车东西（公众号：chedongxi）
作者 ｜ 郭月
编辑 ｜ 志豪
中国智驾出了国门，还能不能打？
过去几年，中国汽车出口量节节攀升，中国汽车的竞争力已不止于动力与续航——智能化正在成为新的杀手锏。在全球路况最复杂市场磨出来的智驾技术，如今正跟随整车一起，驶向海外。
多家中国车企纷纷落子布局：小鹏日前官宣，第二代VLA模型已实现同一套架构打通中国与欧洲市场，当前正推进欧洲地区的量产适配工作，目标2027年逐步向海外用户交付。
吉利旗下千里浩瀚G-ASD智能驾驶系统今年3月取得联合国欧盟UNR171国际认证，蔚来也在欧洲落地智能驾驶技术中心。
与此同时，全球自动驾驶的法规通道也在打开。此前联合国世界车辆法规协调论坛（WP29）正式批准发布了全球首个自动驾驶系统全球技术法规，2026年底开始自动驾驶可以合法进入全球市场。
但通道打开不等于路好走，国内练好的智驾系统到了海外，如何适应当地路况和规则？训练数据从哪来？能否跟上适配节奏？本文将结合小鹏相关团队发布的一系列论文，分析其如何将智驾系统带向欧洲。
一、欧洲“考场”难在哪？智驾规则得先“翻篇”
中国车企的智驾系统在欧洲，首先要面对三道坎。
第一道坎：路况、标识、规则完全不同。
一般来说，欧洲城市多窄巷、老街，车道宽度远小于国内，道路标识体系也大不相同——限速牌、方向指示、路权标志的样式和颜色与国内差异明显。
▲欧洲道路通行权的优先级层级金字塔
更关键的是交通参与者行为的差异，国内许多路口依赖驾驶员相互观察、互相礼让来通行，但欧洲实行严格的优先路权规则，主干道车辆拥有绝对通行权，可以全速通过，没有义务为辅路来车减速，辅路车辆必须停车让行，如果辅路车辆抢行导致事故，辅路车辆往往要负全责。
▲如图驾校车辆先行，因为它行驶在有优先通行标识的道路上，然后骑自行车的人才能通行
这些差异意味着，在国内训练好的感知和决策模型，到了欧洲可能需要重写决策逻辑。
第二道坎：法规限制严格，大规模实地路测困难重重。
欧洲各国的路测法规严格且各不相同，审批流程长、窗口期短，一支路测车队在当地跑一天的成本可能是国内的数倍。
更关键的是，很多需要训练的危险场景——比如前车突然掉落货物、窄巷中突然窜出的自行车——在真实道路上本就罕见，想专门去采集几乎不可能。车企每进一个新市场，都要从零建立路测队伍，落地节奏被严重拖慢。
第三道坎：传统仿真帮不上忙。
小鹏技术团队在论文中指出，行业目前大量采用基于3D高斯泼溅（3DGS）的传统仿真技术，本质上是“复现”采集过的场景——摄像头扫过一条路，就能在仿真里重建出来。
但问题是，它缺乏对物理世界的真正理解，一旦被测的自动驾驶系统做出了与当初采集时不同的动作（例如为避让障碍物而紧急变道），这个动作就超出了3DGS的重建“知识范围”，系统就无法对后续场景进行有效生成与评估，换句话说，传统仿真无法“想象”出未曾观测过的视角。
这三道坎归结起来是同一个问题：智驾系统到了欧洲市场，可能缺少足够丰富的场景数据来训练和验证。
小鹏的解法不是去欧洲多跑路测，而是构建了一套“数据生成”的技术体系，这套体系包含三项核心技术：X-World负责生成海量仿真场景，X-Cache让生成速度足够快，TuringViT则确保系统能“看清”欧洲复杂的道路细节。
三环相扣，为小鹏智驾出海打下了技术底座。
二、仿真场景“随心配” AI辅助路测“跑遍”欧洲大街小巷
X-World是小鹏推出的可控多视角生成式世界模型，可以把它理解为“现实世界模拟器”。
它要做的事情很简单：给定当前路况和驾驶操作，在给定动作条件下生成符合物理约束的未来视频，同时在持续生成过程中保持良好的可控性与稳定性。
▲X-World模型架构
对出海场景来说，这意味着只需要输入少量欧洲当地的真实驾驶画面，X-World就能“举一反三”，自动生成大量符合欧洲视觉风格和交通规则的仿真场景，大幅减少对当地大规模路测的依赖。
它怎么做到精准可控？
欧洲和中国的路况差异很大，X-World必须能按需生成特定场景。为此，它设计了四个维度的控制接口:
（1）控制自车动作：通过速度、转向曲率等参数控制车辆轨迹，适配不同国家的驾驶习惯，比如左舵/右舵、不同限速规则。
（2）控制动态物体：指定车辆、行人的位置和移动轨迹，模拟不同国家的交通参与者行为，比如欧洲的优先路权规则、东南亚的摩托车混行。
（3）控制静态元素：指定车道线、道路边界、交通标志的样式和位置，直接匹配当地的道路标准。
（4）控制全局外观：调整天气、时间、场景整体风格，适配海外当地的视觉风格。
这套能力相当于给研发团队提供了一个“全球路况编辑器”，无需去当地采集海量数据，就能针对性地生成各类场景。
多摄像头画面会不会“穿帮”？
根据官方论文，智驾系统依赖多个摄像头同时工作，而仿真生成时多摄像头生成画面，往往会出现同一个物体在不同视角里位置、形态对不上的“穿帮”问题。
X-World的解决办法是在模型结构上强制约束：靠视角-时间自注意力机制，保证跨视角的一致性。
简单说，模型生成画面时，多个摄像头不是各自独立计算，而是会互相校准，保证同一个物体在所有画面里的位置、大小、姿态完全统一；前后帧之间，上一帧的信息会传递给下一帧，保证视频动起来连续平滑。
放到出海场景里，无论是狭窄的古城街道、宽阔的高速，还是人车混行的城市道路，多视角画面的空间一致性都能得到保障，让第二代VLA基于准确的多视角画面做决策。
这套模型实际效果如何？
目前，X-World已经在小鹏汽车自动驾驶的闭环仿真测试、在线强化学习、数据生成等环节起到支撑作用。
闭环仿真测试方面，依托X-World，小鹏构建面向第二代VLA的闭环评估引擎，目前，小鹏自动驾驶仿真场景从一年前的3万增加到50多万个，每日仿真测试里程等效于3000万公里实车测试。
▲基于世界模型的仿真测试
在线强化学习方面，X-World可充当在线强化学习的仿真平台，便于智驾针对自动驾驶中的难点场景进行专项优化，例如重点优化模型在路口遭遇行人“鬼探头”、拥堵路段变道犹豫等场景的表现。
数据生成方面，X-World可实现大规模数据生成与增强。X-World作为生成式数据工厂，既可以生成缺失的长尾场景数据，也能生成海外数据用于模型训练，加速小鹏自动驾驶全球化落地进程。
三、仿真太慢等不起？AI学会“抄近道”
场景生成能力有了，下一个问题是效率。
智驾系统要熟悉各国路况、测遍各类长尾场景，背后是海量的虚拟测试里程，如果画面生成速度跟不上，同样时间内能覆盖的地区、能跑完的场景就很有限，整体适配的节奏也会被拖慢。
小鹏团队为此打造了X-Cache方案——官方定义为“面向少步自回归世界模型的跨段块级缓存”。
▲X-Cache总体架构
这个解决思路很巧妙，它发现了一个规律：相邻两段画面的中间计算结果高度相似——就像你看视频时，前后两帧画面差别很小，那么能否复用上一段已经算好的结果，避免重复计算？
X-Cache正是这样做的，它靠复用计算结果提速，在几乎不影响画质的前提下，复用相邻画面的中间计算结果，减少约七成的重复计算，对模型核心部分实现最高约2.7倍的推理加速。
▲X-Cache推理加速可提升2.7倍
画质牺牲大吗？
论文数据显示，结构相似度（SSIM）在0.999以上（满分1），学习感知图像块差异（LPIPS）在万分之四以下，画质损失处于人眼几乎不可感知的级别。
这意味着仿真画面与真实场景的差异足够小，对应到出海场景中，X-Cache可加快多地区智驾场景的测试与训练进度；同时极小的画质损失，也让仿真结果更贴近真实画面，降低仿真与真实场景的差异。
▲X-Cache结构相似度在0.999以上
这个方案通用性如何？
论文指出，X-Cache不是X-World专属，所有同类型的模型都可以适配。智驾业务需要拓展更多区域市场时，这套加速能力可以直接复用。
四、智驾来到欧洲 “眼力”也是考验
X-World解决仿真素材供给，X-Cache解决生成效率，整套智驾体系出海还有更底层的感知技术需要提升。
无论真实摄像头拍的画面还是仿真生成的画面，最终都要靠VLA模型来做识别和决策。
VLA“看懂”画面的能力来自视觉编码器——可以简单理解为一个把画面变成模型可理解信号的“翻译官”。
欧洲场景对这位“翻译官”提出了苛刻要求：欧洲路牌文字密集、字体小，摄像头必须看得清细节；同时处理多路高清画面，算力消耗巨大。
行业主流的开源方案普遍面临算力吃紧、数据效率低、场景适配难的问题。
小鹏推出的视觉 Transformer基础模型TuringViT正是为此设计，它具备三大优势。
▲TuringViT 的块架构和模型配置
第一，算力效率高。 该方案采用独特的混合注意力结构，在高分辨率下推理速度达到主流方案的2~3倍，分辨率越高优势越明显。
▲三款视觉模型推理延迟对比
第二，数据利用精。该方案通过自研的数据筛选流水线，仅用主流方案十分之一的训练数据就能达到顶尖识别效果。
▲不同视觉模型所需训练数据和精度对比
第三，原生支持动态分辨率。TuringViT采用了一套全新训练范式，不同尺寸、不同长宽比的图像可以直接输入模型处理。
这对于智能驾驶场景尤其关键——多路环视摄像头传来的画面分辨率各不相同，模型不需要任何适配就能直接处理，输出低延迟、高质量的视觉特征给下游决策模块。
▲数据清洗流水线
简单说，TuringViT让VLA在欧洲复杂路况下“看得清、看得全、看得快”。
小鹏通用智能中心负责人刘先明表示，TuringViT的特性可以支撑自动驾驶、座舱交互、机器人，也为从中国到全球的智能化出海打下基础。
▲刘先明发文称TuringViT助推智能化出海
结语：把中国智驾“搬”到欧洲，小鹏搭好了三块跳板
从X-World到X-Cache再到TuringViT，小鹏解决的不是某一个技术细节，而是智驾出海最核心的难题——让智驾在海外市场，也能提前“练”好。
具体怎么练？
第一块跳板是数据。X-World像一台“世界模拟器”——给它欧洲当地的真实画面和驾驶指令，它就能批量生成仿真场景。
这意味着不需要把每条欧洲街道都跑一遍，只需输入少量当地真实画面，X-World就能自动生成大量符合当地交通特征的仿真场景，让智驾系统有足够的素材可练。
第二块跳板是速度。X-Cache像一个“加速器”——它能用更短的时间跑完仿真，这意味着智驾仿真同样时间内能覆盖更多国家、跑完更多场景。
第三块跳板是感知。TuringViT像一副高清“眼镜”，戴上这副“眼镜”，VLA才能看得清、看得准。
三块跳板稳稳架好，小鹏踏上“一套智驾走全球”的征途。
当然，仿真与真实路况之间仍存在偏差，待持续优化，同时车端芯片推理算力也需长期迭代打磨，智驾出海方向已经清晰，但能否按时落地——时间会给出答案。
