CQ的智能汽车科普

小鹏这周发了X-Foresight，配合3月的X-World、4月的X-Cache，应该把VLA方面的叙事讲的挺完整了，谈谈对于这东西的理解（结合 calude 的分析）

传统智驾的问题是"反应式"——看到什么，执行什么。比如司机只盯着眼前一米，遇到情况才踩刹车。X-Foresight想做的是"预测式"——让模型在决策动作的同时，同步预测未来几秒的世界状态是什么样的。

自动驾驶需要靠海量驾驶视频，来学习物理世界的运行规律——行人怎么反应、车怎么运动、路口信号灯怎么切换。X-Foresight的做法是把世界建模直接嵌入VLA架构，联合预测未来画面和驾驶动作，逼着模型去理解"为什么这么开"，而不只是记住"遇到这个情况该怎么操作"。

小鹏提到了一个训练难题【长时预测】：预测的时间越长，模型越容易"摆烂"——不再真正理解物理规律，而是简单地把上一帧的画面往后延伸，像把照片模糊地往前拉，而不是真正在推演"接下来会发生什么"。

他们的解法是把时间序列切成一段一段来处理：每段内部看得很细，捕捉车辆转弯、行人突然移动这类瞬间；段与段之间跳跃式推进，学习更长时间跨度里的因果关系。

就像看球赛，既要看清每一脚传球的细节，又要理解整场战术是怎么演变的，两件事不能只用一个节奏来看。底层的计算方式也跟着改了，否则序列越长算力消耗越爆炸，根本没法量产落地。

数据上用了28万小时、3400万条视频片段，token规模13.8万亿，7路环视360度覆盖。

小鹏的实测数据是：碰撞率相对降低16.2%，安全、合规指标分别提升9.1%和8.2%。两个具体场景——多出口环岛能精准锁定目标出口不跑错，夜间路口能预判信号灯切换平稳通过，而不是盲目制动。

有人会说，小鹏不是已经有X-World了吗？为什么有这个X-Foresight。

大致区别在于，X-World是仿真系统——负责生成虚拟场景、验证模型，是个"练兵场"。X-Foresight做的是把世界预测直接焊进决策模型里，预测未来画面和输出驾驶动作同时发生——预测错了，驾驶决策自然也会跟着出问题，两件事绑在一起训练，世界知识就不是外挂进来的补丁，而是融进了开车这件事本身里。两者的分工是：X-World负责造环境，X-Foresight负责让模型真正理解环境。

X-World管仿真，X-Cache管推理加速，X-Foresight管世界知识学习——三个东西加在一起，应该是小鹏一套完整的东西。