智驾技术发展回顾 - 行业早期普遍采用深度学习驱动、caffe、ROS、Faster RCNN等技术，所有公司均大举投资并扩张团队，宣称五年内实现自动驾驶，行业朝气蓬勃 [4] - 技术演进经历了从特斯拉HydraNet、BEV、端到端到VLA的各个阶段，其中机器人学建模坐标系的变化和数据驱动的变化带来了巨大变革 [5] - 商业化路径从早期聚焦RoboTaxi转向L2量产，L2技术也经历了模块化、端到端等阶段，目前L4已在无人驾驶小车领域落地，RoboTaxi热潮再起 [5][6] 行业经验与关键成功因素 - 智驾行业经历了三次主要阵痛：放弃robotaxi、保证L2安全以及将系统转化为量产交付 [7] - 公司成功的关键在于人工智能能力、一号位的战略与执行力，以及能否覆盖从数据采集到系统集成的长交付链条，执行力差异导致结果显著不同 [7] - 行业竞争已从“有长板就能活”转变为“没有短板才能活”，公司需在技术基建、适配能力、人才密度、战略规划与工程实践协同上均无短板，成为六边形战士 [7] - 智驾作为复杂系统，其安全性、合规标准及对管理层和组织架构的高要求构成了重要门槛 [7] VLA与世界模型的技术路径 - VLA架构旨在解决快慢系统难以训练的问题，具体实施方案多样，包括渐进式耦合方案、混合架构方案以及激进端到端方案，目前尚无定论 [8] - VLA路线侧重于解决语义理解与交互问题，通过语言模态实现环境认知升级；世界模型路线则旨在突破数据局限性，通过生成式建模拓展系统认知边界，两者高度互补 [10] - VLA具备良好的人机交互能力，但其工程化需平衡创新性、算力、安全性，并面临渐进式与颠覆式创新的战略选择 [10] - 对于投资决策，技术细节并非唯一评估标准，技术能力与市场能力的匹配度以及新技术带来的资源消耗是否值得更为关键 [10] 行业未来展望与机遇 - 智驾行业积累的系统理解能力、AI研发能力以及对学术素养和工程落地能力的要求，可无缝对接到具身智能领域 [11] - 产业层面，城市NOA等功能尚不完善，融合VLA与世界模型等学术成果落地存在大量机会，行业远未成熟，发展空间广阔 [11] - 在学术界技术路线趋同的背景下，研究者更应将根本性革命作为目标，而非对现有方法小修小补，系统性技术跃迁将带来重大成果 [11] - AI coding工具不会削弱从业者核心竞争力，反而能使其更聚焦于算法等核心问题 [11]