何小鹏访谈深读：IRON、VLA 与一次 Physical AI 组织换轨

核心判断：竞争对象不是 benchmark，而是联合可行域

何小鹏把 2025 年描述成一次痛苦但必要的换轨：停止第一代 VLA，重组团队，承认旧系统是由规则、模块和不同代模型拼出的“缝合怪”，转向更统一的第二代 VLA。若只把这理解为“端到端替代模块化”，会漏掉最重要的一层：模型只是表层，组织的奖励、验证、数据回流和决策权才决定企业是否真正 AI-native。

这是一个近似“乘法系统”：任何一项接近零，整体价值都可能归零。机器人走得像人、车能在复杂路况行驶，均不能单独证明产品成立；同样，规模制造也无法补救灾难性的尾部错误。

完整内容地图

2025 换轨：“缝合怪”究竟批评了什么

访谈最有价值的部分不是宣布第二代 VLA 更先进，而是何小鹏承认旧体系存在结构性问题：不同代模型、传统规则、分模块团队和历史工程包袱层层叠加，每个局部都能解释，整体却难以快速迭代。这里的“缝合怪”不是严谨的模型架构术语，而是一种组织—软件共同失配的诊断。

范式替换不等于删掉所有模块

安全关键系统不可能因为端到端模型出现就放弃监控、约束、降级和冗余。真正应比较的是：在相同车队、相同道路、相同算力和风险预算下，新系统是否扩大能力覆盖、减少人工干预、降低规则维护量，同时不恶化严重事件、尾延迟与可解释的故障隔离。

AI-native 首先是组织属性

如果模型团队仍以论文或单点指标获奖，产品团队仍以按期发布获奖，安全团队只能在末端否决，数据团队只按采集量考核，那么模型再统一，组织仍会把它拆回旧的局部最优。AI-native 更准确的定义应是：失败能够自动进入数据和评估队列；跨团队共享同一能力地图；奖励指向闭环速度与可靠性，而非模块边界。

IRON 的发展史：从隐蔽探索到产品化承诺

何小鹏把机器人历史大致划为三个阶段：早期探索、能力积累、转向可商品化的人形产品。访谈中提到团队规模曾经很大，后来收敛到更小核心团队，并将 2026 年底 SOP、2027 年商业化视作关键节点。这些组织数字和时间口径主要来自受访者，公开资料只能确认 XPENG 已把 IRON 纳入正式量产计划。

公司 2025 AI Day 公开的下一代 IRON 采用仿生脊柱、肌肉、全身柔性皮肤，官方口径为全身 82 个自由度、单手 22 个自由度；2026 年 CVPR 官方稿进一步把目标明确为 2026 年底量产、2027 年第一季度进入线下门店做导购。需要强调：这是公司目标，尚不是生产交付证明。

为什么偏偏是人形

人形路线的合理性不是“人长得最好看”，而是现有建筑、楼梯、门把手、货架、工具和社交距离全部按人体尺度设计。选择人形，相当于复用人类社会数百年的接口基础设施，避免为每个场景重建环境。这是一项接口标准化赌注。

代价也同样明确：高重心会增加跌倒能量；接触皮肤、衣物和体温会改变卫生与热管理；面孔和动作进入恐怖谷；机器在老人、儿童和拥挤人群旁边工作会引出责任、保险和行为可预期性。人形不是免费通用性，而是把社会约束直接写进硬件规格。

拟人化不是装饰：社会可接近性与性能的交换

访谈详细讨论了 IRON 为什么接近 1.7 米、为什么可以有衣服和头发但不应拥有高度写实的人脸，以及柔性外壳为什么既提高亲和力又造成散热与运动负担。这一段显示，机器人产品设计不只优化关节扭矩和控制精度，还优化人类愿不愿意让它进入私人空间。

“真人假扮机器人”的舆情插曲也很典型：团队最初倾向等待质疑自然消失，何小鹏要求快速证明，后续以剪开腿部外壳展示机械结构回应。它说明 demo 时代的信任不是技术指标的附属品；证明材料、可重复展示与异常解释本身已经是产品能力。

“两成胜率”与“汽车的 20–100 倍难”应该怎样读

何小鹏用约 20% 描述通用人形路线的主观成功概率，并称机器人创业可能比汽车难 20–100 倍、绝大多数公司会失败。这些数字不是统计模型，而是创始人表达风险偏好的修辞。它们揭示的是问题表面积：机械、电气、热、材料、控制、模型、数据、供应链、场景交付和售后同时存在。

同一段访谈又判断机器人一旦找到单点 PMF，规模增速可能快于汽车。两句话并不必然矛盾，但要同时成立，至少需要四个条件：

1. 一个高频、付费强、失败成本可控的场景先形成产品市场匹配；
2. 软件能力可低边际成本复制到大量机器，而不是每个客户都重新工程化；
3. 硬件模块化、良率与售后体系不成为扩产瓶颈；
4. 法规和责任边界不会按地区、行业和人群高度碎片化。

访谈并未给出这些条件已经成立的证据。因此，“增长更快”应视为条件预测，而不是行业趋势事实。

80% 硬件自研：闭环优势，也是资产负债表风险

受访者称 IRON 约 80% 硬件自研，覆盖手、关节、芯片等关键部分，并与上游供应商合作量产。纵向整合的好处是模型、控制器和机械设计可以共同迭代：动作失败不必在多层供应商间来回归因；传感器、执行器和训练目标能够按同一产品需求校准。

但自研比例不是越高越好。它同时扩大技术表面积、库存与设备投入、认证范围、供应链单点风险和维修责任。车企的制造经验有帮助，却不能自动迁移到高自由度手、柔性皮肤和频繁人机接触。真正应观察的是良率、平均无故障时间、维修工时、零件替换成本和版本兼容，而不是自研百分比。

汽车、Robotaxi、IRON 与飞行系统：一个平台，四种证据标准

XPENG 的公开叙事把芯片、操作系统/大模型和智能硬件组成全栈 Physical AI 系统，并扩展到汽车、Robotaxi、人形机器人和飞行系统。平台协同确实可能存在：视觉理解、规划、数据回放、仿真、端侧芯片、线控执行与安全工程能够复用。

但四种载体的失败语义完全不同。汽车的主要风险是高速交通中的碰撞；门店机器人更关注低速接触、跌倒、夹伤和社会行为；飞行系统需要更强冗余与适航；Robotaxi 还叠加运营、远程协助和责任主体。共享底座可以降低重复研发，也可能把共同模型缺陷扩散到多个产品。

因此平台化不能只计算代码复用率，还要同时报告：共享部分、隔离部分、载体特定安全壳、模型更新是否独立灰度、共同故障怎样阻断。

GX、L4 与销量：最需要防止的是归因偷换

访谈后段把 GX 描述为融合飞行系统安全冗余、机器人任务理解、线控底盘、电子电气架构与第二代 VLA 的旗舰载体；字幕还对安全冗余数量的口误做了更正。产品规格应以正式发布为准，口述访谈不适合承担最终参数表。

更值得谨慎的是两类因果归因：

• L4 时间表：“18–24 个月实现 L4”必须区分技术能力、限定区域运营、法规许可、责任制度和可盈利规模。五者不等价。
• VLA 与销量：受访者称第二代 VLA 后公司销量相对行业增长，其中相当部分与智能能力相关。但车型周期、价格、促销、渠道、出口和宏观需求均可能影响销量，没有控制组就不能把增长直接归因于 VLA。

这并不否认软件影响购买，而是要求用用户调研、配置选择、付费率、复购/推荐、退订与事故数据拆开验证。

“软件价值占 50%”不是估值口号，而应是一组可观测量

何小鹏用“未来软件可能占汽车价值 50%”解释哪些能力必须自研：决定十年竞争位置的战略能力留在内部，战术能力可以合作。这个边界原则比“所有东西都自研”成熟，但 50% 如果不定义，容易同时指价格、用户感知、毛利、研发投入或资本市场估值。

可验证口径至少包括：用户为智能功能的增量支付、订阅续费、软件毛利、OTA 带来的留存/残值变化、智能功能对成交决策的边际贡献，以及为达到安全标准投入的持续成本。只有收入侧与成本侧同时观察，软件价值才不是单边叙事。

我的进一步 Insight

1. IRON 是一场“接口标准”战争

人形路线并非只追求更像人，而是在押注人类社会已经完成了环境标准化。若机器人能复用门、货架、工具和语言指令，它就可能跨场景；若可靠性达不到人体默认水平，这些接口反而成为无穷长尾。

2. 第二代 VLA 真正要消灭的是组织延迟

统一模型的最大潜在收益，不只是少写规则，而是失败—定位—采集—训练—验证的回路缩短。如果跨团队审批和指标仍碎片化，模型层统一也不会产生闭环速度。

3. 车企优势是一套“可靠性肌肉”，不是车型零件复用

供应链、质量体系、SOP、售后和安全责任是车企可迁移的深层能力；反过来，高自由度执行器和开放任务又会击穿汽车的固定工况假设。优势真实，但需要重新训练。

4. Physical AI 最稀缺的 benchmark 是运营账本

演示视频衡量能力上限，真正商业化需要每小时有效工作量、人工接管、故障恢复、能耗、维修、伤害风险和客户续约。没有运营账本，行业会系统性高估“会做”，低估“持续做”。

5. 快速 PDCA 不能变成移除人类监督

访谈强调自动化闭环、减少人的环节。对低风险迭代这是效率来源；对安全关键系统，人类角色应从手工搬运规则升级为设计约束、审计异常和批准高风险发布，而不是被简单删除。

接下来应该观察什么

• 2026 年底“量产”是完成产线、小批 SOP、付费交付，还是稳定规模出货；2027 Q1 门店导购的数量、持续运行时长与人工接管。
• IRON 的任务成功率之外，跌倒能量、接触力、热稳定、续航、手部寿命、平均无故障时间与维修时长。
• VLA 2.0 在陌生路线、极端天气、地下空间和长尾施工中的干预率与严重事件，而不是精选路线视频。
• 汽车、Robotaxi、机器人共享模型后，更新权限、灰度机制和故障隔离是否清晰。
• 软件收入、续费、成交贡献和安全成本，是否支持“软件价值 50%”的可量化版本。