公司概况 - 公司业务专注于为多种商业应用场景开发自动驾驶技术 [1] - 公司目前正处于高速增长阶段 并计划进行业务扩张 [1] 作者背景 - 文章作者为亚利桑那州立大学学生 对科技和金融市场有浓厚兴趣 [1] - 作者主要专注于分析科技公司 特别是涉及人工智能基础设施构建、云计算和整体数字化转型的公司 [1] - 作者的投资方法植根于理解企业基本面和未来增长轨迹 旨在识别内在价值高于当前股票市值的公司 [1] - 作者通过持续研究分析 致力于将复杂的金融和技术趋势转化为直接的投资观点 [1]

两说 Business Insights 继2024年在纳斯达克上市后，小马智行近日在港交所上市，成为首批实现"美股+港股"双重上市 的自动驾驶科技公司。如今已率先在北上广深四大一线城市提供全无人自动驾驶出租车服务。无人 驾驶安全吗？公众的接受度如何？创业公司在商业生态上如何谋势布局，站在"十五五"开局元年即 将到来之时，本期节目探讨如何在自动驾驶领域推动中国式创新，发展新质生产力？破茧成蝶的路 上，中国企业家如何面对不确定性？需要有怎样的精神内驱特质？ 秦朔 人文财经观察家 更多精彩内容，敬请关注12月17日周三晚22:30 东方卫视 《两说》节目， 第一财经 12月20日周六晚22:00 播出。 彭军 本期嘉宾 小马智行创始人、首席执行官 ...

Waymo, the autonomous driving unit of Alphabet (GOOGL) (GOOG), is reportedly in talks to raise more than $15 billion at a valuation approaching $100 billion in a financing round led by its parent company. The maker of robotaxis has discussed ...

据知情人士称，谷歌母公司Alphabet旗下自动驾驶子公司Waymo正在与潜在投资者谈判，以至少1000亿 美元的估值筹集资金。 The Information援引消息人士称，这轮融资的规模将至少达到数十亿美元，甚至可能超过100亿美元。 据知情人士称，谷歌母公司Alphabet旗下自动驾驶子公司Waymo正在与潜在投资者谈判，以至少1000亿 美元的估值筹集资金。 The Information援引消息人士称，这轮融资的规模将至少达到数十亿美元，甚至可能超过100亿美元。 消息人士称，确切的估值尚未确定，并补充称，此轮融资预计将于明年初安排。 责任编辑：于健 SF069 消息人士称，确切的估值尚未确定，并补充称，此轮融资预计将于明年初安排。 责任编辑：于健 SF069 ...

WeRide (WRD) is a global autonomous driving company focused on Level 2 to Level 4 technologies across robotaxis, robobuses, robovans, and robosweepers. The company looks to make urban mobility safer, greener, and more efficient by deploying driverless solutions in mobility, logistics, and sanitation and is recognized as one of the first commercial-scale robotaxi players worldwide. Operating in more than 30 cities, its autonomous vehicles have been tested/operated across 11 countries, including China, Singa ...

合作与业务启动 - 文远知行与Uber及迪拜道路交通管理局合作 在迪拜正式推出Robotaxi载客服务 用户可通过Uber应用程序预订[1] - 服务在Umm Suqeim和Jumeirah两个热门旅游区启动 对所有乘客开放 车队运营商为Tawasul[2] - 此次启动基于自今年4月宣布合作以来的试点和测试 旨在为2026年初实现完全无人驾驶商业服务奠定基础[3] 市场背景与战略意义 - 迪拜拥有超过400万居民 是区域增长最快的都市中心之一 2024年公共交通、共享出行和出租车总出行量达1.53亿次 共享出行用户同比增长28%[4] - 该试验性公共服务支持迪拜到2030年实现25%出行自动驾驶的目标 旨在满足不断增长的共享出行和网约车需求[4] - 此次启动巩固了阿联酋在自动驾驶领域的领先地位 并支持两家公司未来几年在中东地区将Robotaxi规模扩展至数千辆的广泛计划[5] 公司战略与运营数据 - 文远知行首席财务官表示 公司计划到2030年部署数万辆Robotaxi 并正在中东及全球快速扩张[5] - Uber全球自动驾驶负责人表示 Uber作为全球最大的人类司机与自动驾驶汽车混合网络 正在构建交通的未来[5] - 文远知行目前在中东地区拥有近150辆自动驾驶汽车 其中超过100辆是Robotaxi[5] 公司概况与技术实力 - 文远知行是自动驾驶行业的全球领导者和先行者 也是首家上市的Robotaxi公司 其自动驾驶汽车已在11个国家超过30个城市测试或运营[6] - 文远知行是首个也是唯一一个在八个市场获得自动驾驶许可的技术公司 包括中国、阿联酋、新加坡、法国、瑞士、沙特阿拉伯、比利时和美国[6] - 基于WeRide One平台 公司提供从L2到L4的自动驾驶产品和服务 涵盖出行、物流和环卫行业的需求[6] - Uber的使命是通过移动创造机会 自2010年以来已完成超过680亿次出行[7]

公司增长战略与市场重点 - 亚太地区特别是北亚市场是公司巨大的增长市场 在网约车业务中 超过30%的全球首次使用该品类的行程来自亚太地区 该地区增长非常迅速[1][2] - 公司业务正从大城市向稀疏市场 郊区等扩张 在稀疏市场的出行和配送业务增长速度是大城市市场的2到3倍[30] - 公司目前在全球70个国家运营 拥有超过2亿的月活跃平台客户 这为其合作伙伴带来了巨大的需求[23][24] 自动驾驶业务布局与目标 - 公司目标到明年将自动驾驶服务扩展至10个以上的市场 并希望这些市场包括亚太地区[5][11] - 公司拥有超过20家全球自动驾驶合作伙伴 以确保在主要城市和市场获得自动驾驶技术[19] - 自动驾驶出行市场被认为是超过1万亿美元的市场 配送市场最终规模也将类似 预计不会出现赢家通吃的局面[20] 区域市场进展与合作 - 在日本 尽管监管相对落后 但公司看到了巨大潜力 特别是考虑到人口老龄化带来的交通需求 包括农村地区 公司正在与日本监管机构进行对话[5][6][12] - 在香港 已有各种试验和试点正在进行 公司希望香港能成为其自动驾驶布局的一部分[3][7] - 公司视百度 文远知行等为合作伙伴 并期望与它们共同将自动驾驶技术推向市场 认可中国自动驾驶技术的全球领先地位[9][10][13] 竞争格局与商业模式 - 在自动驾驶领域 公司与合作伙伴可能存在竞争与合作并存的混合模式 类似于麦当劳应用与Uber Eats的关系[14][18] - 在印度市场 增长最快的部分是两轮和三轮车业务 其商业模式是订阅制而非佣金制 公司正在与竞争对手Rapido展开竞争[35] - 公司认为其全球覆盖范围和需求聚合能力是关键优势 能够为昂贵的自动驾驶汽车和技术带来高利用率[24] 财务状况与资本运用 - 公司目前自由现金流接近100亿美元 并预计未来几年将大幅增长[26] - 通过自有现金流以及变现在其他公司的股权 公司拥有超过100亿美元的资本用于持续投资自动驾驶技术合作伙伴和车队建设[27] - 公司对投资持机会主义态度 可能考虑变现其在Grab和滴滴等公司的战略股权 但并非必需 因为公司自身持续产生现金流[28]

英伟达战略投资组合概况 - 英伟达已悄然建立一个价值数十亿美元的战略投资组合 旨在增强其人工智能生态系统 涵盖从芯片设计到数据基础设施的领域[1] - 截至第三季度末 该投资组合包含六笔头寸 总价值为43亿美元[1] - 这些投资主要支持开发互补技术的公司 例如GPU优化的云服务和人工智能驱动的生物技术[1] 投资组合近期表现与挑战 - 第三季度 整个投资组合价值减少了近5亿美元 跌幅达11% 六只持股中有四只下跌[2] - 自9月第三季度结束以来 投资组合价值进一步缩水30% 至约27亿美元 相当于损失了11亿美元[2] - 投资组合的困境主要源于人工智能市场整体暂停 超大规模企业重新评估资本支出以及投资者情绪降温[2] - 投资组合在人工智能相邻领域的多元化 并未能使其免受全行业压力影响 如能源成本上升和企业部署延迟[4] 核心持仓：CoreWeave的拖累 - 投资组合的最大持仓是人工智能云提供商CoreWeave 该公司依赖英伟达的GPU来训练大模型[3] - 在第二季度末 英伟达持有的2430万股CoreWeave股票价值39.6亿美元 占投资组合价值的91%以上[3] - 由于债务担忧和人工智能炒作疲劳 CoreWeave股价大幅下挫 自第三季度末以来下跌了36% 较第二季度水平下跌了46%[3] - 该股目前交易价格约为每股88美元 而其在2025年初曾达到187美元的峰值[3] - 仅CoreWeave这一头寸就导致了投资组合季度环比的大部分跌幅[3] 其他主要持仓表现 - 芯片架构设计公司Arm Holdings自第三季度末以来下跌了12.5% 主要受移动需求放缓影响[4] - 利用人工智能进行药物发现的Recursion Pharmaceuticals因临床试验延迟而下跌了5.7%[4] - 自动驾驶公司WeRide因监管障碍增加而下跌了17%[4] 表现突出的持仓 - 在所有持仓中 只有Applied Digital逆势上涨[2] - 人工智能基础设施公司Nebius Group（前身为俄罗斯搜索巨头Yandex关联公司）也实现了正回报[5] - 英伟达持有的120万股Nebius股票在第二季度末价值为6590万美元 此后因与微软达成一项价值170亿美元的云容量交易而飙升了69%[5][6] - Nebius第三季度收入同比增长355% 达到1.46亿美元 突显其向满足人工智能超大规模计算需求的转型[6] - 然而 自第三季度末以来 Nebius的股价也下跌了17%[6]

核心观点 - 华科王兴刚教授团队提出DiffusionDriveV2，通过引入强化学习解决了其前代模型DiffusionDrive在端到端自动驾驶轨迹规划中面临的“多样性与持续高质量”两难困境 [1][3] - 该方法创新性地结合了锚点内GRPO、锚点间截断GRPO与尺度自适应乘法探索噪声，在保留多模态生成能力的同时，显著提升了轨迹的整体输出质量与安全性 [4][12] - 在NAVSIM v1和v2数据集的闭环评估中，DiffusionDriveV2结合ResNet-34主干网络取得了当前最优性能，PDMS分别达到91.2和85.5，创下新纪录 [4][33] 技术背景与问题 - 端到端自动驾驶（E2E-AD）直接从原始传感器输入学习驾驶策略，是当前发展浪潮 [5] - 传统单模态规划器仅回归单一轨迹，无法提供备选方案；基于选择的方法使用静态候选轨迹库，灵活性有限 [5] - 原始扩散模型应用于轨迹生成时面临模式崩溃（mode collapse）问题，倾向于生成保守且单一的轨迹，无法捕捉未来多样性 [5][13] - DiffusionDrive通过预定义轨迹锚点构建高斯混合模型先验，将生成空间划分为对应不同驾驶意图的子空间，从而促进多样化行为生成 [5][13] - 但DiffusionDrive依赖模仿学习，其训练目标仅优化与专家轨迹最接近的“正模式”，对占样本绝大多数的“负模式”缺乏约束，导致生成大量低质量甚至碰撞的轨迹，无法保证持续高质量 [8][17][18] DiffusionDriveV2核心方法 - **整体架构**：采用DiffusionDrive作为预训练的轨迹生成器进行冷启动，引入强化学习目标对所有生成模式施加约束并推动探索 [19][21] - **尺度自适应乘法探索噪声**：为解决轨迹近端与远端尺度不一致问题，采用纵向与横向乘法高斯噪声替代加法噪声，生成的探索路径更平滑，保留了轨迹连贯性 [24] - **锚点内GRPO**：为避免不同驾驶意图（如直行与转弯）间不当的优势比较导致模式崩溃，仅在每个锚点内部生成的轨迹变体组内执行GRPO策略更新 [9][24] - **锚点间截断GRPO**：为解决锚点内GRPO优势估计丧失全局可比性的问题，修改优势估计，将所有负优势截断为0，并对发生碰撞的轨迹施加-1的强惩罚，原则是“奖励相对改进，仅惩罚绝对失败” [27][28] - **模式选择器**：采用两阶段“粗到细”评分器，结合二元交叉熵损失和Margin-Rank损失，从多模态预测中选择最优轨迹 [29] 实验结果与性能 - **基准测试成绩**：在NAVSIM v1测试集上，PDMS达到91.2，相比DiffusionDrive提升3.1；在NAVSIM v2测试集上，EPDMS达到85.5 [4][33] - **模型效率**：仅使用2180万参数的ResNet-34主干网络，性能优于基于9690万参数V2-99主干网络的对比方法（如GoalFlow和Hydra-MDP） [33] - **多样性与质量权衡**： - 原始扩散方法（如TransfuserTD）多样性得分仅0.1，质量稳定但缺乏多样性 [37] - DiffusionDrive多样性得分高达42.3，但质量无法保证（PDMS@10为75.3） [37] - DiffusionDriveV2多样性得分30.3，在多样性与质量间实现最优权衡，其PDMS@1为94.9（提高上限），PDMS@10为84.4（提高下限） [37][38] - **消融实验验证**： - 乘法探索噪声优于加法噪声，PDMS从89.7提升至90.1 [40] - 使用锚点内GRPO使PDMS从89.2提升至90.1 [41] - 使用锚点间截断GRPO使PDMS从89.5提升至90.1 [42] 研究意义与贡献 - 据研究者所知，DiffusionDriveV2是首个直接面对并解决截断扩散模型在轨迹生成中“多样性与持续高质量”两难困境的工作 [12] - 是首个成功将GRPO方法迁移到基于锚点的截断扩散模型的工作 [12] - 该方法证明了强化学习的“探索-约束”范式能有效提高模型性能下限与上限，为端到端自动驾驶规划提供了新思路 [8][38]

视觉语言模型在自动驾驶应用中的核心挑战与解决方案 - 文章核心观点：视觉语言模型在自动驾驶领域展现出潜力，尤其在可解释性方面具有优势，但其在落地应用前仍需克服幻觉、3D空间理解不足和速度慢等关键挑战，行业正通过改进感知范式、训练任务、模型交互和推理过程来应对这些问题[3] VLM应用于AD的主要问题与改进方向 - 幻觉问题具体表现为无中生有和视而不见，其根源在于静态感知，解决方案包括转向动态感知、通过多次校验或DPO减少训练数据及模型产生的幻觉、以及允许模型“回头放大看看”[3] - 3D空间理解能力不足源于预训练任务多为2D，解决方案是在训练时加入空间定位任务，例如混合具身数据，研究证明额外使用3D感知和PnC轨迹生成模块效果更好[3] - 速度慢是主要瓶颈，可通过KV Cache、Visual token压缩、以及通过混合数据和强化学习让模型学会“按需思考”并根据提示调节思考深度来优化[3] VLM在自动驾驶中的技术评估与学习范式 - 从学术评估指标看，VLA方案与基于Diffusion的方案效果不相上下，VLM的核心优势在于其可解释性[3] - 学习范式需要从模仿学习转向偏好学习，在强化学习阶段，多任务同时训练比单任务分阶段训练效果更好[3] - 防止基础模型发生灾难性遗忘的最简单有效方法是增加预训练数据[3] 提升VLM模型性能的技术路径 - 提供更丰富的监督信号有助于模型学到更好的表征，具体方式是在VLM基础上增加其他任务头，如预测下一帧画面、3D占据与流、物体检测、交通信号灯识别等，这种方式有助于实现缩放定律[3] - 思维链技术很重要，但在海量数据下应用不易，除了纯文本形式，多模态思维链正在兴起[3] - 目前VLM中视觉与语言的交互不足，限制了其作为基础模型的效果，改善思路是增强视觉-语言交互，例如Qwen3-VL使用Deepstack将图像token输入到LLM的不同层，或引入图像生成的辅助任务[3] 轨迹生成与模型评估的现状 - 轨迹的输出方式不重要，无论是VLM直接以文本输出、输出特殊token映射为轨迹，还是接扩散头生成轨迹，效果都不错，工业界主要采用扩散头生成轨迹，因其速度最快[3] - 评估面临挑战，闭环测试指标比开环差，原因包括训练目标与在线部署目标不一致，以及训练时的离线传感器数据与测试时实时观测数据分布不同[3] 关于思维链的深入探讨 - 是否需要推理时也加入视觉思维链？研究指出，仅用图像生成做思维链对视觉规划任务的指标和泛化性都有提升，例如FSDrive用图像思维链代替文本思维链可提升场景理解并降低碰撞率[3] - 让模型在思维链过程中调用工具能取得更好效果，例如调用视角、查看历史、放大、测距等[3] - 目前VLM添加思维链后在AD中效果不佳的原因包括：思维链质量不高、因果关系不强；测试集不够复杂；以及VLM基础模型本身因视觉-文本对齐不佳而无法拥有LLM的优良特性[3]