报告行业投资评级 未提及相关内容 报告的核心观点 - 高阶智能辅助驾驶技术需在算法、数据、算力升级的同时解决安全短板，推动技术迭代与安全验证同步发展 [23] - 车端算法架构从模块化向端到端演进，一段式端到端VLA推动智能驾驶从“数据驱动”向“认知驱动”跃迁，多段式端到端E2E+VLM将被替代 [66] - VLA大模型“类人决策”特点将重塑智能辅助驾驶竞争格局，车企需平衡算法创新、工程落地与成本控制 [69] - 全栈自研仅头部新势力可长期维持，自研+外采将成多数车企主流选择，全栈外采在中低端车型仍有空间，行业呈“分层竞争、多元共存”格局 [83] - 尽管车企和政策推动L3落地，但大规模商业化需突破技术长尾问题与伦理争议，未来两年是关键窗口期，L3规模化上车进度可能放缓 [99] 根据相关目录分别进行总结 中国高阶智能辅助驾驶市场背景 - 高阶辅驾ODD再扩展：未提及具体内容 - 科技平权与技术普惠：未提及具体内容 - 事故焦虑与安全冗余：今年部分头部车企智能辅助驾驶NOA功能事故暴露技术边界与用户认知错配，引发安全信任危机；工信部发文规范宣传，为行业过热宣传降温；技术需在多方面升级同时解决安全短板 [21][23] - 政策护航与理性宣传：2025年4月16日，工信部发布通知规范智能网联汽车驾驶辅助功能宣传及技术验证，禁止夸大能力，要求功能验证周期与用户安全教育 [23] 中国高阶智能辅助驾驶技术洞察 高阶智能辅助驾驶技术洞察 - 解码算力、数据、算法的技术底层逻辑：未提及具体内容 高阶智能辅助驾驶算力洞察 - 车端算力：向千级TOPS跃迁，大算力芯片加速普及，国产芯片未来可期；目前国内量产芯片多≤200TOPS，未来500 - 1000TOPS+芯片将成主流；车端受硬件算力限制，依赖云端大模型，架构向端到端转型；未来车端将实现端到端大模型本地化部署，车规级芯片算力上限将突破 [42][43][44] - 云端算力：未提及具体内容 高阶智能辅助驾驶数据洞察 - 数据难题：未提及具体内容 - 数据采集：未提及具体内容 - 定位技术：未提及具体内容 高阶智能辅助驾驶算法洞察 - 端到端、VLA、世界模型：车端算法以端到端架构为基础，VLM辅助E2E处理复杂决策，VLA融合多模态信息提升泛化能力；云端模型从模仿学习演进至生成式世界模型，构建闭环训练系统支撑车端模型泛化能力升级 [61] - 算法架构：从模块化到多段式端到端再到一段式端到端演进，一段式端到端VLA推动智能驾驶跃迁，多段式端到端E2E+VLM将被替代 [65][66] - VLA：起源于2023年谷歌探索，2025年上车引领智能辅助驾驶升级，但面临算力、数据成本、推理延迟等挑战，需强化多模态融合、车云协同 [68][69] 中国高阶智能辅助驾驶竞合分析 企业梯队与产业图谱 - 未提及具体内容 开发策略与合作模式 - 开发策略：主机厂智能辅助驾驶方案开发策略分软硬全栈自研、自研+外采、软硬全栈外采；全栈自研技术壁垒高但资金/人才门槛高，自研+外采平衡成本与技术，全栈外采快速量产、成本可控 [82] - 合作模式：包括全栈自研、自研+外采、全栈外采；全栈自研仅头部新势力可维持，自研+外采成主流，全栈外采在中低端车型有空间 [83] 中国高阶智能辅助驾驶趋势洞察 乘用车L3商业化进展 - 2025年主机厂陆续发布L3、L4量产规划，数据积累与政策协同推动安全升级；L3级自动驾驶ODD限定在高速路段，L4级可在城市限定区域运行；L3大规模商业化需突破技术长尾问题与伦理争议，未来两年是关键窗口期，规模化上车进度可能放缓 [96][97][99]

大语言模型的局限性 - 当前大语言模型仅擅长信息检索和已有解决方案的复述 无法进行真正的抽象思考、推理和规划 [3][5][6] - 模型通过统计规律生成答案 本质是模式匹配游戏 无法创造新事物或提出正确问题 [5][6][18] - 训练数据已达边际效益递减 天然文本数据接近耗尽 合成数据成本高且回报有限 [11][13][14] AI发展的新范式方向 - 未来AI系统需具备理解物理世界、持久记忆、推理和规划四大核心能力 [29][37][38] - JEPA架构通过非生成式方法学习世界抽象表征 可预测物理规律并实现真正规划 [44][47][49] - 视频数据训练比纯文本更高效 儿童通过10^14字节视觉数据即可掌握基础物理规律 [36][37] 开源与闭源竞争格局 - 开源生态创新速度显著快于闭源 全球协作可加速技术突破 [50][53] - DeepSeek案例证明中国团队具备独立创新能力 2015年ResNet论文成为全球被引最高单篇论文 [3][53] - 实际部署中开源模型成本更低且可控 Llama等开源引擎正被广泛采用 [51] 行业投资与商业化前景 - 当前AI投资主要用于推理基础设施扩建 而非短期技术突破 [19][20] - 消费级AI应用已获验证 Meta AI用户达6亿 但企业级部署仍面临可靠性挑战 [21][24] - 专家系统历史表明AI需避免过度炒作 新范式需3-5年才能成熟应用 [25][30]

研究背景与核心创新 - 研究结合状态空间模型(SSM)、扩散模型和世界模型等前沿技术，开发出新型视频世界模型，实现长期记忆与空间一致性的平衡 [1][9] - 传统视频扩散模型受限于注意力机制，难以维持长期一致性，导致环境模拟失真 [3][4][6] - 创新点在于采用Mamba的逐块扫描方案，配合局部注意力机制，显著提升长期记忆能力同时保持计算效率 [9][15][16] 技术架构设计 - 采用空间主/时间次的token排序方式，确保因果约束并防止未来信息泄露 [11] - 提出逐块重新排序方法：将token序列分解为(b_h,b_w,T)块，通过调整块大小平衡时间相关性与空间一致性 [13][15] - 引入帧局部注意力模块，采用窗口大小为k的因果注意力机制增强短期一致性 [16] - 动作条件处理：通过MLP处理连续动作值，直接学习离散动作嵌入实现交互控制 [17] 训练与推理优化 - 改进训练方案：保持随机长度前缀完全无噪声，强制模型学习长期依赖性 [18] - 推理阶段仅需维护前k帧KV缓存和块SSM状态，实现恒定内存占用和生成速度 [21] - 训练成本随上下文长度线性增长，显著优于传统二次复杂度模型 [39] 实验性能表现 Memory Maze数据集 - 检索任务(400帧)：SSIM达0.898，显著优于Mamba2(0.747)和因果Transformer(0.829) [25] - 推理任务(224帧)：SSIM达0.855，优于所有次二次模型 [26] - 长期记忆能力与全上下文因果Transformer(SSIM 0.914)接近 [25][27] TECO Minecraft数据集 - 推理任务(50帧)：SSIM达0.454，优于DFoT(0.450)和25帧上下文因果Transformer(0.417) [33] - 能准确预测已探索区域，而有限上下文模型失效 [36] 效率优势 - 训练时间线性扩展，推理保持恒定内存和计算成本 [39] - 单次前向传递速度显著快于全注意力机制 [39]

具身智能技术发展 - 具身AI模型与人形机器人结合为AGI进入物理世界提供新可能，多模态大模型和世界模型推动具身智能进化 [1] - 新型大物理模型（如CoA行动链）在泛化性、端到端训练和统一大小脑功能上优于传统思维链（CoT），并已开发世界模型、仿真平台等工具 [6] - 脉冲神经网络实现机械臂类脑仿生控制，通过仿生算法和计算神经结构达成复杂环境下的自适应与灵巧操作 [10] 产业应用与商业化路径 - 智能机器人需满足V（感知）-L（理解）-A（行动）闭环，产品化需聚焦用户场景划分、技术交叉点及低失效成本场景 [8] - 视觉大模型（VLM）通过开源强化学习框架提升机器人环境感知与决策能力，联汇科技展示VLM-R1框架及终端联动案例 [12] - 模块化关节设计颠覆传统机器人开发，星际光年开源方案使灵巧手成本与周期显著降低 [12] 行业生态与未来展望 - 张江依托"一中心、两基地"布局推动人形机器人产业加速，集聚科研资源完善政策环境 [4] - 世界模型和Scaling Law被视为具身智能算法潜力方向，生成式AI可缩小虚拟与现实差距 [13] - 工业搬运、商超展厅为优先落地场景，预计5-10年内或进入C端家庭市场 [13] - 合成数据可百倍放大真实数据价值，解决训练数据稀缺问题，仿真数据在泛化性和采集效率上优势显著 [14]

大模型智能体可用性瓶颈 - 当前大模型智能体应用主要集中在专业领域如代码生成、科研辅助等，在大众日常场景中普及率较低 [1] - 核心制约因素并非模型能力不足，而是Agentic ROI（投资回报率）未达实用化门槛 [1][3] - Agentic ROI衡量信息收益与使用成本比值，需同时满足信息质量阈值和成本节省比例要求 [4] Agentic ROI关键构成要素 - Information Quality：智能体生成信息的准确性和完整性 [5] - Human Time/Agent Time：人类与智能体完成任务的耗时对比 [5] - Interaction Time：用户与智能体交互过程的时间消耗 [5] - Expense：模型调用和API使用的经济成本 [5] 当前应用场景矛盾 - 高人力成本场景（如科研）因替代效应显著而ROI较高 [7] - 日常场景（如电商）因任务简单且交互成本低，智能体边际价值不明显 [7] - 额外交互成本和延迟导致日常场景Agentic ROI偏低 [7] 发展路径优化策略 - 采用「之字形」发展模式：先规模化提升信息质量，后轻量化降低使用成本 [8][9] - OpenAI模型系列（o1-mini到o3-mini）验证该路径有效性，新一代小模型在保持性能同时降低60%推理费用 [9] 规模化提升阶段 - 预训练规模化：扩大模型参数/数据量，扩展上下文窗口和记忆机制 [11] - 后训练规模化：通过用户反馈构建数据飞轮实现持续优化 [12] - 推理时规模化：构建多模态世界模型，支持复杂任务处理 [13] - 多智能体协作和工具调用扩展可提升任务分解能力 [15] 轻量化优化阶段 - 记忆机制复用历史知识减少重复计算 [18] - 模型压缩技术可降低50%推理延迟而不显著影响性能 [18] - 优化推理策略避免冗余链条，硬件升级（如Groq芯片）提升实时响应 [18] - 主动意图理解设计可降低30%用户交互时间 [18]

开源AI模型 - DeepSeek-R1新版本开源，编程能力超越Claude 4 Sonnet，与o4-mini性能相当 [1] - 新模型具备深度推理能力、自然文本生成、支持30-60分钟长时思考，能完美执行复杂代码 [1] - 实测在3D动画、网站设计和复杂推理问题上表现优异，思考过程更稳定，能处理长链条推理 [1] AI视频创作 - 可灵2.1上线，价格降低65%，效果和速度均有提升，形成标准版、高品质版、大师版三档分层 [2] - 高品质版效果媲美旧版大师版，支持1080P画质，运动效果出色，但仅支持图生视频 [2] - 新版本性价比显著提升，普通用户适合选择高品质版，商业级制作可搭配大师版 [2] 腾讯产品AI升级 - 腾讯元宝、ima、搜狗输入法、QQ浏览器等产品接入DeepSeek R1最新版，从开源到上线仅用不到1天 [3] - 用户可在腾讯多款产品中选择DeepSeek模型R1深度思考，实现免费不限量使用 [3] - 腾讯坚持双模型驱动，选择更先进的模型并第一时间部署上线 [3] AI浏览器创新 - Opera发布首款"AI Agent"浏览器Opera Neon，重新定义浏览器在代理网络中的角色 [4] - Opera Neon由Neon Chat(聊天)、Neon Do(执行网页任务)和Neon Make(复杂创作)三大功能组成 [4] - Neon Make利用云技术执行复杂任务如生成报告、设计游戏原型和构建Web应用，离线时也能工作 [4] 3D大模型升级 - VAST升级Tripo Studio，推出智能部件分割、贴图魔法笔刷、智能低模生成和万物自动绑骨四大功能 [5] - 智能部件分割实现一键拆建，智能低模生成在保留细节前提下大幅减少面数 [5] - 万物自动绑骨功能能快速完成骨骼权重分配，非专业人士也能完成全流程3D创作，效率提升10倍以上 [5] 自动驾驶与实时视频生成 - 自动驾驶大牛创立Odyssey，推出世界模型实现视频实时生成，速度达40毫秒/帧，支持实时交互 [6] - 该技术通过真实生活视频学习像素和动作，采用窄分布模型架构解决自回归建模挑战 [6] - Odyssey已获2700万美元融资，预览版由H100 GPU集群支持，输出30FPS的5分钟连贯交互视频 [6] AI科学研究 - AI科学家Zochi的论文被顶会ACL主会录用，成为首个独立通过A*级别会议同行评审的AI系统 [7] - Zochi的论文展示了多轮攻击方法，在GPT-3.5上成功率达100%，GPT-4上达97% [7] - Zochi能自主完成从文献分析到同行评审的科学研究过程，论文质量高 [7] 具身机器人商业化 - 优理奇推出轮式双臂机器人Wanda 2.0，售价8.8万元起，已量产交付，具备自主完成复杂长序列任务的能力 [8] - Wanda 2.0搭载融合触觉的预训练多模态大模型UniTouch和长序列任务规划模型UniCortex [8] - 优理奇通过全栈自研降低70%成本，面向类C端小B客户市场，已完成数亿元融资 [8] 机器人技术升级 - 波士顿动力Atlas机器人升级，具备3D空间感知和实时物体追踪能力，可360°旋转头部和腰部 [9] - 技术核心包括2D物体检测系统、基于关键点的3D空间定位以及SuperTracker物体位姿跟踪系统 [9] - 系统融合运动学数据、视觉数据和力反馈，实现精确手眼协调，团队正致力于构建统一基础模型 [9] AI行业趋势 - Google CEO Pichai认为AI是比互联网更大的平台级变革，未来将走向多终端并行 [10] - AI进入构建可用产品的第二阶段，搜索正转变为能代表用户执行任务的Agent [10] - AI带来的关键变革在于交互方式转变和创作门槛降低，第三阶段将是AI与物理世界结合 [10]

一水 发自 凹非寺 量子位 | 公众号 QbitAI 李飞飞押注的世界模型领域，迎来两位自动驾驶大牛创业新成果！ 无需任何游戏引擎，AI能以40毫秒/帧想象并实时生成视频。 40毫秒/帧啥概念？ 人类眨一次眼都需要100~400毫秒，所以现在AI几乎可以一瞬间创造视频了。 而且无需高端显卡，玩家可以实时观看，并与AI生成的世界交互了。 就像是在 探索一个平行宇宙 的感觉~ 那么，新玩家Odyssey究竟有哪些亮点呢？ 世界模型≠视频模型 一上来，Odyssey就在最新官方博客中解释： 世界模型≠视频模型 。 他们认为，乍一看世界模型好像是视频生成模型的完美应用，但后者的架构、参数和数据集实际上并不适用于前者。 而除了产品迅速引人关注，更值得说道的还是其背后研发公司。 两位联合创始人 Oliver Cameron 和 Jeff Hawke 均在自动驾驶领域有着深厚从业背景，虽然公司成立不到2年，但一亮相就获得了资本青 睐。 迄今为止，Odyssey已从EQT Ventures、谷歌GV和Air Street Capital等投资机构筹集了 2700万美元 （约合人民币1.9亿），皮克斯创始 人/图灵奖得主Ed ...

智能驾驶技术路线分化 - 行业进入端到端2.0阶段，技术路线无统一标准，理想、小鹏、华为分别推出VLA、世界基座模型、WEWA架构等差异化方案 [3] - 小鹏布局云端72B参数世界基座模型（车端模型的35倍），计划覆盖汽车、机器人及飞行汽车业务，自研图灵芯片支持30B参数模型部署 [5] - 理想自研LLM基座模型替代第三方模型，以解决3D世界理解不足导致的幻觉问题，但受限于自研芯片"舒马赫"进展缓慢，仍依赖英伟达Thor芯片 [7] - 华为采用多模态基座模型+MoE架构，通过多传感器输入生成轨迹和场景意图，目标实现L3级十秒预警能力 [9] 数据训练瓶颈与仿真解决方案 - 行业面临优质数据短缺困境，人工标注成本高且难例数据获取困难，华为指出Corner case数据是训练关键缺口 [11] - 厂商转向世界模型仿真生成数据，真数据与合成数据比例达1:2，可降低采集成本并丰富场景类型 [12] - 地平线认为99%司机行为不值得学习，仿真将成为核心训练手段，提出"AI教AI"的终极形态 [12][13] - 当前仿真数据质量仍不及真实数据，技术差距因模型探索门槛拉大 [13] 技术商业化与行业格局演变 - L3级技术需"重技术+强运营"体系，责任归属从用户转向车企，要求硬件冗余与持续维护能力 [16] - 城区自动驾驶难度是高速场景的10-100倍，头部厂商通过技术滚雪球效应加速领先 [16] - 供应商集中化趋势明显，量产经验、交付周期及成本成为主机厂筛选核心标准，未量产厂商基本出局 [17] - 行业进入分化期，无实质技术支撑的营销话术失效，市场将呈现强者恒强格局 [15][17]

智驾技术发展现状 - 车企普遍采用端到端模型训练自动驾驶软件，华为、理想、小鹏和特斯拉已证明其可行性，但系统存在黑盒风险，可能出现不可预测的问题[2] - 端到端技术源于深度学习，通过简化算法并依赖海量数据训练提升软件能力，但无法完全解决L3级自动驾驶的安全需求[2][3] - 行业进入端到端2.0阶段，技术路线分化，理想推出VLA架构，小鹏开发云端世界基座模型，华为采用WEWA架构，均试图突破现有技术瓶颈[4][14] 主要车企技术路径差异 - 小鹏构建72B参数量的世界基座模型，是主流车端模型的35倍以上，计划应用于汽车、机器人和飞行汽车，并自研图灵芯片支持30B参数模型部署[8] - 理想自研LLM基座模型替代第三方方案，针对自动驾驶优化3D世界理解能力，但因芯片研发滞后仍依赖英伟达Thor芯片[10] - 华为打造多模态基座模型，通过MoE架构实现场景化能力调用，重点解决L3级难例场景识别和十秒预警能力[14] 数据挑战与仿真技术应用 - 行业面临优质数据获取难题：人工标注成本过高，难例数据稀缺，真数据与合成数据比例已达1:2[15][22] - 世界模型成为解决方案，通过虚拟数据生成降低采集成本，地平线认为99%人类驾驶行为不值得学习，仿真将成为核心训练手段[22] - 当前仿真数据质量仍逊于真实数据，技术差距可能因模型研发能力分化而扩大[23][24] 行业竞争格局演变 - L3级技术将重塑商业模式，要求车企承担全生命周期维护责任，形成"重技术+强运营"体系[25] - 城区自动驾驶难度是高速场景的10-100倍，供应商面临更高技术门槛，未经验证的厂商将被淘汰[26] - 市场呈现强者愈强趋势，无实质技术支撑的营销概念（如无图NOA）将失效，头部企业通过量产能力和交付效率建立壁垒[26]

具身智能技术发展现状 - 具身智能成为AI领域热点方向，重点关注人形机器人载体上的感知、运动、决策能力[2] - 2025年可能成为具身智能"元年"，行业竞争集中在多模态和具身智能领域[5] - AI发展分为四个阶段：感知AI→生成式AI→自主智能体AI→物理AI，目前处于第三阶段向第四阶段过渡期[5] - 具身智能研究从传统精密控制向更智能化、通用化方向迈进，大模型能力提升推动这一转变[7] 技术演进路径 - 计算机视觉研究者正转向具身智能领域，因大模型压缩传统CV研究空间[8] - 自动驾驶技术是通向具身智能的重要桥梁，两者在感知、规划、控制模块高度相似[17] - 具身智能可分为"思维智能"与"行动智能"，前者包括认知能力，后者关注环境互动[20] - 具身智能系统需要具备世界模型和自我模型两大核心内部模型[25][28] 行业应用前景 - 家庭看护和家务服务是最基础、最现实的需求方向[48] - 检修类场景（如电力、汽车维修）是具身智能最具潜力的应用领域[49] - 工业制造场景中，人形机器人可能比传统自动化更具性价比优势[49] - 生产线机器人最容易落地，高危或高互动性工作最具挑战性[52] 关键技术挑战 - 数据瓶颈是最大痛点，真实数据采集速度跟不上模型训练需求[55] - 计算资源限制明显，高自由度系统控制困难且成本高昂[39] - 模型架构面临从分层决策到端到端再回归分层的演变[67] - 仿真环境精度不足，难以替代真实世界数据采集[60] 未来发展趋势 - 从性能优化转向适应性设计，强化环境适应与新任务应对能力[63] - 从确定性控制转向概率性思维，应对现实世界不确定性[64] - 从分析还原走向整体涌现，展现更强智能与动态逻辑性[64] - 从工具属性转向伙伴属性，实现更自然的协作交互[64] 商业化路径 - 开发者应聚焦专用型机器人而非追求通用能力[42] - 垂直场景配套大客户是具身智能落地的务实选择[44] - 工业领域因其可扩展性成为优先发展方向[45] - 技术从实验室到真实世界仍存在两个数量级的精度差距[46]