对何小鹏的第二次访谈

来源： Podwise (app.podwise.ai)
节目： 张小珺Jùn｜商业访谈录
专辑： 143. 对何小鹏的第二次访谈：更大赌注、人形机器人Iron诞生、那场意外、技术剧变下CEO、GX和缝合怪
链接： https://podwise.ai/dashboard/episodes/8083331
时长： 1h 28m 21s
整理日期： 2026-06-19
声明： 以下内容由 Podwise AI 处理后导出，仅供学习参考，版权归原作者所有。

目录

1. Summary
2. Chapters
3. Mind Map
4. Q&A
5. Highlights
6. Keywords

Summary

小鹏汽车正经历从智能电动汽车向 “物理 AI” 企业的战略转型。何小鹏指出，传统的软件工程模式已无法满足无人驾驶与通用人形机器人的研发需求，必须通过重构组织架构与底层逻辑，将 AI 从辅助工具升级为驱动核心。

人形机器人研发难度远超造车，需通过全栈自研与人才潜力挖掘，在硬件与软件的深度融合中攻克物理世界的复杂交互难题。面对技术变革，小鹏汽车放弃了旧有的 “缝合式” 开发路径，转而押注 AI 驱动的组织变革，旨在构建既有上限又能封堵下限的智能体系。

未来的汽车与机器人不仅是交通工具或机械，更是具备高度智能的 “物理 AI 体”，这是小鹏在下一个十年中寻求突破的关键所在。

Takeaways:

1. 物理 AI 与数字 AI 存在本质区别，前者处理的是无法用语言概括的海量物理数据，且必须同时解决长板、短板与窄板的综合平衡，而非单纯追求单一指标的最优。
2. 制造业的 AI 转型不能停留在 “缝合怪” 式的软件工程层面，必须通过重构底层组织架构与研发范式，实现 AI 对软硬件一体化的彻底驱动。
3. 机器人创业的难度远超汽车制造，其复杂性在于需要将大脑驱动的智能与复杂的物理运动控制深度耦合，且面临极高的安全与法规门槛。
4. 企业在面对重大技术变革时，应避免 “小刀砍大树” 式的渐进式调整，一旦确认战略方向，应果断停掉旧体系，以彻底消除路径依赖。
5. 智能硬件的未来十年将迎来价值重构，软件综合表现力需提升至占产品总价值的 50%，这要求企业从规划到制造的全流程进行根本性重塑。
6. 机器人赛道的终局并非只有通用人形机器人，虽然 99.99% 的通用人形机器人公司可能面临淘汰，但针对特定场景的差异化机器人存在广阔的商业解法。
7. 企业领导者在 AI 时代的核心职责是把握全局战略与构建体系，而非过度沉溺于具体 AI 工具的使用，以免陷入细节而丧失对远方的判断。
8. 汽车与机器人等物理世界业务的成功，取决于对长板、短板与窄板的全面管理，任何单一维度的极致优化都无法替代整体体系的均衡能力。

Chapters

[02:09] Chapter 1: 企业 AI 应用与算力资源管理策略

企业在 AI 应用上应采取适度关注而非全面铺开的策略，特别是对于一号位而言，过度深入细节反而会限制宏观视野。在数字化中大型企业中，算力与数据成本管理至关重要，数据存储与训练的刚性成本每年接近十亿元。

物理世界 AI 与数字 AI 存在本质区别，物理 AI 对 Token 的需求量远超数字 AI，且更侧重于机器在物理环境中的价值产出。

企业应重点管理异常算力消耗，而非限制员工的 Token 使用，以确保高效率与高价值的算力投入。

[12:23] Chapter 2: 从智能电动汽车到物理 AI 企业的战略转型

2023 年是企业战略转型的关键节点，从 “智能电动汽车企业” 向 “物理 AI 企业” 演进。过去十年，行业主要依赖软件规则与 AI 算法的缝合，导致自动驾驶上限受限，无法实现真正的无人驾驶。

通过抛弃旧有的软件工程逻辑，转向以基础模型驱动的物理 AI 体系，能够显著提升系统上限。这一转型不仅涉及技术路径的更迭，更要求组织架构、研发流程与底层思维的全面重构，以应对物理世界复杂多变的交互需求。

[27:07] Chapter 3: 组织变革与 CEO 的决策范式重构

在技术剧烈变革期，CEO 面临着重构底层逻辑与价值观的焦虑。面对巨大的不确定性，企业必须敢于下注，通过 “绝不服输” 与 “愿赌服输” 的心态平衡，在关键节点果断进行组织架构调整。

物理 AI 的落地难度远超数字 AI，因为其不仅要比拼长板，还要补齐短板与窄板。企业转型过程中，通过调整 Mindset 与方法论，能够有效避免陷入 “缝合怪” 式的低效开发，从而在长期的技术竞争中构建核心壁垒。

[41:17] Chapter 4: 通用人形机器人的研发路径与挑战

机器人研发经历了从四足到双足、从不相信大脑到坚定以大脑驱动的演进过程。通用人形机器人不仅是商业产品，更是未来社会中与人类产生情绪价值连接的智能体。

研发过程中，必须摒弃纯汽车论或纯机器论，组建既懂 AI 又懂工程的复合型团队。尽管面临恐怖谷效应、法律法规及安全交互等重重挑战，但通用人形机器人有望在未来成为老人与家庭的重要依赖，其商业化元年预计将在 2027 年左右到来。

[01:00:03] Chapter 5: 机器人运动控制与商业化落地难点

机器人运动控制是当前技术研发的核心瓶颈，其复杂度远超汽车。目前的机器人运动控制仍处于早期阶段，缺乏全姿态、全 AI 驱动的协同能力。

硬件的可靠性、多大模型的拟合以及商业化场景的验证是量产前的三大难点。机器人创业难度是汽车行业的 20 至 100 倍，虽然通用人形机器人赛道竞争激烈，但通过差异化解法，机器人行业在未来可能展现出比乘用车更高的商业化成功概率。

[01:08:07] Chapter 6: 旗舰产品布局与未来行业竞争格局

GX 旗舰 SUV 通过引入飞行汽车的冗余技术与线控底盘，实现了软硬件的高度融合。未来汽车与机器人的界限将进一步模糊，软件价值占比有望提升至 50%。

在自动驾驶领域，L4 级技术预计在 18 至 24 个月内实现突破。汽车行业竞争将趋于集中，未来 30 年中国市场可能仅存 5 家规模化车企。

企业应通过持续的研发投入与跨域融合，在复杂的制造体系中构建差异化优势，以应对长期的技术与市场挑战。

Mind Map

上图根据本期访谈原始 Mind Map 与章节结构整理，保留主线，压缩重复细节。

Q&A

Q1 [张小珺]: 作为一个企业的一号位，深度使用 AI 产品有必要吗？

A1 [何小鹏]: 我认为不要太深度使用。做一号位如果天天用产品，很快会陷入细节，比如发现 Scales 哪里不好用，反而不能向远方看。我对于科技快速变化的产品，主张要用但不要太深度的用。对于基层员工或强相关的产品线，我鼓励他们用任何方式去尝试，最后看结果，再慢慢归一，这样才是比较好的管理方式。

Q2 [张小珺]: 为什么说物理 AI 和数字 AI 是完全不同的两条路径？

A2 [何小鹏]: 数字 AI 往往基于浓缩的人类语言，语言即世界；而物理 AI 需要处理的数据量巨大，根本无法用语言概括、还原和复制。物理 AI 不仅要比上限，还要比下限，还要拼广度、品质、成本、材质以及法规的允许度。在数字世界里核心看的是长板，但在物理世界里，短板、窄板必须同时解决，这完全是两套不同的方法论。

Q3 [张小珺]: 去年为什么决定停掉花了数十亿的旧体系？

A3 [何小鹏]: 因为旧体系无法做到无人驾驶，也无法让机器人真正 “放话”。我们意识到以前的方法论是在软件工程中缝合 AI，做出来的还是 “AI 缝合怪”。我们要换到底层逻辑，用 AI 驱动组织和研发，去构建整个体系，而不是在使用别人构建好的体系。这虽然是一个巨大的心理和物质压力，但越犹豫越难成功。

Q4 [张小珺]: 为什么小鹏坚持选择最难的通用人形机器人路径？

A4 [何小鹏]: 机器人不仅是商业产品，更要参与人类社会，提供情绪价值。我们选了一条最像人的路径，虽然难，但在未来 20-50 年，它能与人类生活强相关，尤其是对老人的陪伴和依赖。机器人对于老人来说，可能是未来最重要的物理依赖，这种价值远超过工业版机器人。

Q5 [张小珺]: 如何在一个数万人的企业中推动这种剧烈的变革？

A5 [何小鹏]: 切记不要 “小刀砍大树”，慢慢砍是没用的。想清楚了就要敢于下注，从组织、流程到方向全部改。过程中肯定会有负面声音，甚至有人用脚投票离开，这很正常。作为 CEO，有时候你要相信过程中间部分的节点让大家看到，以提高信心和领导力，但全局的把握必须靠自己。

Q6 [张小珺]: AI Coding 对智能驾驶或汽车行业会带来什么变化？

A6 [何小鹏]: 目前它只是初级程序员的辅助工具，两三年后会逼迫初级程序员向高级程序员进化。但对于智能驾驶内核，它的帮助比较小，核心还是在于整个 infra（基础设施）和体系的建设。AI 只是应用层的工具，真正要把车的系统建好，靠的是底层架构而非简单的代码生成。

Q7 [张小珺]: 为什么说数据管理是巨大的刚性成本？

A7 [何小鹏]: 在物理 AI 领域，训练一次数据动辄几十到几百 TB。我们一年在数据上的刚性成本接近十个亿。必须精细化管理哪些数据有价值、哪些是临时有价值、哪些需要快速使用，这每一项投入都是千万级别的。商业最大的提高效率、降低成本的逻辑，就在于对数据和算力的专门管理。

Q8 [张小珺]: L4 自动驾驶什么时候能实现？

A8 [何小鹏]: 我认为大概在 18 到 24 个月内。实现后销量增长是必然的，但更重要的是它带来的长期价值和行业冲击。即使销量增长了，也不代表这就成功了，因为汽车企业的成功不是仅靠 AI 的某一个能力，而是制造、设计、服务等复合能力的体现。

Q9 [张小珺]: 汽车行业竞争激烈，如何看待 “血海”？

A9 [何小鹏]: 我觉得大家都还在游，并没有谁真正游出来。汽车行业是复合机器，做好一个长板没用，必须在颜值、智能、制造、成本等多个维度做到 90 分以上，才能在战争中胜出。很多公司只看到问题，但创业者必须学会构建体系去既有上限又能堵住下限。

Q10 [张小珺]: 选人的标准是什么？

A10 [何小鹏]: 我看重人才的潜力，而不是单纯的人才密度。要用超级聪明的人去做超级困难的事情，而不是依靠清晰的流程或工具。比如我们在毕业生中招了接近八十个三清博士，虽然很贵，但我们愿意支持他们长期的探索，相信他们能创造奇迹。

Q11 [张小珺]: 去年发布会后会纠结要不要向公众证明机器人不是真人？

A11 [何小鹏]: 团队担心说多了反而让人怀疑，但我认为必须说。因为一旦谣言扩散，24 小时后就无法收拾。我们最终选择剪开腿部展示，是为了用最直接的方式回应质疑，让内部齐心。在创业中，面对舆论，有时候你需要用创意的方式去打破偏见。

Q12 [张小珺]: 汽车或机器人行业最终会集中到多少家企业？

A12 [何小鹏]: 汽车行业 30 年后中国可能剩 5 家有规模的企业。机器人行业则不同，它的分类远多于汽车，会有很多差异化的解法，所以胜率反而比乘用车高。机器人创业虽然难，但它不会像汽车那样受限于道路和法规的建设，一旦规模化，速度会远超汽车。

Q13 [张小珺]: 怎么吸收新知识？

A13 [何小鹏]: 我不看具体的书，因为世界变化太快，书写出来就过时了。知识要在实践中吸收，在一个足够大的平台上进行快速循环的实践。以前是 “读万卷书，行万里路”，现在最重要的就是实践，尽量降低人的任何一个环节的消耗，靠全自动的循环来迭代。

Q14 [张小珺]: 过去一年有没有后悔的决策？

A14 [何小鹏]: 没有。这个世界上不需要思考后悔，犯错是必然的。我们经常觉得原来某个东西是错了，那我们一起思考为什么现在错了，但不用后悔。后悔是没用的，一起复盘并改进，比后悔更有价值。

Q15 [张小珺]: 作为一个 CEO，现在花时间最多在哪里？

A15 [何小鹏]: 战略和规划。思考未来是什么样的，这需要技术、组织、市场等多种能力的组合。汽车是一个非常复杂的技术体系，做好一件事情不代表能做好，所以我必须在战略层面去思考如何将硬件、软件、制造、服务等能力进行跨域融合。

Highlights

1. [03:05] 做一号位，对于科技快速变化的产品，要用但不要太深度地用；鼓励基层尝试，最后看结果，再慢慢归一。
2. [19:44] 在数字世界核心看长板，但在物理世界，不光要比上限，还要比下限，拼广度，拼品质、成本、材质、细节和法规。
3. [27:59] 绝不服输，愿赌服输。如果把这两条平衡好，意味着即使面对巨大的困难，你都要坚持。
4. [48:01] 要用超级聪明的人去做超级困难的事情，而不是用非常清晰的方向、流程或者工具去锻造。

Keywords

1. 物理AI: 指能够直接在物理世界中感知、决策并执行任务的智能系统，如智能汽车和人形机器人。何小鹏认为这与处理文本信息的数字 AI 有着完全不同的方法论和技术路径。
2. 小鹏汽车: 一家专注于智能电动汽车研发与制造的中国科技企业。在访谈中，公司被描述为正从智能电动汽车企业向 “物理 AI” 企业转型。
3. Iron: 小鹏自主研发的人形机器人产品。它代表了公司在物理世界中探索 AI 应用的核心尝试，旨在通过深度学习实现更复杂的交互与作业。
4. 端到端: 一种自动驾驶技术架构，通过神经网络直接将传感器采集的原始数据映射为车辆的控制指令。何小鹏提到通过这种技术重构自动驾驶逻辑，是公司实现技术突破的关键。
5. H100: 英伟达生产的高性能图形处理器，是目前全球 AI 模型训练的主流算力硬件。访谈中被用作衡量企业在算力基础设施投入规模的单位。
6. SOP: 汽车制造业术语，意为 “量产启动”。何小鹏将其引入机器人研发领域，强调通过标准化的工业流程实现人形机器人的规模化生产。
7. 恐怖谷效应: 指当机器人外观与人类过于相似但又存在微小差异时，会引起人类的排斥或恐惧感。何小鹏在设计机器人时特别考虑此效应，以确保其进入人类生活场景时的安全性与舒适度。
8. GX: 小鹏汽车推出的旗舰级大型 SUV。该车型集成了公司在飞行汽车、智能底盘及 AI 驱动系统等多个领域的最新技术成果。
9. Token: 人工智能模型处理信息的基本单位。访谈中讨论了数字 AI 与物理 AI 在 Token 使用需求上的差异，以及如何通过管理算力来优化企业的 AI 研发效率。
10. EEA: 汽车电子电气架构，是现代智能汽车系统的 “神经中枢”。何小鹏提到将其与线控底盘及自动驾驶系统深度融合，是提升车辆智能化上限的关键技术路径。