封面新闻记者 李继龙

　　随着人工智能加速进入汽车、机器人等真实物理场景，行业竞争也开始从智能驾驶、智能座舱等应用层，进一步向大模型、视觉感知等底层能力延伸。特别是在高分辨率、多摄像头以及连续视频成为重要输入信息后，视觉模型的效率与场景适配能力也成为行业关注的重点。

　　8月27日，小鹏集团正式发布TuringViT高效视觉编码器，进一步完善其物理AI底层技术布局。据悉，TuringViT将面向智能驾驶、智能座舱以及IRON人形机器人三大业务场景应用。今年上半年，小鹏还陆续发布了多视角生成式世界模型X-World、世界模型推理加速引擎X-Cache、预测式世界模型X-Foresight及X-Mind技术框架。

　　此次发布的TuringViT，主要从模型架构、数据治理和训练方式三个方面进行调整。其中，针对传统视觉模型在高分辨率场景下计算成本较高的问题，TuringViT采用以线性注意力为主的混合架构，使计算复杂度由二次方下降至接近线性。官方测试数据显示，在1536×1536分辨率下，TuringViT-18L的推理吞吐量达到Seed1.5-ViT的3.04倍，相比SigLIP2-ViT-L提升2.16倍。

　　数据效率则是此次技术发布的另一看点。不同于单纯扩大训练数据规模，小鹏通过VISTA-Curation多模态数据治理流程，对图片、文本及视频数据进行筛选和处理。据官方披露，TuringViT仅使用0.85B图文对，约为SigLIP2-L训练数据规模的10%，便在ImageNet-1K等六项零样本分类基准上取得83.6%的平均准确率，并超过使用10B数据训练的主流开源基线。

　　值得关注的是，TuringViT并非只服务于智能汽车。在智能驾驶领域，其将作为第二代VLA系统的核心视觉编码器，处理多路摄像头采集的动态道路信息，为窄路通行、复杂路口以及长尾交通参与者识别等场景提供支持；在智能座舱领域，则将进一步强化视觉与语言模型之间的协同。

　　与此同时，在小鹏IRON人形机器人的技术体系中，TuringViT也将承担视觉感知功能，用于物体识别、空间关系理解以及动态环境追踪等，并尝试将智能驾驶领域积累的视觉能力迁移至机器人场景。

　　从智能汽车到人形机器人，小鹏正在尝试以统一的视觉底座连接不同物理AI业务场景。随着AI技术进一步向真实物理场景渗透，汽车行业的竞争维度也正在从功能体验，进一步延伸至模型效率、数据能力和底层技术体系。