正用AI重构这个事情之后，"你觉得它可能存在的。好，当它可能存在的时候，你会对于很多原来的所谓的壁垒逻辑都会产生新的想法。"
他表示"只能点到这里了，再不详细说了"。
八、机器人：三个阶段与300人团队的解散
三个发展阶段
2018-2020 四足探索期
独立团队，和中国其他四五家公司一起做四足机器人。
2020-2023 多路试错期
3.5年间做了三个不同的版本。尝试过三种不同集成方式：激进的方法做集成、汽车的方法做集成、缝合的方式做集成，各有成功与失败。
2023年 团队大裁撤
将300人团队裁至不到60人，解散的成员创立了约10个创业团队，"大部分都拿到钱了，现在已经拿了好多轮钱了"。
2023至今 通用人形路线
重新组建全新团队——选了负责人LC——"既懂点AI，又懂点汽车，又懂点工程，又懂点机器人"。从四足坚定转向双足，从不相信"大脑"到相信AI Foundation Model驱动。
2023年的转折：为什么开始相信"大脑"
之前不相信的原因
原来觉得机器人"不可能成功——大脑就是没有大脑成功的可能性"。小脑的复杂度都远高过大家的认知。何小鹏对行业内所谓"小脑已经做好了"的说法不以为然：
- "用同一个单调的步伐往前慢慢的行走，我觉得那不是小脑，那是脊椎或者你的老干，只是保持平衡，你还远远连小脑都不是"
- 真正的运动的小脑实际上是大脑级别的
2022年看到新模型后，认知发生变化——开始相信大脑（Foundation Model）驱动器型的全新设计。
选人LC的细节
- LC既不是专门做机器人的，也不是专门做智能驾驶的——"他的象限跟我的思考的象限比较吻合"
- "有很多时候是命运"——首先你选择他，他也要选择你
- LC非常注重"人才的密度"，何小鹏则认为是"人才的潜力"
- 单一部门一年招了近80个三清博士毕业生——"他们都很贵，但是我们都愿意"
- "要用超级聪明的人去做超级困难的事情，而不是用非常清晰的方向或者流程或者工具去来锻造"
何小鹏对Demo的看法
何小鹏看到很多外面机器人公司的demo/演示/video时的态度："也许他能成功，但是我是试过了。"他将很多公司快速做出demo比作2017年中国很多L4自动驾驶公司——"不代表这些技术最终能够看到真正的价值"。
九、造人而非造机器人
何小鹏 引述团队负责人LC
他一直跟我说，他想是造人，而不是造机器人。
何小鹏认为，绝大部分人把机器人当做一个商业产品，但没有思考机器人在社会、在宇宙的参与感，以及跟人的情绪价值的连接度。
为什么不能做四足
四足机器人在家庭场景的致命问题
- 1m1-1m2的四足机器狗进入房间会出很多问题——床头柜那里无法原地掉头
- 金毛在掉头时会抬尾巴避开碰撞，而机器狗"百分之百会让你们两个都觉得受伤"
- 做小了——能力级非常差，只是轻度陪伴，且续航特别短
- 做大了——没有选项
为什么不能做金属巨人
1.8m盔甲型机器人的压迫感
- "即使你是它的设计者，你也不愿意跟他只隔了一厘米行走"
- 有压迫感，觉得它可能危险、可能很烫、可能有电、可能很脏——"反正有各种各样的原因，你会跟他保持距离感"
- "如果连我们这样的成年人都会，那老人跟小朋友怎么办？"
- 社会安全跟法律法规该怎么解决？
小鹏的选择
- 身高1.69-1.70m——让男生和女生都比较舒适
- 可以穿衣服，甚至有头发
- 不能有自己的脸——恐怖谷效应 + 法律和社会哲学的效应
- 今天大家看到的小鹏机器人和正在做的"还是有蛮大的差别"——等今年下半年
机器人的终极价值判断
中老年人视角
- 很多人在考虑"等他老了之后，这个机器人有什么用"
- "老人很有可能把机器人作为他唯一的依赖"
- 物理价值 + 情绪价值的组合
工业机器人的另一个问题
有人说工业版机器人可以避开家庭场景的问题。但何小鹏指出：工业版"引发了一个新的问题——手部的能力要很强，它会引进一个低的新问题"。而如果机器人最终要在很多岗位为基础蓝领和基础白领都产生价值，"他一定要走入我们的身边"。
十、那场意外：机器人发布的舆论风暴
2025年小鹏发布人形机器人后，引发了巨大的网络讨论——很多人质疑机器人里面是真人。何小鹏还原了整个事件的决策过程：
发布会当天
"我们是没有想到"会引起这么大讨论。这款机器人其实是前年一季度开始做的一个中间版本，只是想验证：如果一个机器人有人这么多的关节，是不是能够更容易地进入到生活。
团队的两种意见
意见一（团队主流）：清者自清，浊者自浊，不必回应。意见二：再观察，等24小时再看。何小鹏等了几个小时就受不了了。
何小鹏的决策
"当24个小时之后，可能这个子弹已经不知道飞到哪去了。"当天晚上，何小鹏给团队打电话："明天早上你们给我想个创意，我要去告诉大家这是一个真实的机器人。"
"剪腿"创意
选择剪开左腿——因为机器人是从左往右走路，左腿最容易看到。"我们觉得最容易的就是把他的腿（剪开）"。结果是有些人相信了，但"也有更多人反而不相信"，后来又做了一场。
何小鹏知道但外界不知道的细节
那款机器人的实际状态
- 旁边的开发使用的人"都知道他绝对不是一个人"——"说实话那一个机器人也是一样，他的管理是有问题的"
- 机器人很烫——这是当时的技术问题
- 内部知道"后面的版本会很好"
- "这个世界上99.99%的人他是没有办法跟他touch到的"——所以内部很多人觉得可以不说
舆论风暴带来的正面影响
- 加速了机器人的研发——"算是加速了"
- 非常多优秀的人加入小鹏机器人
- "跟汽车创业有个非常非常大不同"——何小鹏说这个不同现在不能分享，"等很多公司都踩了坑之后，大家会看到不同是什么"
- 即使以小鹏的能力，这次事件也"让我们成功概率提高了一点点，我觉得非常之好"
关于机器人的皮肤和肌肉
何小鹏透露了一个行业内少有人提及的问题：今天看到的很多机器人的行走效果，如果加上肌肉跟皮肤之后，行走的效果会极大幅度的变化跟缩减。"因为这是完全不一样的事情"——人有200多个关节，还有肌肉、还有皮肤，机器人的关节比人少很多，一旦加上仿真覆盖物，运动表现会大打折扣。
十一、运动控制：1920年代的汽车底盘
何小鹏认为，绝大部分人都低估了机器人的运动控制的难度。
汽车运动控制的类比
汽车运动控制也远未解决
何小鹏举了一个极端案例：一辆自动驾驶汽车在左轮胎是雪地、右轮胎是草地的情况下，要转一个47.5度的弯，同时前面有车、左边有人——"这对人都很难"。整个四轮的控制、运动的平衡、视线的管理——"汽车今天的运动控制非常好，但是还远远没做到足够的全能"。
机器人运动控制的现状
行业现状
- 处于汽车的1920-1930年代水平——"也许是T型车那个时代"
- 大多数机器人只有走/打两种运动模式，需要调节切换
- 五种运动控制已经是极限
- 很多来自2018年的某些开源运动控制（NPC等），所以看起来有很多共性
小鹏的目标
- 全姿态、全AI组合的运动控制
- 人有200多种关节，组合是无限循环
- 还要有表情、手眼脚、灵魂跟情绪的协同
- 像人的本能一样——学会走路、跑步后有本能能力
- 看到雪地或草地会"试探的走一下，来感受摩擦力和整个体感"
- 运动控制"有点像汽车的下下代"
何小鹏
今天你看了所有的机器人，他要不然是走，要不然是打架。他的两种运动控制可能是要调节的。然后你说你要有五种运动控制——没了。但对一个人，一个人有200多种关节，它的组合是无限循环。
何小鹏认为，绝大部分机器人公司还在"很多年前的运动控制的汽车上面去"，所以"自然只能用软件去缝合它，自然很难做出好的机器人的综合能力"。
十二、机器人创业的残酷现实与竞争格局
汽车创业 vs 机器人创业
| 维度 | 汽车创业 | 机器人创业 |
|---|
| 当年高峰数量 | ~100家（有说法300多家，但很多胎死腹中） | 已成立200多家（比汽车double） |
| 分类广度 | 乘用车、商用车、专用车、微型车等七八个 | "远不止七八个分类"——医疗、货运、巡检等无数分类 |
| 造出来后 | "只要造出来，假设没有竞品、有用户需要，你一定相信他是个可以卖出去的东西" | "你不敢说"——机器人还没有被定义清楚，市场也在等待 |
| 开源影响 | - | "我不认为有一个非常好的开源能够帮助一个机器人公司做好软件" |
关键区分：通用人形 vs 差异化机器人
何小鹏的分类判断
- 很多机器人不需要是人形的——何小鹏也认同这一点
- 走通用人形机器人路线：99.99%会死掉
- 走差异化机器人路线：这个世界上可能有非常多的解法，"我觉得比乘用车高"
- 小鹏选了最像人的人形路线——"你想做什么，你有能力做什么，你觉得该不该做，你不做什么，和你觉得如何做到有最好的概率论——这五个能力的组合，不就是你的企业或者产品战略吗"
竞争格局的判断
何小鹏
通用人形机器人现在没有对手，全都是自己。因为每一家做机器人公司，最重要要让自己的能力最强。你自己能力从底层就是组织，再往上就是infra，再往上你的整个体系（技术、产品、商品），然后再往上是你的工程。
80%的硬件都自研——手、芯片、关节——和上游的Tier 2合作而非Tier 1。
机器人的血海 vs 蓝海
何小鹏认为机器人的竞争"就像当年的互联网竞争一样——会很快从血海到蓝海"，进展速度会极快。原因是：血海里的那群人"绝大部分不太懂AI"。在汽车行业，"不懂软件找好的Tier 1"是worked的，但在机器人里"是不work的"。
十三、小鹏的下一个十年：三条曲线
第一条曲线：汽车
把汽车干到"完全的智能体"。汽车还要证明软件能力占50%，也许要花10年。
第二条曲线：机器人
机器人本身就是智能体——"如果一个机器人软件能力很差，你基本上不会要它"。不需要像汽车那样证明软件价值。
第三条曲线：全球化
机器人跟汽车有一个绝大部分都忽视的巨大不同：一旦有能力规模化，规模化速度会远超汽车。
机器人规模化为什么会比汽车快
汽车的三重限制
- 道路要建设
- 交通法规要建设
- 量产难度高——"你今天做了一个特别好的车一天卖了10万台，对不起你没有能力下个月造出10万台。另外你也不敢过了三个月真造出一个月10万台，因为你不知道后面能不能卖出10万台"
机器人不同：有可能做的特别好后，在某一个点（不是一个面）会有非常大的爆炸效应。类比：数字AI里最大的突破是Coding——大概不到18个月就有巨大变化。机器人比它慢（物理世界vs数字世界），但还是有可能。
2027年判断
商业量产元年
何小鹏预测2027年将是高等级机器人商业量产的第一个元年，不论中国还是美国。以运动遥控型机器人的时代会随着高等级机器人出现而"逐渐的适度下行"，进入"差分的阶段"。今年下半年小鹏机器人进入类似汽车SOP的阶段。
今年下半年量产的难点
- 硬件：能不能做到相当的可靠和稳定
- 多个大模型的拟合：高等级的多个大模型能不能很好的拟合
- 商业化证明：第一款商业量产的机器人"还达不到iPhone 1"——但不同于当年iPhone有诺基亚、摩托罗拉等替代品，机器人出来时"很多人都没有做到类似的东西"
十四、GX：从G9复盘到旗舰SUV
GX是小鹏第一款全尺寸六座旗舰SUV。今年北京车展大概有30款同类全尺寸SUV。
GX的核心差异化
三个跨界融合能力
- 飞行汽车技术：把飞行汽车的核心零部件融入——全中国第一个整车厂做了前装的Levo Test，八个全安全冗余（电源坏了还能开、动力坏了还能开、线束被老鼠咬坏了还能开）——"像飞机一样允许你有冗余"
- 线控底盘 + EEA + VA：新的底盘能够在VA执行过程中提高下限——安全级别更高、时延更短、控制灵敏度提高接近百分之几十
- 机器人的任务思维：源自机器人的"听一个任务"逻辑——判断你是谁（不是主人就不听话）、水在哪里、要喝什么水、拿完水去哪里、怎么给你。汽车在"不远的将来"会看到这种能力
GX的硬件细节
- 第三排空间可以完全推平——四座、五座、六座都可以
- 与福耀玻璃合作做隐私玻璃
- 与美的合作做新一代车载冰箱
- 5月21日正式发布，目前是预售
GX的目标用户
何小鹏
30岁以上，比较勇敢。很多人做的很好，有的是创业者，有的是好的经理人员、好的专业人员。他们愿意探索新的科技体验、新的科技的豪华。更期望是面向家庭的科技豪华。
对G9的复盘
何小鹏坦言从G9复盘到了"太多了"——组织调整了、产品规划调整了、对客户的认知调整了、商业逻辑也调整了。已隔3.5年（2022年到现在）。关键判断："当你的体系能力越强，你越难在某一两个点上能轻松的失败。"
关于"小鹏的车丑"
何小鹏
在内部颜值是一个相对论。要在多个领域做到第一，才有可能。颜值是其中一个领域……我觉得在越来越好看的路上。其他的信心我不够足，对丑美的信心我还是很有信心。
十五、行业终局与第三方路线之争
与地平线（余凯）的路线之争
余凯曾说何小鹏是他"最难磕的一个用户"，认为车企最终都应该用第三方。何小鹏的回应：
何小鹏的判断框架
- 余凯的道路"很有趣、很有希望，但是也许很有挑战"
- 关键变量：最终汽车/机器人公司是多还是少——越多，Tier 1的道路越广；越少，越痛苦
- 何小鹏倾向于认为越来越集中
- 终极问题：10年后软件占不占汽车价值的50%？如果占，"一两家Tier 1就可以帮助合作伙伴做到50%吗？他当然希望是这样，但也许可以也许做不到"
跨域融合的壁垒
何小鹏认为汽车有一个"跨域融合"的概念——把硬件、软件、制造、设计、服务、运营等完全不同关联的能力融合在一起。"你原来跟三家公司合作来一起提供total solution很容易，但对不起，你要跟300家公司一起合作提供一个个性化的解决方案，是非常痛苦的。"
中国汽车行业终局
"不代表其他汽车企业会倒闭，但是规模的下行，会导致越来越难进入到这种超高强度的竞争。"何小鹏认为目前没有一家车企"从血海里游出来"。
机器人 vs 汽车的竞争差异
何小鹏认为机器人的竞争"反而会稍好一些"——原因有二：（1）机器人的同质内卷可能性会低，软件价值很大；（2）不认为有好的开源能帮助机器人公司做好软件。
十六、CEO方法论：绝不服输与愿赌服输
何小鹏在2022年底小鹏陷入困境时确立了两条原则：
绝不服输
面对巨大困难也要坚持，"也许你再努一把力，他就过了"。
愿赌服输
心态做好，接受结果。停掉几十亿的旧体系，是心理和物质的双重压力。
关于赌注和概率论
何小鹏
每个人的创业不就是在你当时的能力上，赌十倍到一千倍的可能性吗？如果你要赌1000倍，对不起你的概率是千分之一。如果是十倍，你的成功概率可能十分之一。随着你创业的规模变大，你一样需要去赌——只是那个时候你不应该赌1000倍的概率论，你可能是赌数倍到十倍之间。
何小鹏
知道如果当你要下注的时候，早点下会更好。倒并不是更敢赌了。
今年花时间最多在哪里
何小鹏表示参与的领域包括车、机器人、AI、组织、采购等，但最多的是战略跟规划——"未来是什么样的"。他认为今天没有一家企业算成功："规模算成功吗？是成功的代表之一。利润算成功吗？有些利润可能是临时的。"
知识获取的方法
何小鹏不太看书了
- "桌面上很多书可能翻一张就过了"
- 原因："书里面总结的规律，在现在的组合里面变化太快。当他写好一本书印刷出来之后，这个世界可能又变化了10%"
- 看书应该在"一个更稳定的环境"
- 吸收知识的方法：读万卷书、行万里路、瞭万尺天、卷万次袖子（实践）
- 现在最重要的是"在一个足够大的平台上做好你的快速循环"
- 企业内部靠PDCA，但AI体系里"PDCA的C都不能做了——应该尽量降低人的任何一个环节的消耗"
关于后悔
何小鹏
这个世界上不需要去思考后悔的决策。因为犯错的太多了，犯错为什么要后悔呢？我们经常觉得说原来这个时候的一个东西是错了，那我们在一起思考为什么现在错了。但不用后悔。
十七、关键数据汇总
| 判断 | 具体内容 |
|---|
| L4实现时间 | 18-24个月内（即2027年底-2028年中），"谁说今年做得到，我觉得吹牛逼" |
| 年数据成本 | 接近10亿人民币以上（直接刚性成本），每个使用环节千万级 |
| 训练数据量 | 单次几十TB到几百TB（vs 数字AI几十TB） |
| VA2的上限 | 10万-100万分 vs VA1的1000分 |
| VA2初始下限 | ~100分（vs VA1的~900分） |
| 新VA对销量影响 | 2026年4月，行业同环比跌20%，小鹏涨50-70% |
| 小鹏AI投入占比 | 15-20%（含自动驾驶+机器人的泛AI） |
| 机器人团队裁撤 | 300人→不到60人（2023年），解散者创立~10个创业团队 |
| 三清博士招聘 | 单一部门一年招了近80个 |
| 机器人硬件自研率 | 80%（手、芯片、关节） |
| 机器人创业难度 | 汽车的20-100倍 |
| 通用人形机器人死亡率 | 99.99% |
| 小鹏机器人自评胜率 | 约20%，"中国企业里面最高的胜率" |
| 中国机器人公司数量 | ~200+（比当年汽车公司double） |
| 中国车企终局 | 30年后5家有规模的企业 |
| 机器人身高设计 | 1.69-1.70m |
| 机器人量产时间 | 2027年——高等级机器人商业量产元年 |
| GX安全冗余 | 八个全安全冗余，前装Levo Test |
| 线控底盘控制灵敏度提升 | 接近百分之几十 |
| GX目标用户 | 30岁以上，勇敢的创业者/专业人士，面向家庭 |
| Token管理态度 | "不控制token"——只管理最异常的top 10情况 |
| 小鹏使用的AI产品 | 千问、豆包（个人），Claude Code、DeepSeek（团队/hub切换） |
| 小鹏未来10年 | 三条曲线：汽车→机器人→全球化 |
| 组织变革速度 | 全球化中型组织3年变完已极快，5-10年是常态 |
| 物理AI vs 数字AI难度 | 100倍 |
| 数字AI当前能替代的岗位 | 3个（分析师、程序员、设计师），物理AI是其数十-数百倍 |
| 已停止投入 | VA1体系"小几十个亿" |
启示与延伸思考
1. "物理AI比数字AI难100倍"不是修辞
何小鹏给出了具体原因：物理世界需要同时拼长板、短板和窄板；数据成本是数字AI的几个量级（年数据刚性成本近10亿）；涉及真实世界的法规、安全、品质、人机交互；不能只跑benchmark，还要保底。这意味着数字AI领域的成功方法论（包括开源社区、快速迭代、benchmark驱动）在物理AI中大多失效。
2. "缝合怪"概念值得业界警惕
何小鹏指出，很多公司本质上是"用软件的方法论+AI的工具箱"做产品，结果还是更强的软件。他连Waymo都批评为"更高级的缝合怪"。这个判断如果成立，意味着当前大量的"AI驱动"产品其实是伪命题——AI是工具而非架构。真正的范式转换需要从底层（组织、流程、方法论）全部重构。何小鹏的决策——停掉小几十亿的旧体系——正是基于这个判断。
3. CEO不深度使用产品 + 不看书——两个反直觉管理哲学
何小鹏不仅不深度用AI产品（与硅谷dogfooding文化相反），还不太看书了（"书里总结的规律变化太快"）。他的逻辑是：在技术快速变化期，一号位需要"向远方看"，深度使用和系统学习反而会让你陷入当下和过去的优化循环。真正的知识获取是"在一个足够大的平台上做好你的快速循环"。
4. 通用人形机器人是终极高风险高回报赌注
20%胜率、99.99%同行会死掉、创业难度是汽车的20-100倍——何小鹏对机器人的判断极其严峻。但他同时认为一旦成功，规模化速度会远超汽车，且软件价值占比远大于汽车。关键时间节点：2027年是商业量产元年。一个被忽视的细节：机器人加上皮肤和肌肉后行走效果会大幅退化，这是多数demo不会展示的真实挑战。
5. "造人"而非"造机器人"的哲学转向
小鹏机器人团队的目标是"造人"——不只是商业产品，而是思考机器人在社会和宇宙中的参与感、与人的情绪连接。这驱动了一系列具体决策：1.69m身高（而非威武的1.8m）、可以穿衣服有头发（但不能有脸）、注重在家庭场景中的零距离共处。何小鹏特别提到老人可能把机器人作为"唯一的依赖"——这是他认为"极少有人这样思考"的视角。
6. Token在物理世界的含义完全不同
何小鹏提出了一个被忽视的区分：数字AI的token是人使用AI的量，物理AI的token是machine自身使用的量。两者的指标应该完全不同。这解释了为什么他"不太care"员工token使用量——因为和物理世界AI模型训练需要的token相比，那是"非常小的数字"。小鹏内部用3-5万张H100来衡量算力分配，而非token。
7. VA1→VA2的决策是一个CEO认知跃迁的案例
从"L5永远不会到达"到"它可能存在"——何小鹏描述了一个公理层面的认知翻转。他的决策没有标志性会议，"基本上在脑袋里面拍"。最大的反对不是辩论，而是"用脚投票"——人才离开。组织架构在Q3末全改，3月底发布新版本，4月销量在行业下跌20%的情况下涨了50-70%。整个过程从思考到初步验证不到12个月。