對話小米輔助駕駛團隊：兩年三階，一場以體驗為終點的技術(shù)馬拉松

• 今天在何處聚焦資源，
• 明天便可能在哪里贏得市場。

在智能電動車競賽中，輔助駕駛的角逐早已成為決定勝負的重中之重。

2026年3月，隨著新一代SU7發(fā)布，小米正式推出基于XLA認知大模型的新一代輔助駕駛方案。這不僅是一次技術(shù)路線的關(guān)鍵轉(zhuǎn)折，也讓小米把“體驗優(yōu)先”的思路推進到新的階段。

這個一度被行業(yè)視為“后來者”的玩家，如今正憑借一套清晰而迅猛的技術(shù)進化路徑，走出一條聚焦用戶體驗、務(wù)實演進的新派道路。

回顧小米輔助駕駛的發(fā)展歷程，這是一段小米從跟隨行業(yè)主流技術(shù)路徑，到逐步形成自主技術(shù)路徑和技術(shù)思考的進化史。

2024年3月，小米輔助駕駛在第一代SU7上首次量產(chǎn)，當(dāng)時行業(yè)正圍繞“無圖”和“開城”展開激辯，小米第一代方案也以此切入，正式進入“無圖開城”的戰(zhàn)場。作為新選手，小米對主流趨勢的回應(yīng)是跟從。

隨著規(guī)則驅(qū)動的無圖方案逐漸觸及天花板，行業(yè)轉(zhuǎn)向探索以數(shù)據(jù)為核心的“端到端”模型。2025年2月，小米迅速跟進，推出第二代輔助駕駛系統(tǒng)，并于同年7月快步迭代至1000Clips版本，在數(shù)據(jù)驅(qū)動的賽道上奮起直追。

然而，數(shù)據(jù)驅(qū)動的“蜜月期”并未持續(xù)太久。端到端方案的體驗高度依賴數(shù)據(jù)，難以窮盡的長尾場景成為共同挑戰(zhàn)，行業(yè)進入瓶頸期。無人區(qū)的技術(shù)探索并無先跡可循，行業(yè)迸發(fā)出多條技術(shù)路線。

小米并未盲目持續(xù)投入數(shù)據(jù)軍備競賽，而是從第一性原理思考，將目光投向更本質(zhì)的駕駛原理——能否讓“車”像“人”一樣學(xué)會開車？

2026年3月，小米便帶來了第三代方案：XLA認知大模型。與此前兩代不同，XLA不再僅僅依賴單純的規(guī)則或數(shù)據(jù)模式，而是試圖讓輔助駕駛系統(tǒng)真正“理解”環(huán)境，進行常識與因果推斷。

小米輔助駕駛此刻已不再只是行業(yè)的跟隨者，在認知驅(qū)動的新起點上，小米與領(lǐng)先玩家站在了同一起跑線，甚至展現(xiàn)出了獨特的技術(shù)思考。

從規(guī)則、數(shù)據(jù)到認知，兩年三次跨越，小米的壓力不言而喻。規(guī)則時代需補工程積累的課，數(shù)據(jù)時代要追趕閉環(huán)規(guī)模，后來者必須加倍奔跑。而恰在此時，行業(yè)方向再度調(diào)轉(zhuǎn)，向認知層面進發(fā)。小米這一次不僅果斷跟上了節(jié)奏，更是憑借對用戶體驗的堅持，給出了完成度與特色兼具的答案。

小米是如何做到的？36氪與小米汽車智能駕駛端到端技術(shù)負責(zé)人陳光、小米汽車智能駕駛基座大模型負責(zé)人陳龍進行了一場深度對話。

交談中，陳龍?zhí)寡裕∶纵o助駕駛的確起步較晚、發(fā)布節(jié)奏也沒有同行那么快，“但我們一定是把體驗最好、最安全的這個產(chǎn)品送到用戶手中”。比起博眼球，小米更愿意選擇務(wù)實的那條路。

其次，與許多單純追求技術(shù)指標(biāo)的公司不同，小米在輔助駕駛領(lǐng)域依然延續(xù)著“和用戶交朋友”的理念。

小米最終為何選擇XLA？陳光告訴36氪，在確定采用XLA路線之前，團隊內(nèi)部也曾經(jīng)歷過技術(shù)路徑的爭論。在行業(yè)方向尚未明朗之時，各種方案看似都有其合理之處。最后如何統(tǒng)一方向？陳光表示，“團隊一致認可，XLA才能夠為用戶帶來真正‘很酷’的體驗。”

這種體驗優(yōu)先的思路，背后實則需要十分堅實的技術(shù)支撐。小米在多模態(tài)認知、具身智能交互以及工程落地已探索與實踐數(shù)年，這些經(jīng)驗理解，便是其在輔助駕駛行業(yè)最新的技術(shù)爭奪戰(zhàn)中拔得頭籌的重要原因。

輔助駕駛的“認知時代”剛剛啟幕，尚無成熟路徑可循。這場無人區(qū)的探索，比拼的不僅是技術(shù)，更是企業(yè)的戰(zhàn)略定力與對用戶需求的洞察深度。今天在何處聚焦資源，明天便可能在哪里贏得市場。

小米所選擇的這條融合自研基座模型、多模態(tài)認知與具身智能數(shù)據(jù)的XLA之路，能否真正實現(xiàn)從“并跑”到“引領(lǐng)”的跨越？從接下來的對話中，一起聆聽小米如何拆解其中的邏輯、挑戰(zhàn)與未來構(gòu)想。

解析：XLA，

在認知大模型上進行創(chuàng)新

36氪：小米的輔助駕駛，現(xiàn)在在做什么？

陳龍：我們正在做的，就是在輔助駕駛領(lǐng)域，引入認知大模型這個范式。我們希望通過大模型，讓輔助駕駛系統(tǒng)有對環(huán)境的認知能力，能習(xí)得一些人類世界的常識、交通規(guī)則和一些道路實物的因果關(guān)系，從而解決端到端難以解決的長尾問題。

前段時間發(fā)布的XLA認知大模型，就是我們推出的第一版認知驅(qū)動的輔助駕駛系統(tǒng)。

36氪：相比端到端，認知大模型的優(yōu)勢是什么？

陳龍：我舉一個場景案例，比如前方道路封閉了，現(xiàn)場通過路牌和圍擋引導(dǎo)車輛繞行，過程中可能還需要臨時借道，甚至短暫跨越雙黃線。端到端版本更多是根據(jù)當(dāng)前道路形態(tài)繼續(xù)往前走，遇到這種臨時改道場景，未必能主動理解“現(xiàn)在應(yīng)該繞行”。但XLA認知大模型可以結(jié)合現(xiàn)場標(biāo)識和環(huán)境信息，理解這是一個“封路后按指示繞行”的場景，進一步推理出可行路徑，并發(fā)起合理繞行。

36氪：聽起來和行業(yè)現(xiàn)在熱議的VLA大模型沒什么區(qū)別？

陳龍：VLA其實是學(xué)術(shù)界傳過來的名詞，它的意思就是視覺語言大模型。

我們XLA認知大模型不僅僅有視覺信息，還有聲音信息、雷達信息，包括更多模態(tài)的比如導(dǎo)航之類的。我們XLA中X的第一層意思，就是我們采用了比視覺更多的模態(tài)作信息輸入。

另一方面就是我們在XLA的基座模型中，融入了具身智能相關(guān)的數(shù)據(jù)。

這里也有一個很重要的差別，行業(yè)里其他廠商的認知大模型是在一些開源模型上打造的，小米使用的是我們自研的Xiaomi MiMo-Embodied具身基座模型。因為是自研的，所以我們在基座模型的預(yù)訓(xùn)練階段，便加入了很多具身智能的數(shù)據(jù)。所以XLA中X的第二層含義，便是我們具備更豐富的數(shù)據(jù)。

還有一個很核心的區(qū)別。

行業(yè)里的VLA，有些會輸出大段文字推理，然后再輸出動作。這樣有一個問題，就是速度太慢了，延時不可控。然后就有另一種說法，那索性去掉語言了。但這樣它就不是VLA了，因為根本就沒用上L的推理能力了。

我們XLA使用的是潛空間推理。具體做法就是，在推理的時候使用的是機器語言，這樣的話過程和推理時延都是可控的。當(dāng)然，這個機器語言也可以解碼成文字，具備可解釋性。我們既保證了推理能力，又大大提升了效率。

36氪：現(xiàn)在業(yè)界都在探索汽車和具身智能機器人的關(guān)系，小米為什么會把具身智能的數(shù)據(jù)用到汽車上？

陳龍：我們把具身智能相關(guān)數(shù)據(jù)加進來，主要是為了訓(xùn)練汽車的空間感知和空間推理能力。

空間感知里，有一個精度差距。汽車對周圍事物的感知精度，一般是在分米級別。但人形機器人，它平常的訓(xùn)練任務(wù)可能是抓握杯子之類的，它的數(shù)據(jù)精度可以是厘米甚至更高級別。用人形機器人的數(shù)據(jù)來訓(xùn)練汽車，那汽車的能力不就更強了嗎？

其次，現(xiàn)在的輔助駕駛汽車在路上開，其實沒有跟周圍事物產(chǎn)生交互的。我們的目的其實是要避免碰撞，但輔助駕駛系統(tǒng)其實并不了解碰撞到底是什么。空間推理能力，其實就是讓汽車?yán)斫猓@樣子開造成什么樣的后果。而機器人，剛好就有很多這樣的交互的數(shù)據(jù)。

我們的Xiaomi MiMo-Embodied，就是全球首個打通了輔助駕駛和機器人的具身智能基座模型。當(dāng)然，我們也發(fā)現(xiàn)，輔助駕駛和機器人的數(shù)據(jù)是互相增強的，所以未來我們希望輔助駕駛、機器人甚至其他小米智能設(shè)備都進化成一個大腦，從而帶來更加無縫的體驗。

36氪：但具身智能的數(shù)據(jù)復(fù)雜又精巧，想要跟輔助駕駛的數(shù)據(jù)融合，挑戰(zhàn)不小。

陳龍：是的。

具身智能數(shù)據(jù)，首先就包含很多不同形態(tài)的機器人本體，這些機器人本體上，傳感器的位置不一樣，甚至相機圖像的分辨率都不同。然后輔助駕駛的輸出大多是2D層面的，但機器人更多是3D空間的多關(guān)節(jié)輸出。

難就難在，如何設(shè)計一個精巧的模型結(jié)構(gòu)，讓這些不同的數(shù)據(jù)統(tǒng)一起來。當(dāng)然，目前的訓(xùn)練目標(biāo)主要是空間感知和空間推理，還不太涉及動作級別，可能未來才需要考慮兩種任務(wù)在執(zhí)行空間上的差別。

36氪：XLA僅限于行車場景嗎？泊車上有什么進展嗎？

陳光：我們的泊車也更智能了。這次有推出一個新功能，比如你導(dǎo)航的最終目的地是一個商場的商戶，那我們泊車會在這個商圈停車場中，尋找離這個商戶電梯口最近的停車位。目前，這個功能收到了一些用戶的好評和推薦了。

工程落地：

讓“車”像“人”，并不容易

36氪：感覺這個功能實現(xiàn)起來不容易。

陳光：我覺得難點有很多，但本質(zhì)上還是怎么能像人一樣，到一個相對陌生的環(huán)境時，能找到最適合自己的停車位。

車進入一個地庫后，你需要能讀懂地庫的環(huán)境，包括一些文字標(biāo)牌、電梯口的信息之類的。如果最近的停車位都停滿了，我們就會開始漫游，找更適合的停車位。本質(zhì)上就是，怎么根據(jù)已有的這些指引信息，去到導(dǎo)航最終的目的地。

36氪：這對車端實時處理能力要求很高。

陳光：是的，比較高。我們是經(jīng)過了很大的算法優(yōu)化，才把XLA部署上去的。這種算法適配，其實也是很大的挑戰(zhàn)。我們前前后后經(jīng)歷了很多開發(fā)和工程的優(yōu)化，也踩過一些坑，做的也是有一些辛苦。在這里面，我們是有一些Know-How的。

36氪：你如何評價小米輔助駕駛的工程能力？

陳光：我個人認為還是很比較領(lǐng)先的，現(xiàn)在還是很少有能把這么復(fù)雜的一個模型部署到這個實際的車端，并且推送給所有用戶的企業(yè)。

36氪：那小米接下來的方向會是什么？

陳龍：第一肯定是算力問題。大模型，它尺寸越大，能力就越強，我們當(dāng)然想在車上放一個最強的一個模型，但是車端是有算力限制的。我們現(xiàn)在做的潛空間推理，意義就是這個。當(dāng)然，以后會做更多。

陳光：是的，車端模型參數(shù)量的進一步的提升，包括它在訓(xùn)練過程中如何能消費更多的數(shù)據(jù)、能理解更多的場景，這是第一個的挑戰(zhàn)。

第二個挑戰(zhàn)，就是怎么給用戶開發(fā)更多行車和泊車的功能，進一步提升產(chǎn)品體驗，特別是新功能能不能給用戶帶來更多驚喜。

升級：優(yōu)質(zhì)數(shù)據(jù)、

基座模型與仿真世界缺一不可

36氪：認知大模型的優(yōu)化也依賴數(shù)據(jù)嗎？

陳龍：數(shù)據(jù)肯定是一方面，我們持續(xù)需要高質(zhì)量的數(shù)據(jù)，另一方面就是模型能力本身，尤其是基座模型。

剛剛提到，有些廠商會用開源的基座模型。這里有一個問題，你并不知道這些開源模型是怎么做預(yù)訓(xùn)練的，它可能沒有很細致的數(shù)據(jù)清洗和標(biāo)準(zhǔn)，甚至還會使用到網(wǎng)上比較抽象的、危險的信息。這些東西反映到最終的駕駛行為時，可能會引發(fā)蝴蝶效應(yīng)，造成很大風(fēng)險。

但從頭做基座大模型非常不容易，第一是需要一個很強的團隊，然后是數(shù)據(jù)篩選和清洗工作，再要搭建調(diào)試自己的Infra系統(tǒng)，還要有一套評測指標(biāo)。并且，一個版本模型發(fā)布出來后，可能幾個月就已不再是領(lǐng)先架構(gòu)了，所以這一套動作還要反復(fù)做。

所以認知大模型能優(yōu)化到什么程度，不僅取決于企業(yè)在基座模型投入的人才和資源，還和企業(yè)對大模型趨勢的判斷有關(guān)。

36氪：所以小米現(xiàn)在All in認知大模型了？

陳光：現(xiàn)在行業(yè)對輔助駕駛有不同的探索路線，一類是我們現(xiàn)在做的XLA，直接引入認知大模型，另一類則希望用世界模型的生成和重建的能力去解決認知的問題。

當(dāng)然，我們不認為認知大模型和世界模型是對立的，就算是多模態(tài)語言模型，也需要一個很好的仿真模擬環(huán)境。

我們其實是把兩條技術(shù)路線結(jié)合起來了，并不是說車端用XLA的技術(shù)，我們在云端就要完全放棄世界模型。

36氪：世界模型還是有難以替代的優(yōu)勢。

陳光：至少在一些閉環(huán)仿真，就是將這種物理世界投射到這種數(shù)字空間的時候，世界模型是不可缺少的。

現(xiàn)在技術(shù)的焦點就是長尾場景，比如馬路上滾落一個異形石塊或者輪胎，真實世界你很難用實車去遇到，很難批量收集這樣的場景。所以無論是世界模型還是XLA，都要在仿真模擬器里探索。

36氪：這算是行業(yè)級的技術(shù)新共識嗎？

陳光：可能因為小米在一段式端到端的階段就走得比較靠前，所以我們在認知大模型出現(xiàn)前，就覺得閉環(huán)仿真能力很重要，包括特斯拉在內(nèi)，行業(yè)領(lǐng)頭羊們對世界模型的重建和生產(chǎn)，應(yīng)該都做得比較扎實了。

36氪：世界模型出現(xiàn)前，閉環(huán)仿真是怎么做的？

陳光：很難做，幾乎只有靜態(tài)場景，動態(tài)場景都依賴真實數(shù)據(jù)，所以以前大家總是會說“數(shù)據(jù)量很稀缺”。

36氪：但XLA已經(jīng)可以“看懂”這些路面障礙物了，還需要這樣的數(shù)據(jù)反復(fù)訓(xùn)練嗎？

陳光：我們希望一個功能在真實給用戶之前，都在一個模擬器里面完整去測過。

36氪：測過就能保證真實使用時的安全嗎？

陳光：數(shù)字空間和世界模型，其實是一個漏斗的作用，它可以把大部分的問題都攔截住。對于剩下的問題，多模態(tài)大模型本身就具備泛化能力，我們希望通過它本身的認知和推理能力來提出更好的解決方案。這兩者其實是一個結(jié)合的作用。

36氪：那小米會在世界模型上持續(xù)投入嗎？未來迭代的方向會是什么？

陳光：今年我們在GTC上介紹了小米在世界模型上的新進展，也在包括CVPR2026、ICLR2026、NIPS2025、ICCV2025這些頂會上發(fā)表了近10篇世界模型相關(guān)的論文，這足以說明，小米高度重視世界模型。

方向的話，我覺得三個方面。

第一是真不真，這個可能跟咱們理解的完美真實不太一樣。我舉個例子，我們希望模仿的雨天，是攝像頭上掛有水珠的那種真實的圖像，而不是說模擬出一個絕對干凈的雨天環(huán)境。我們希望模擬的情景，能和車端最后獲取的信息一致，這樣你的測試才有效果。

第二就是要很豐富。我今天可能想解決陽光直射場景的通行，過兩天可能又希望解決大雨、大霧或大雪情況下的通行。所以能不能在不改變交通信息的情況下，只改變天氣光照信息呢？

第三就是場景的編輯能力，你的數(shù)字資產(chǎn)要足夠豐富，我能用這些信息模擬各種各樣的場景。足夠豐富，才有足夠的作用。

36氪：聽起來很復(fù)雜，小米在這已經(jīng)投入多久了？

陳光：已經(jīng)兩年了。我回憶了一下，從24年上半年開始就有一些技術(shù)上的準(zhǔn)備了。到24年末，小米的技術(shù)已經(jīng)在行業(yè)和學(xué)術(shù)界得到一定認可。25年下半年就可以走到技術(shù)的收獲期了，有一些重點比賽的冠軍、論文之類的。

36氪：也就是說，小米在這方面已經(jīng)具備明顯優(yōu)勢了？

陳光：我們當(dāng)然希望先發(fā)優(yōu)勢能一直保持下去，我們做的確實比較早，希望能對行業(yè)產(chǎn)生一些正向影響，大家一起來把這個事做扎實一些，最終其實也是服務(wù)于整個行業(yè)的產(chǎn)品體驗嘛。

價值觀：既要安全、也要體驗

36氪：什么是好的輔助駕駛體驗？

陳光：我覺得好的體驗，最重要的事情一定是安全。不能給用戶帶來不安全或者不安心的產(chǎn)品，這個是我們當(dāng)前最核心的一個事情。

36氪：為什么會把安全和安心拆開來講？

陳光：從技術(shù)角度講，你只要不碰撞就是安全。但用戶對安全的感受，并不只是“不碰撞”。比如急剎車，用戶不清楚系統(tǒng)為什么做出這樣“過激”的行為，可能會有體感上的不適，也會產(chǎn)生“不安全”的感覺。

所以我們不光要保證輔助駕駛的技術(shù)維度的安全，也要保證給用戶帶來足夠的安心感。只有既安全、又讓人敢用、愿用，這樣的產(chǎn)品體驗才是完整的。

36氪：小米在安心感上，有什么心得嗎？

陳光：我覺得是有一些新的進展的。

比如我們在路口盲區(qū)，會有一些預(yù)防性的減速，這就很像人類開車的思路，用戶第一反應(yīng)會是你做了這個動作，你懂這個場景。

再比如，前方即將進入擁堵路段了，我們的車不會走到最后一步、到非常極限的時候才做一腳急剎，而是說會早早的、防御性地降低速度。這也代表了我們在安全和安心感上的一些思考吧。

36氪：能否總結(jié)下小米輔助駕駛研發(fā)的性格，或者說是價值觀？

陳光：怎么說呢，小米的價值觀還是深刻影響了小米輔助駕駛團隊的性格。我覺得和用戶交朋友是最重要事情，從用戶的角度去思考他們需要什么樣的產(chǎn)品體驗，再反過來去推進這個技術(shù)的迭代。

就比如從端到端到XLA，初期我們有些同事看好世界模型、有些同事更看好XLA，但深度討論過后，大家最終是覺得XLA一旦做成，一定能給用戶帶來很酷的產(chǎn)品體驗，所以就算再難，我們也沖了。

陳龍：是的，雖然我們小米的輔助駕駛的起步比較晚，可能我們這個發(fā)布的節(jié)奏也沒有那么的快，但我們一定是把體驗最好、最安全的這個產(chǎn)品送到用戶手中。

從我的角度，我覺得我們也一直在踐行第一性原理。因為我們堅信大模型可以幫助輔助駕駛解決一些關(guān)鍵問題，所以我們會做很多大模型的探索工作，最終希望把大模型的能力發(fā)揮出來，推動輔助駕駛朝更高階能力繼續(xù)演進。