自动驾驶技术范式转变 - 行业共识自动驾驶技术进入下半场，技术范式从端到端架构转向强化学习[6][8] - 端到端架构统一技术栈释放Scaling Law潜力，但模仿学习只能达到数据平均水平难以超越人类司机[6][8] - 特斯拉和理想汽车在ICCV 2025共同展示以云端生成式世界模型为新基座的趋势[2] 理想汽车训练闭环架构 - 公司构建全球首个世界模型与强化学习闭环量产自动驾驶架构，从数据闭环迈向训练闭环[11] - 训练闭环通过环境生成和反馈迭代实现设定目标，覆盖边缘场景提升模型性能[8][11] - 世界模型系统包含环境构建、智能体构建、反馈构建和场景多推演三大能力[13] 仿真技术路径与成果 - 采用重建与生成结合的仿真路线，重建保证稳定性，生成增强泛化性[14][15][16] - 联合研发的Street Gaussians算法被ECCV 2024收录，Hierarchy UGP实现SOTA大规模动态场景重建[17][19][21] - 生成方式占比将不可逆增加，因能低成本大规模生成多样边缘场景数据[23] 合成数据与强化学习引擎 - 合成数据通过场景编辑、迁移和全场景生成使数据分布均衡，覆盖更多极端复杂案例[23] - 强化学习世界引擎包含仿真智能体、奖励模型和性能优化五大关键因素[25][31] - 仿真智能体建模多车交互行为比实现单车L4更难，公司通过目标函数和奖励函数约束智能体行为[27] 研发投入与底层技术突破 - 2023年和2024年全年研发投入连续超百亿元，2025年上半年研发投入为53亿元[33] - 自研整车操作系统理想星环OS实现软硬件解耦，芯片适配验证加快至4周内[33] - 星环OS采用跨系统架构，在120km/h时速下缩短7米刹停距离，降低几十亿元BOM成本[35][39] 开源生态与学术认可 - 星环OS开源后与16家产业链玩家组建生态联盟，帮助行业节省数亿元研发预算[36][39] - 开源数据集3DRealCar包含2500辆真实汽车，每辆车200张高分辨率RGB-D图像，被AI顶会ICCV收录[40][43] - 研究成果如DriveVLM已落地量产，形成研产闭环能力快速转化预研成果[52] 公司战略定位与竞争优势 - 公司重新定义为空间机器人企业，具备造车基本盘、VLA技术、顶会级预研和研产闭环四大优势[48][50][51][52] - 同时实现算法训练闭环、商业化闭环和研产闭环，在车企底色AI公司中与特斯拉并列领先[52][53]