小鹏VLA上身IRON，开始预判人类

小鹏汽车今天宣布，第二代VLA大模型已落地人形机器人IRON，使其能够每0.2秒根据视觉画面重新推理，并预测未来6秒内的人类动作变化。这意味着小鹏此前用于智能驾驶的时序理解和世界预测能力，开始被迁移到机器人本体上。

这次升级最值得关注的不是IRON学会了握手、碰拳或击掌，而是它不再把这些交互当成一组预先编排好的固定动作。面对人类临时握拳、突然换手或者改变击掌位置，IRON会持续观察对方的姿态，并在动作执行过程中修改自己的回应。

VLA是视觉－语言－动作模型，即把视觉感知、语义理解和动作生成放进同一套模型框架，让机器从看到环境直接走向理解任务和执行动作。 对人形机器人来说，VLA的价值不在于能否识别一只手，而在于能否判断这只手下一刻准备做什么，以及机器人应该如何同步调整身体。

0.2秒重推理，重点是动作没有被锁死

IRON每0.2秒重新推理一次，相当于模型以5Hz频率更新对环境和动作的判断。这个频率不等于机器人的摄像头帧率，也不等于从视觉输入到电机响应的完整端到端延迟，但它说明高层动作决策并非只在交互开始时运行一次。

传统演示型机器人经常采用“识别手势－选择动作模板－执行到结束”的串行流程。人类如果按照预定位置伸手，机器人可以顺利完成握手；一旦手掌变成拳头，或者击掌目标在动作途中发生移动，原有动作轨迹仍可能继续执行，最终表现为挥空、停顿甚至错误接触。

小鹏展示的新流程更接近一个持续闭环：IRON一边观察视觉变化，一边更新对人类意图的判断，同时调整自己的手臂、手掌和身体姿态。其核心差异是动作计划可以在执行过程中被反复修正，而不是生成之后便保持不变。

| 交互方式 | 传统单次识别方案 | 第二代VLA驱动的IRON | |---|---|---| | 环境观察 | 动作开始前识别一次 | 动作执行中持续观察 | | 推理更新 | 完成当前动作后再更新 | 每0.2秒重新推理一次 | | 未来判断 | 主要判断当前手势 | 预测未来6秒动作变化 | | 临时变招 | 容易继续执行原轨迹 | 可切换回应方式或换手 | | 控制逻辑 | 感知、规划、执行串行 | 观察、推理、行动并行推进 | | 典型问题 | 停顿、挥空、响应滞后 | 需要解决连续预测的稳定性与误差累积 |

0.2秒的真正意义是缩短纠错周期，而不是简单追求一个更漂亮的响应数字。机器人如果误判了人类要击掌，最迟在下一轮视觉更新中仍有机会修正；如果模型只在动作开始前判断一次，后面的控制系统再快，也只能忠实执行一条已经过时的轨迹。

预测6秒，不等于准确看见6秒后的唯一结果

预测未来6秒是对一段时间窗口内可能动作变化的持续推演，而不是声称机器人能够准确知道人类6秒后一定会做什么。真实的人类行为具有多种分支，一个伸出的手掌可能意味着握手、击掌、阻止靠近，也可能在下一刻握成拳头。

合理的世界预测模型通常需要同时利用位置、速度、运动方向、身体姿态和历史画面，估计多个潜在未来，再根据新观察不断调整概率。放到握手场景中，机器人不是先猜出一条长达6秒的完整剧本，然后照着演完，而是在每0.2秒更新一次对未来6秒的判断。

“6秒预测窗口”和“0.2秒更新周期”组合起来，构成了滚动预测机制。它类似车辆导航不断重算接下来的路线：前方视野覆盖得更远，但每走一小段就会根据现实重新规划，因此远期预测允许存在不确定性，近期动作则需要足够稳定和准确。

这套机制对于机器人比对汽车更苛刻，因为人体动作的尺度更小、变化更快，接触距离也更近。汽车预测一名行人未来几秒的大致运动方向，通常关注是否进入本车轨迹；人形机器人进行握手时，则需要同时处理手腕角度、手指状态、接触位置和力度，几厘米偏差都可能直接影响交互体验。

目前公开信息并未给出动作预测准确率、端到端响应延迟、控制频率、失败率或测试样本规模。因此，“每0.2秒推理”和“预测6秒”证明了系统的运行方式，却还不能单独证明它已经达到稳定、通用的人机协作水平。

汽车与机器人正在共用一套物理AI底座

小鹏这次升级的战略价值，是验证汽车和机器人可以共享同一个物理AI基座。汽车与人形机器人看起来是两类产品，但都需要从连续视觉中理解真实世界、预测其他参与者的行为，并把判断转换为安全动作。

物理AI是能够感知现实环境、理解物体与人的状态，并通过车辆或机器人本体采取行动的人工智能系统。 它与只生成文本或图片的模型不同，输出错误不只是回答质量下降，还可能直接变成错误转向、碰撞或不合适的肢体接触。

第二代VLA此前首先在小鹏汽车的驾驶体系中建立“时间感”。据小鹏披露，升级后的模型引入流式自回归推理，让传统的“看－计算－输出－再看”转为“边看、边想、边行动”，端到端响应速度提升300%；X-Foresight预测世界模型则用于推演周边交通参与者未来6秒的可能行为。

流式自回归推理是模型在输入持续到来的同时连续生成和更新判断，而不必等待完整输入结束后再统一输出。 对动态物理世界而言，这种方式减少了感知、推理和动作之间的空档，更适合处理突然刹车、行人折返以及人类临时变换手势等事件。

第二代VLA还采用Infini-VLA长时序架构和MoT混合架构，但这些汽车端能力在IRON上的具体配置尚未被完整公开。小鹏此前称汽车模型能够利用前30秒的上下文，而本次机器人信息明确确认的是每0.2秒重推理和未来6秒预测，不能直接把所有汽车参数等同为IRON的实际指标。

MoT混合架构是按任务动态分配模型能力的混合式设计，用不同“专家”处理不同类型的问题。 在汽车上，它用于降低城区道路、园区和泊车等任务之间的相互干扰；如果这一机制完整迁移到机器人，潜在用途将包括行走、双臂操作、人机交互和异常避障之间的任务切换。

2250 TOPS让模型留在本体，但算力不是最终答案

IRON搭载3颗小鹏图灵AI芯片，官方公布的有效算力合计为2250 TOPS。TOPS表示芯片每秒可执行的万亿次运算数量，不过不同芯片的计算精度、内存带宽和算子利用率并不相同，因此TOPS适合描述理论计算规模，不适合直接作为机器人智能水平的排名依据。

端侧部署的实际价值是降低通信延迟，并减少机器人对网络连接和远程控制的依赖。握手、避让和接触控制发生在很短的时间尺度内，如果每次视觉判断都要上传到云端再等待结果，网络抖动就可能让动作错过合理窗口。

端侧运行也有利于数据安全，因为商场、门店和家庭中的摄像头画面不必持续离开本地设备。对于计划进入公共空间的人形机器人而言，数据处理位置会直接影响隐私合规和商业客户的部署意愿。

高算力并不能自动解决机器人控制中的所有问题。模型还要面对多摄像头数据吞吐、内存访问、散热、续航以及电机控制延迟，真正影响体验的是从画面进入芯片到关节完成调整的整条链路，而不是单一芯片参数。

| 项目 | 小鹏公开信息 | 对实际体验的意义 | |---|---:|---| | 高层推理更新周期 | 0.2秒 | 每秒更新约5次判断 | | 动作预测窗口 | 未来6秒 | 提前推演人类动作变化 | | 本体AI芯片 | 3颗图灵AI芯片 | 支撑端侧模型部署 | | 有效算力 | 2250 TOPS | 为连续视觉推理提供计算资源 | | 灵巧手自由度 | 22个 | 提升手势和抓握动作表达能力 | | 计划量产时间 | 2026年底 | 从演示进入制造验证阶段 | | 计划交付时间 | 2027年上半年 | 优先进入门店、商场等商业场景 |

从握手演示到商业落地，中间仍隔着可靠性

握手和击掌是检验动态交互能力的有效测试，但不是完整的商业任务验证。它们能够直观展示视觉追踪、意图预测和在线轨迹调整，却没有覆盖长时间运行、复杂抓取、多人干扰、遮挡恢复以及发生错误后的安全退出。

IRON要在门店和商场形成可交付产品，至少需要证明三类能力。第一类是长时间稳定运行，包括算力负载、温度、续航和机械寿命；第二类是开放环境泛化，包括不同身高、服装、光照和人群密度；第三类是接触安全，包括速度限制、力量控制、碰撞检测和紧急制动。

小鹏计划在2026年底实现人形机器人量产，并于2027年上半年开启交付，首批场景指向门店和商场，之后再向工业及家庭扩展。这个顺序相对务实，因为门店任务边界更清晰，环境也更容易改造和管理，远比直接进入家庭面对无穷长尾情况可控。

商业场景能否成立还取决于机器人是否可以持续创造可计算的价值。迎宾、导览和互动展示容易吸引注意，但替代价值有限；搬运、补货、巡检和简单操作更容易形成付费需求，却对可靠性、负载能力和任务完成率提出更高要求。

小鹏的优势是共用底座，风险也是共用底座

小鹏相较于只做人形机器人的创业公司，明显优势是已经在汽车上积累了大规模视觉数据、端侧芯片、模型压缩和安全工程经验。第二代VLA如果能够在汽车与机器人之间复用，不仅能降低重复研发成本，还可能让同一套时序理解能力在不同本体上相互验证。

共用底座并不意味着汽车模型可以直接搬到机器人上使用。汽车的主要动作空间是转向、加速和制动，人形机器人则拥有双腿、双臂、手掌和躯干，动作维度更高，接触过程也更复杂；汽车数据能教会模型理解道路参与者，却不能替代机器人自身的操作数据和全身控制训练。

小鹏此次展示更像是统一物理AI路线的一次关键技术验收，而不是通用人形机器人已经成熟的证明。第二代VLA已经让IRON从“识别一个手势再执行”跨到“持续观察并滚动调整”，但距离稳定完成开放环境中的生产任务，仍需要任务成功率、安全指标和长期运行数据来回答。

现阶段最有价值的进展，是IRON开始把人类动作当成一段随时间变化的过程，而不是一张静态图片。对具身智能而言，理解空间决定机器人能不能看见目标，理解时间才决定它能不能在目标变化时继续把事情做对。

参考来源

• IT之家：小鹏IRON人形机器人能力升级，每0.2秒重新推理一次｜报道第二代VLA落地IRON、6秒动作预测、硬件配置及量产交付规划。