編者語：后臺回復“入群”，加入「智駕最前沿」微信交流群
自動駕駛是不斷迭代的，早期自動駕駛依賴工程師發現問題、標注數據、調整模型，一輛無人車在路上的一次猶豫、一次誤判，需要工程師事后調取日志、逐幀分析，才能定位問題所在。但當車隊規模從幾百輛擴展到幾千輛甚至上萬輛時，這種人工驅動的迭代方式必然會出現效率瓶頸。2026年4月，小馬智行發布了PonyWorld世界模型2.0，那它的表現到底如何？小馬智行的智駕技術取得了什么發展？
小馬智行PonyWorld 2.0訓練架構
小馬智行PonyWorld 2.0最核心的變化，是讓AI具備了自我診斷和定向進化的能力，系統不再需要等著工程師來告訴它哪里有問題，而是自己去找問題、自己生成訓練任務、自己組織針對性的強化訓練。
這個能力是怎么實現的？這個技術的關鍵是在車端模型里引入了一個意圖語義層。這個模塊會對AI的每一次駕駛決策做結構化的回溯與歸因分析，如這次減速是因為預判行人要橫穿，還是因為感知模塊對路邊靜止車輛的歸類出了偏差？系統不僅知道自己做了什么，還能判斷問題出在哪個環節，然后把診斷結果直接映射到后續的訓練流程中去。
圖片源自：網絡
有了診斷結論之后，系統會進入第二步，即定向數據采集。過去采集數據的邏輯是廣撒網，能采多少就采多少，采集完成后再從中篩選有用的部分。PonyWorld 2.0的做法剛好反過來，它能根據診斷結果，自動識別世界模型精度不足的具體場景，然后生成精準的數據采集指令。如系統可以自動推送請在下午4:30到5:30之間，于A路口和B路口，重點采集逆光條件下非機動車與行人混行場景的數據這類的任務。這意味著數據獲取從先采再看變成了按需采集，大幅減少了對無效數據的存儲和計算開銷。
采集數據后要做的就是高效訓練，世界模型會根據車端模型的薄弱環節，自動在虛擬環境中構建針對性的訓練場景，集中算力去攻克那些最難的長尾問題，而不再在已經掌握的場景上浪費計算資源。這背后依托的是一套從2020年起就逐步搭建的強化學習體系。與早期靠模仿人類駕駛數據來訓練模型的方式不同，這套體系讓AI在世界模型里反復自己跟自己練，通過強化學習來提升在復雜交通環境中與其它交通參與者的交互能力。
支撐這套訓練體系運轉的還有一個精度飛輪的機制，大規模L4無人車隊在實際運營中持續產生高價值的真實世界數據，這些數據用來提升世界模型的精度，世界模型精度提升后又能訓練出更強的車端模型，車端模型能力增強后支撐更大規模的車隊部署，更大規模部署又產生更多高質量數據，形成一個自我強化的閉環。
圖片源自：網絡
而且當AI駕駛能力已經遠超人類司機之后，普通人類駕駛數據對模型精度的提升作用已經非常有限，真正有價值的，是L4級全無人車隊在實際交通環境中獨立運營所產生的、包含AI與其他交通參與者之間獨特交互模式的數據。小馬智行目前已經積累了千萬公里級、覆蓋城區、高速、園區、停車場等多元場景的純無人駕駛數據，這構成了一個靠時間難以復制的結構性優勢。
在這個體系里，人類工程師的角色也在發生變化。過去工程師是教練，也就是設計規則、標注數據、判斷訓練重點。現在，AI自己決定需要什么數據、該練什么場景，人類工程師更多是去執行AI生成的采集任務。研發的節奏不再依賴人工經驗判斷，而是由AI根據自身進化需求自動驅動。
算力底座的跨代升級，新一代域控制器用了什么方案？
訓練體系的進化對車端的計算能力也提出了更高要求，2026年4月25日，小馬智行發布了與NVIDIA聯合研發的新一代自動駕駛域控制器。這塊域控制器可以理解為車上負責運行自動駕駛軟件的主計算平臺，它的性能直接決定了系統能夠跑多復雜的模型、處理多少路傳感器數據。
新一代域控制器基于NVIDIA DRIVE Hyperion平臺打造，搭載的是集成了NVLink技術的NVIDIA DRIVE AGX Thor芯片。Thor芯片采用了NVIDIA的Blackwell GPU架構，這與上一代使用的Orin芯片相比是一次架構層面的跨代升級。通過NVLink互聯技術，兩塊Thor系統級芯片之間可以實現高速、低時延的通信，在雙芯片配置下，這套平臺的綜合AI算力最高可以達到4000 FP4 TFLOPS。
圖片源自：網絡
做一個直觀的對比，當前小馬智行第七代Robotaxi搭載的域控制器使用的是4顆NVIDIA DRIVE Orin X芯片，單顆Orin的算力約為254 TOPS（INT8精度）。新一代基于Thor的平臺在算力指標上實現了數量級的躍升，同時在能效和對最新AI模型的支持能力上也做了全面升級，可以更好地滿足L4級自動駕駛在多傳感器融合、全場景感知和復雜場景理解方面的計算需求。
在部署靈活性方面，這套平臺支持單芯片和多芯片的靈活配置，可以搭配不同等級的散熱方案，形成覆蓋不同算力等級的產品組合。這使得同一套底層架構既能用在Robotaxi上，也能適配物流車、礦區運輸、低速配送等對算力要求不同的場景。
第七代Robotaxi的傳感器與安全冗余設計
有了PonyWorld 2.0訓練的AI模型和新的計算平臺方案，具體落地到一輛能上路運營的無人車上，還需要一整套車端的傳感器配置和安全保障機制。小馬智行第七代Robotaxi系統目前在極狐阿爾法T5、埃安霸王龍、豐田鉑智4X三款車型上完成了部署。
這套系統的傳感器方案是全車搭載6大類共34個傳感器，其中包括9顆激光雷達、14顆攝像頭和4顆毫米波雷達。多種傳感器的組合是為了在不同維度上互補，激光雷達提供精確的三維空間信息，攝像頭提供豐富的視覺語義信息，毫米波雷達則在雨霧等惡劣天氣下保持穩定。這套方案能夠實現車身360度無死角覆蓋，最遠感知距離達到650米，可以應對城市擁堵、路口轉彎、行人避讓等各種復雜路況。
圖片源自：網絡
安全冗余是L4級自動駕駛繞不開的話題，所謂冗余，簡單說就是關鍵部件有備份，主系統萬一出故障，備用系統能立刻接替，確保車輛進入安全狀態。第七代Robotaxi采用了一套多重系統冗余架構，包含了20余項安全冗余設計和1000多項監控方案，計算平臺、感知系統、制動控制、轉向控制、通信鏈路、供電系統等關鍵環節都設置了冗余備份，整套系統的核心零部件全部采用車規級標準，設計壽命達到10年或60萬公里。
從載人到拉貨，輕卡與重卡的技術復用與拓展
L4級自動駕駛技術從乘用車拓展到商用車領域，在技術層面要解決的核心問題是如何復用已有的技術積累。小馬智行在2026年北京車展上聯合寧德時代發布了全球首款全車規、全冗余的L4級無人駕駛輕卡，同時第四代自動駕駛重卡也實現量產下線。
這兩款商用車型在技術路線上的共同特點是與Robotaxi共享同一套底層技術棧，無人輕卡和Robotaxi實現了三個層面的技術同源，一是L4級自動駕駛算法棧直接復用，不需要從頭開發一套新的算法體系；二是傳感器和計算平臺的硬件方案共享，Robotaxi上已經驗證過的激光雷達、攝像頭、毫米波雷達的組合方案以及域控制器可以直接移植；三是整無人化運營運維體系復用，包括自動補能、地勤調度、遠程協助等一整套車隊運營基礎設施都可以直接沿用。輕卡和重卡在投入運營之初，就繼承了一套已經在北上廣深等一線城市經歷過復雜工況、暴雨夜間以及大量實際運營考驗的成熟技術。
圖片源自：網絡
在安全架構方面，無人輕卡采用了覆蓋轉向、制動、通信、電源、計算、傳感器六大系統的全冗余架構，全部使用車規級零部件，設計壽命達到60萬公里或2萬小時。該車具備全場景L4級無人駕駛能力，支持全天候不間斷運營，最高時速70到100公里每小時，能夠應對城中村狹窄道路、晚高峰復雜路況以及暴雨等惡劣天氣，覆蓋快遞分撥、商超補貨、餐飲冷鏈等B2B城配場景。
第四代自動駕駛重卡則基于三一江山純電平臺打造，同樣采用全車規、全冗余設計，自動駕駛套件成本較上一代下降了約70%，設計壽命達到2萬小時，可支持100萬公里貨運運營。在運營模式上，小馬智行已獲得全國首張自動駕駛卡車編隊后車無人化載貨示范許可，可以在京津高速等線路開展1+N編隊的無人化運輸，即頭車有人駕駛，后車全無人跟隨，這種編隊模式能夠在干線物流場景中顯著降低人力成本。
最后的話
回顧小馬智行2026年的技術布局，可以看到一條清晰的主線，PonyWorld 2.0改變了模型的迭代方式，讓AI從被動優化走向主動進化；新一代域控制器提供了支撐更大規模模型運行的算力基礎；第七代Robotaxi系統將技術落地為可運營的產品；輕卡和重卡則把同一套技術棧從載人場景拓展到物流場景。這一系列技術升級所指向的目標，是讓L4級自動駕駛從能跑走向能規?；嘏?。
-- END --
