“ 人不会按机器人的节奏出招——握手握到一半变拳、击掌临时换手，机器人跟不跟得上，可能就差在这0.2秒里。
近日，小鹏汽车发布一段IRON人形机器人的交互演示视频，第二代VLA大模型完成时序理解与未来行为预测升级并端侧部署至整机，官方口径为每0.2秒根据画面重新推理一次、可预测人未来6秒内的动作变化。
01.
一次握手，为什么比一次空翻更难？
演示里的测试没有剧本。测试员先伸手要握手，手伸到一半突然握成拳，IRON收住握手动作改成碰拳；测试员又把击掌位置临时抬高、超出左手可及范围，它换右手把这一掌接完。人变招，机器人跟着变，全程没人喊口令。
过去的做法是另一个路子：机器人识别到一个完整手势，触发一套预设动作从头做到尾，人要配合它的节奏，人一旦中途改主意，它就停在原地等下一次触发。小鹏把新能力概括成十二个字——一直观察、实时判断、持续调整。官方原话是，让“看到什么”和“身体怎么动”连成实时闭环。
两件事的难度差在对手身上。翻跟头这类动作面对的是重力和地面：起跳前的重心轨迹、空中转速、落地位置都能提前算出来，机器人也能离线反复练到收敛，真正执行那一瞬间，来自本体之外的变量不多。它难在爆发力和控制精度，整套流程是机器人自己写的。
握手反过来，剧本握在对面那个人手里：手掌什么时候到、从哪个角度来、用多大力、中途要不要改成碰拳，机器人全都不掌握。失手的去处也不一样——翻跟头摔的是机器人自己，握手失手直接落在另一个人身上，力度过了会捏疼对方，慢半拍对方已经收手，位置判错就是一次落空。小鹏在安全性上除了遵循“机器人三大法则”，还在探索扩展第四法则，指向的正是这类与人接触时的保护。
节奏的归属同样不同。巡检、搬运这类任务的节拍由机器自己定，慢一点、停一下都不影响结果；交互的节拍握在人手里，机器人迟半秒，整段互动就断了。
所以这类接触不能只在开局判断一次。按官方口径，IRON每0.2秒根据画面重新推理一次，并预测未来6秒内的动作变化，一次握手的持续时间不过几秒，按这个频率，机器人在这段接触里有十几次修正自己的机会。
落到机器人本体上，这些要求变成几条硬指标：IRON按1:1真人比例设计，身高178厘米、体重70千克，有仿人脊椎、仿生肌肉和全包覆柔性皮肤，手部采用官方所称“行业最小”的谐波关节以达到1:1人手尺寸，服务的是同一个目标——伸手的位置、接触的力度落在人习惯的范围里。
02.
这么高的重算频率，为什么不能在云端完成？
行业里的人形机器人普遍采用“端云结合”：本体算力有限，重活交给云端。这套方案跑巡检、跑任务没问题，跑交互就吃紧——一次云端往返要经历上行、推理、下行三段，每段的抖动都叠加在同一个时延预算上，交互场景等不起这个来回。
小鹏的做法是把推理放在本体：IRON搭载3颗自研图灵AI芯片，有效算力2250 TOPS。图灵芯片2024年8月流片成功，2025年第三季度量产上车，单颗算力约750 TOPS，大致相当于3颗英伟达Orin-X；而IRON装的是三颗，用途明确，就是要把整套推理留在机身里，其中两颗即可满血运行第二代VLA。
关键在立项那天。这款芯片按“同时跑在自动驾驶汽车、机器人和飞行汽车上”设计，比小鹏把公司定位升级为“物理AI公司”早了15个月。IRON第一代量产产品带着这份算力储备下线，端侧推理不必因为算力不够而妥协。
算力放在机身里，两项附带收益随之而来：感知数据不出本体，对要进门店、园区、工厂的商用设备，这是采购方会问的问题；推理不吃网络波动，商场地下、厂房深处这类弱网区域也照常运转。
03.
这套模型为什么先在车上跑了九个月？
答案在规模上面。IRON的VLA与智驾同源，而汽车是这套基座眼下唯一拥有量产机队的载体：路上跑的车每天都在给模型送回来真实路况，机器人还没有这样一支队伍可用。
把时间线摆出来：今年3月，搭载第二代VLA的图灵AI智驾正式量产推送，首月辅助驾驶里程占比超过50%。
8月，第二代VLA完成关键升级，端侧模型参数量扩大3.5倍，从对物理世界的静态3D空间理解走向动态4D时空理解；小鹏在二季度业绩电话会上给出的另外两个指标是感知灵敏度提升300%，并实现VLA+VLM的驾舱融合。用小鹏官方的说法，上个月它开始理解“时间”，这个月轮到理解“你的下一步”。
4D时空理解拆开就是一件事：3D理解回答“眼前是什么样”，4D理解回答“下一秒会变成什么样”。车辆要预判旁边那辆车会不会并线，机器人要预判对面那只手会不会变拳，两个问题在模型眼里是同一类题。
首月辅助驾驶里程占比超过50%这个数，是这条时间线里最硬的一笔：推送一个月，车主把一半以上的辅助驾驶里程交给了模型，数据回流、问题反馈、版本迭代都在量产规模上跑。到10月机器人接手这套模型时，它已经在路上滚了九个月，IRON拿到的是被车规场景反复检验过的版本。
两个品类共用这套管线，不等于需求相同。汽车一侧跑的是VLA，机器人一侧在此之外还要多一层VLT——按官方定义，VLT面向机器人任务做推理与决策，VLA负责把理解转成动作，VLM处理语言与视觉理解。多出来的这一层，对应的是机器人需要自己把一句话拆成一串动作的场景。
这套管线还包括模型之外的基础设施。小鹏官方把自建体系描述为覆盖数据、训练、仿真、评估、部署和算力的AI Infra，自动驾驶是它的第一个规模化应用场景，机器人是接上这条管线的新品类。数据供给也有落点：小鹏已在广州建成首个具身智能数据工厂，承担机器人一侧的真实场景训练数据。
04.
交互能力，接进了哪条产线？
9月8日，小鹏机器人生产线在广州启用，首台通过该产线完成自动化总装的IRON自主走下产线。小鹏官方称之为全球首条高阶人形机器人自动化产线，由集团自主设计，核心制程自动化率超过80%，把汽车工业的质量体系引入机器人精密制造，以车规级一致性标准建立量产品质体系。
车规级一致性可以这样理解：同一批次下线的机器人，装配精度、动作表现的差异要控制在很小范围。人形机器人过去长期停在小批量、半手工装配阶段，零部件标准化、装配精度、整机一致性、生产节拍，每一项都直接决定量产之后的动作准确率——零部件公差控制不住，本体再聪明，动作也会在松动的连接里走样。
何小鹏在启用仪式上说，机器人生产线是从零创造、没有先例可循的，下一步要继续提升生产节拍和制造规模。
支撑这条产线的是同期到位的资本：8月24日，机器人业务完成首轮股权融资，金额超9亿美元，投后估值超63亿美元，IDG资本领投，高榕创投参投，腾讯、阿里巴巴两家战略投资者进入。按公司披露，募集资金投向软硬件研发、物理AI模型训练迭代、高质量数据采集、全链条量产基地建设与全球商业化拓展。
排期也定了——IRON将在2026年底进入规模量产，2027年面向中国及海外市场上市交付。
何小鹏还透露，与小鹏机器人合作的供应链企业85%以上与小鹏汽车重合，这也是这座产线能把车规级流程直接搬过来的原因。
05.
门店和钢厂都在排期里，IRON为什么先去门店？
按官方规划，IRON首批落地小鹏门店和园区，承担迎宾、导览、导购。小鹏已公布的季度业绩显示，截至2026年6月30日，公司实体销售网络共有740间门店、覆盖257座城市。
0.2秒的能力在这个场景里的用法很直接：顾客朝机器人抬手往某个方向点一下，机器人不必等整套手势做完再判断，手势进行到一半时已经开始跟着修方向。
第二条考线在工业现场。宝钢已签约成为IRON项目的生态合作伙伴，官方表述是IRON将入驻宝钢，在巡检等复杂工业领域探索应用场景并迭代进化。门店这一条考人机交互，钢厂这一条考复杂工况下的可靠性。
两处在官方口径里的角色不同，先后顺序也就跟着定了：门店那边是“落地”，IRON进去承担的是迎宾、导览、导购三个已经列明的岗位；宝钢那边是“入驻”加“探索”，属于双方一起验证边界。一个是上班的工位，一个是还没定形的考题。
何小鹏给出的口径是，做机器人的技术难度比造车至少高20倍，他列举的方向包括设计与造型、硬件与芯片、软件与AI、数据与管控、品质与制造。排期也是照着这套难度排的。
笔者认为，这次升级改变的是交互的评价单位：从能不能完整做完一套预设动作，变成能不能在与人的接触过程中持续对上节奏。0.2秒一次重算、6秒一段预判要在这两类场景里分别被验收，门店这一条先开考，宝钢那条随后推进；2026年底量产、2027年上市交付，是这两条线同时进入兑现期的时间节点。
