行业技术范式变革 - FSD V12的发布成为自动驾驶行业的分水岭 其端到端架构实现了从“光子输入”到“控制输出”的全链路神经网络决策 将深度学习的应用从感知延伸至规控 完成了技术革命的闭环 [2][3] - 此前行业技术仅完成一半 深度学习仅重构了感知环节 决策规控仍依赖规则主导 这种半吊子的技术重构仅能发挥20%—30%的效能 [2] - 新范式打通了L2与L4的技术壁垒 让两者得以共享开发体系、传感器配置与ODD区域方案 [3] 未来发展趋势判断 - 未来三年 自动驾驶行业将告别范式迭代的狂飙 进入极致优化的“苦日子” [2][3] - 当前深度学习已显露天花板迹象 AGI基础理论暂无突破信号 下一轮内核重构至少还需5—20年的技术沉淀 [3] - 假设AI/AGI理论在未来3—5年没有全新突破 产业将进入技巧型优化演进状态 [3] 公司战略与应对之策 - Scaling Law在自动驾驶领域刚刚开始 公司将推动每代AD产品实现10倍算力提升 支撑10倍参数规模的系统进化 [3] - 以统一的底层技术范式 重点投入城区L2与L4两大关键节点 并持续强化工程体系与组织能力建设 [3] - 核心命题是将现有技术潜力发挥到极致 包括持续提升芯片算力与模型容量 以统一范式推进L2到L4的融合 [4] - 目标让城市L2从20万级车型下探至10万级市场 让准L4系统以平民化价格走进大众 [4] 行业现状与挑战 - 研发团队承受智力与体力的双重压榨 数亿元投入未能“激起水花” [2] - 行业面临稠密场景下的海量corner case、紧迫的SOP时限 一度陷入路径迷茫 [2] - 未来阶段需要应对海量长尾场景的打磨 强化工程与组织能力是穿越周期的关键 [4] 行业终极目标 - 自动驾驶的终极目标是造出能替代人类司机的机器 [4] - 在范式革命之后 行业考验的是沉下心来做“精活”的耐力 [4] - 未来几年内的意义在于 能够把L4级别的车以平民化的价格送到用户手上 [4]