国产AI逆袭时刻：小鹏新模型34项感知测试击败OpenAI GPT-6 Astra

麻薯滑芝士

嗨，屏幕跟前所有每天泡在知乎上看各种自动驾驶技术分析、在B站追更各家车企智驾评测视频、对端到端大模型和BEV感知方案如数家珍的智能出行领域深度观察者们，还有那些一直盯着小鹏汽车这几年的技术路线图、想知道这家从造车起家的公司到底在人工智能底层研发上砸了多少真功夫的科技投资人们，今天有一条从技术圈炸出来的消息，绝对值得你们放下手里的咖啡认认真真读完。

就在今天，也就是2026年11月5日，这个星期四，小鹏汽车正式对外发布了一款名为GroundingPI的具身感知基础模型。根据CnEVPost在今天刊发的详细报道来看，小鹏在发布时抛出了一个相当震撼的结论：这款模型在综合基准测试中的整体得分，已经超越了OpenAI在今年9月份刚刚推出的前沿模型GPT-6 Astra。你没看错，就是那个OpenAI，就是那个被全球科技界视为人工智能领域天花板级别的GPT-6 Astra。一家中国的电动汽车制造商，在感知模块的基准测试上跑赢了目前全球最顶尖的通用大模型，这件事本身的冲击力就已经足够大了。但更让人好奇的是，小鹏到底是怎么做到的？这个GroundingPI究竟有什么过人之处？咱们今天就从头到尾把这个事情捋清楚。



先来看一组硬碰硬的数字。小鹏这次发布的GroundingPI，采用的是一条以感知为先导的技术路线。什么叫感知优先呢？就是说这个模型的核心任务不是去做复杂的语义理解或者长篇推理，而是专注于把物理世界里的物体是什么、在哪里、跟周围环境是什么关系这些问题搞得清清楚楚。小鹏透露，这款模型的参数量大约是40亿，在34个公开的感知基准测试中接受了全方位的评估。小鹏将这34个基准测试按照11个能力类别进行了加权平均，每个类别的权重完全相同，最终GroundingPI拿下了73.68分的综合得分。作为对照，OpenAI在今年9月份发布的GPT-6 Astra，在完全相同的34项测试、完全相同的11个能力类别加权体系下，得分是71.54分。也就是说，GroundingPI以大约2.14分的优势胜出。你可能觉得2分多不算什么大差距，但在这种级别的AI基准测试中，每一分提升的背后都是大量算法创新和工程优化的结果，更不用说跨越整整2分了。而且别忘了，GPT-6 Astra是一个通用大模型，它的参数量、训练数据量和算力消耗都远在GroundingPI之上，但小鹏的模型在感知这个垂直赛道上反而跑出了更好的成绩。这本身就说明，小鹏在技术路线选择上确实走出了一条不一样的路。

那么GroundingPI这个名字到底是什么意思呢？小鹏在发布时也做了详细的解释。Grounding这个词，对应的是视觉定位这项核心感知能力，说白了就是让AI能够准确地判断出一个物体在三维空间中的具体坐标和方位。而PI则是Physical Intelligence的缩写，翻译过来就是物理智能。两个词合在一起，GroundingPI的含义就是以空间定位为基础、服务于物理世界的智能感知模型。而且小鹏已经把GroundingPI的代码和模型权重全部进行了开源。这意味着全球范围内任何对这个领域感兴趣的研究团队、开发者或者企业，都可以免费下载和使用这套模型。对于推动整个具身智能领域的发展来说，开源的意义可能比模型本身的性能提升还要大，因为它降低了后来者的门槛，让更多人可以在小鹏的工作基础上继续往前推进。



接下来咱们深入聊聊小鹏为什么要费这么大劲做这样一个模型。小鹏在发布时提出了一个非常犀利的观点：现有的通用大模型，本质上是为了数字场景而设计的。什么叫数字场景？就是你让它写一篇作文、生成一张图片、分析一段视频、回答一个知识性问题，这些任务都是在计算机和互联网的虚拟世界里完成的。但是当这些模型被直接扔到物理场景中去使用时，比如让一辆自动驾驶汽车在真实道路上识别行人和其他车辆，或者让一个机器人在工厂车间里抓取零件、搬运货物，就会出现明显的适应性问题。因为物理场景里有真实的光照变化、有复杂的遮挡关系、有各种各样的材质和纹理、有严格的空间位置约束，这些东西恰恰是通用大模型不太擅长的。

小鹏认为，要实现真正的具身智能，也就是让AI能够在物理世界中自由行动和操作，首要的前提条件就是能够准确地感知空间位置。一个机器人如果连面前的水杯在桌子上的哪个位置都判断不准，那它就不可能完成倒水或者拿杯子这样的任务。所以GroundingPI在训练方法上做了一个非常大胆的选择：在训练阶段完全不使用任何带有关节动作标签的机器人数据，而是完全依赖纯感知数据，也就是只有图像和视频、没有任何动作标签的数据。通过这种方式，模型学会了覆盖11个能力类别，包括通用目标检测、文字识别、以及机器人空间定位等等。这样做的好处是显而易见的：模型不会被绑定到任何一种特定的机器人硬件平台上，它学到的是通用的空间感知能力，将来无论装到轮式机器人、双足机器人还是机械臂上，都可以直接发挥作用。

小鹏在介绍GroundingPI的时候，还提到了一个关于具身智能系统架构的很有意思的划分方式。小鹏认为，具身智能通常可以分为两个子系统：一个是负责高速感知和即时动作执行的快系统，也就是System 1；另一个是负责任务理解和长远规划的慢系统，也就是System 2。你可以把快系统理解为一个人的本能反应，比如你走在路上突然看到前面有个坑，你的身体会在你还没反应过来之前就自动调整步伐绕开它，这个过程不需要经过大脑的深思熟虑。而慢系统则类似于你在做一个复杂的决策，比如计划一次出国旅行，你需要考虑目的地、预算、时间安排、签证办理等一系列因素，这个过程需要调用大量的知识和推理能力。小鹏明确表示，GroundingPI的目标是为快系统提供一个以感知为核心的底层基础，而不是要去替代慢系统中的通用大模型能力。换句话说，GroundingPI负责的是让机器人看得又快又准，至于看懂了之后要做什么、怎么做，那是另一个系统的工作范畴。

目前这项研究还处在科学原型阶段，距离真正的商业化和大规模部署还有一段路要走。但小鹏表示，他们在仿真环境中获得的实验结果，已经为规模化部署中面临的两个核心挑战提供了有效的验证。第一个挑战是如何大幅降低人工采集机器人示范数据的成本。在传统的视觉-语言-动作模型框架下，研究人员需要花费大量时间和金钱去录制机器人执行各种任务的视频，并且要给每一帧画面标注详细的关节动作信息，这个过程极其昂贵且耗时。小鹏发现，在一个以GroundingPI作为视觉基础的系统中，由于GroundingPI直接承担了传统模型中定位物体的任务，系统只需要使用50%的示范数据，就能够达到对比模型在使用75%的数据时的执行成功率。这意味着数据需求量减少了三分之一，对于大规模部署来说，这代表着成本的断崖式下降。第二个挑战是带来更强的场景泛化能力。小鹏举了两个具体的仿真场景作为例子：散料分拣和料箱计数。在这两种高密度的仿真场景中，当面对物料种类发生变化、物体类别发生变化以及背景环境发生变化时，基于GroundingPI的系统能够保持稳定的性能表现。这意味着同一个系统可以在不同的工位上重复使用，而不需要对每一个新场景都重新采集数据、重新训练模型，这对于工厂自动化和仓储物流等应用场景来说具有极高的实用价值。

最后咱们来聊聊这件事对小鹏这家公司的战略意义。GroundingPI的发布，是小鹏在构建自己的物理AI系统过程中迈出的非常重要的一步。最近这几年，小鹏在物理AI领域的投入力度一直在持续加大，小鹏希望通过自己在AI技术上的积累，来驱动智能驾驶系统、人形机器人以及Robotaxi业务的发展。今年早些时候，小鹏还进行了一次重要的内部组织架构调整，把原来的自动驾驶中心和智能座舱中心合并成了一个统一的通用智能中心，由AI领域的专家刘先明来牵头负责。小鹏做这次合并的目的非常明确，就是要集中优势资源，为自己的汽车业务和机器人业务提供统一的人工智能中台基础支撑。从这个角度来看，GroundingPI的出现绝对不是一次孤立的学术成果展示，它是小鹏整个物理AI战略棋盘上落下的一枚关键棋子。对于一直关注小鹏这家公司的投资者、车主以及科技爱好者来说，这个模型的发布传递了一个非常清晰的信号：小鹏不仅仅是一家造电动车的公司，它在人工智能底层技术上的研发实力和战略野心，可能比你之前想象的要大得多。