AI系列深度23期：智能驾驶的表征演进

这份研报深入探讨了智能驾驶领域中表征的演进过程。报告首先对比了物理AI与数字AI在表征获取方式上的根本差异，指出文本输入可直接分词为Token，而物理世界输入如光子、点云需要构建三维物理空间的可学习表征。接着，报告详细梳理了智能驾驶表征演进的五个阶段：原始像素、BEV/VectorNet、Occupancy、多模态Token和潜在状态。每个阶段都有其特点，如原始像素简洁但缺乏结构约束，BEV+Transformer和VectorNet分别将多摄像头信息统一到鸟瞰三维空间和抽象成数学对象，Occupancy从识别对象类别转向判断空间占据，多模态Token连接视觉、语言和动作，潜在状态则将世界压缩到可预测空间。此外，报告还介绍了物理AI中的Token化器如BEV编码器、占用网络、VAE和3D编码器等，它们承担从连续物理输入到可学习表征的核心转换。最后，报告分析了特斯拉、小鹏、华为、理想、Waymo、Wayve等公司在智能驾驶表征演进上的不同路线，但共同主线是从目标级识别走向空间级理解，再走向潜在状态预测。多种表征长期并存，分别服务不同层次的感知、预测、仿真和规划需求。世界模型可能成为表征训练的关键手段，通过自监督预测未来状态、生成场景或学习潜在动力学，帮助模型在无标注或弱标注条件下形成更统一的物理表征。竞争壁垒正从单点感知精度前移到如何将物理世界嵌入可预测潜在空间。

智能驾驶行业未来发展趋势呈现多元化演进路径。一方面，物理AI与数字AI的融合将成为关键方向，物理AI通过构建可学习表征，逐步实现从目标级识别到空间级理解，再到潜在状态预测的跨越。另一方面，世界模型的应用可能成为表征训练的关键手段，通过自监督学习帮助模型在无标注条件下形成更统一的物理表征。此外，多种表征形式将长期并存，分别服务于不同层次的感知、预测、仿真和规划需求。竞争壁垒正从单点感知精度转向如何将物理世界嵌入可预测潜在空间，这要求企业具备更强的跨领域技术整合能力。同时，智能驾驶作为最先跑通闭环的代表场景，将持续推动相关技术的迭代和应用落地。然而，行业仍面临技术迭代不及预期、大模型厂商ARR增速放缓、云服务商资本开支不及预期、智能驾驶及机器人商业化落地不及预期等风险，需要关注技术成熟度和市场接受度的动态变化。

研报重点分析了智能驾驶表征演进的五个阶段及其技术特点。原始像素阶段因其端到端简洁但缺乏结构约束而受到关注；BEV+Transformer和矢量化VectorNet分别将多摄像头信息统一到鸟瞰三维空间和抽象成数学对象，展现了并行路线的探索；Occupancy从识别对象类别转向判断空间占据，体现了对物理世界理解的深化；多模态Token通过连接视觉、语言和动作，实现了更丰富的信息融合；潜在状态则将世界压缩到可预测空间，为长期规划提供了可能。此外，报告还深入探讨了物理AI中的Token化器如BEV编码器、占用网络、VAE和3D编码器等，它们是核心转换工具。最后，报告对比了特斯拉、小鹏、华为、理想、Waymo、Wayve等公司在智能驾驶表征演进上的不同路线，但共同主线是从目标级识别走向空间级理解，再走向潜在状态预测。多种表征长期并存，分别服务不同层次的感知、预测、仿真和规划需求。世界模型的应用可能成为表征训练的关键手段，通过自监督学习帮助模型在无标注条件下形成更统一的物理表征。竞争壁垒正从单点感知精度前移到如何将物理世界嵌入可预测潜在空间。

当前智能驾驶市场呈现技术多元化发展态势，物理AI与数字AI的融合成为重要趋势。物理AI通过构建可学习表征，逐步实现从目标级识别到空间级理解，再到潜在状态预测的跨越，而世界模型的应用可能成为表征训练的关键手段，通过自监督学习帮助模型在无标注条件下形成更统一的物理表征。多种表征形式如原始像素、BEV/VectorNet、Occupancy、多模态Token和潜在状态长期并存，分别服务于不同层次的感知、预测、仿真和规划需求。竞争壁垒正从单点感知精度转向如何将物理世界嵌入可预测潜在空间，这要求企业具备更强的跨领域技术整合能力。智能驾驶作为最先跑通闭环的代表场景，将持续推动相关技术的迭代和应用落地。然而，行业仍面临技术迭代不及预期、大模型厂商ARR增速放缓、云服务商资本开支不及预期、智能驾驶及机器人商业化落地不及预期等风险，需要关注技术成熟度和市场接受度的动态变化。当前市场正处于技术快速迭代和商业化探索的关键阶段，未来发展方向仍需持续跟踪。

研报提示了智能驾驶领域面临的多重风险。首先，技术迭代不及预期可能导致技术路线选择失误，影响产品竞争力；其次，大模型厂商ARR增速放缓可能影响相关技术的研发投入和商业化进程；再次，云服务商资本开支不及预期可能制约智能驾驶领域的数据处理和算力支持能力；最后，智能驾驶及机器人商业化落地不及预期可能影响产业链的整体发展速度。此外，智能驾驶技术涉及复杂的多领域技术整合，竞争壁垒正从单点感知精度转向如何将物理世界嵌入可预测潜在空间，这对企业的技术实力和资源整合能力提出了更高要求。因此，投资者需关注技术成熟度、市场接受度、产业链协同以及政策环境等多方面因素，以更全面地评估智能驾驶领域的投资风险和机遇。