智能驾驶行稳致远，具身智能未来可期

研报总结

一、大模型特点

• 端到端方案：大模型是实现端到端方案之一，具有规模大与泛化性强的特点。
• 能力优势：在模型规模上比小模型带来更强能力，还能解决小模型处理不好的场景。

二、特斯拉FSD中美版本差异

• 美国版本：支持倒车，可实现三点掉头、窄巷倒车变道掉头等操作。
• 中国版本：暂不支持倒车功能，推测因数据及测试时间不足。
• 驾驶体验：美国版本在加州硅谷测试约99%以上场景可良好驾驶，接管率低。

三、版本更新展望

• V13公众版本：已在北美推送约四个月，预计下半年推送V14。
• 后续版本：基础能力接近FSD现有能力，局部区域和用户体验会有不同。

四、理想VLA架构

• 架构升级：从VLM进化到VLA，消除信息瓶颈，提升模型一致性。
• 算力挑战：需克服高端算力瓶颈，满足高频低延迟的自动驾驶模型性能要求。

五、自主品牌智驾能力

• 吉利极氪：自研能力相对较强。
• 比亚迪、长城、长安：较依赖供应商，智驾能力取决于供应商水平及合作程度。

六、智能驾驶功能提升

• 后续发展路线：FSD路线和VLA路线。
• 座舱一体化：信息流打通，实现座舱与自动驾驶域的信息交互。

七、L2到L3升级要点

• 软件算法：L3要求在允许的ODD范围内处理所有问题，保证车在人无法立即接管时的安全。
• 硬件提升：芯片和传感器需实现稳定性和冗余。

八、算法模式优劣势及趋势

• 模式优劣势：全栈自研、第三方供应商、车企自研各有优劣势。
• 后续趋势：行业集中度提高，逐渐向头部聚集。

九、人形机器人与自动驾驶关联

• 底层技术共享：如VRN方案、基于BEV的方案。
• 认知智能差异：人形机器人需更强泛化性。

十、人形机器人现状与挑战

• 软件算法挑战：泛化性有限，操作方面难实现。
• 传感器不足：传感器集成度和小型化程度不足以支撑像人体一样密集分布和长期排列。