行业人才发展现状 - 学校学习内容与实际工作需求存在明显差距，导致应届生在求职时缺乏竞争力 [1] - 从业者转型需求强烈，方向包括大模型、世界模型、具身智能等前沿领域，但对行业实际动态了解不足 [1] 社群平台定位与功能 - 社群目标为搭建连接学校与企业的桥梁，整合全行业人才资源形成综合型平台 [1] - 社群内容聚焦产业动态、公司研究、产品研发及求职跳槽等实战话题 [1] - 提供行业人脉拓展渠道，帮助成员第一时间获取产业前沿信息 [1]

核心观点 - 药明康德2025年上半年业绩表现强劲，营收和净利润均实现显著增长，核心业务增长动力强劲 [4][9][11] - 公司独特的"一体化、端到端"CRDMO业务模式是业绩增长的关键驱动力 [14][15] - TIDES业务（多肽、寡核苷酸等新分子业务）成为新的增长点，收入4年间增长超8倍 [16][17] - 公司持续扩建产能以承接更多业务需求，预计2025年资本开支达70-80亿元 [18][19] - 二级市场对公司业绩表现给予积极反馈，股价大幅上涨 [5][20] 业绩表现 - 2025年上半年预计实现营业收入约207.99亿元，同比增长20.64%，其中持续经营业务同比增长24.24% [4] - 预计实现经调整归母净利润约63.15亿元，同比增长44.43% [4][11] - 预计实现归母净利润约85.61亿元，同比增长101.92%，包含出售联营公司部分股权所得投资收益32.1亿元 [4][10][11] - 每股收益预计约3.01元/股，同比增长106.16% [4] - 2024年半年报净利润同比下降20.20%，2025年实现显著恢复 [7][8][9] 业务模式与增长驱动 - "一体化、端到端"CRDMO业务模式形成"漏斗型"管线，确保在手订单持续增长 [14][15] - 2024年R端合成小分子数达46万个，中后期D&M阶段管线新增分子1187个，其中366个由R转化而来 [15] - 2024年在手订单达493.1亿元，同比增长47.0% [15] - TIDES业务2024年收入达58.0亿元，同比增长70.1%，在手订单同比增长103.9% [16][17] - 多肽固相合成反应釜总体积2024年底达41000L，预计2025年底提升至超100000L [18] 产能建设与资本开支 - 预计2025年资本开支达70-80亿元 [19] - 持续投入瑞士库威基地，2024年口服制剂产能翻倍 [19] - 推进美国米德尔顿基地建设，计划2026年底投入运营 [19] - 新加坡研发及生产基地2024年5月开工建设，一期计划2027年投入运营 [19] 市场表现与行业前景 - 2025年7月11日港股药明康德股价大涨超10%，一度突破90港元 [5] - 2025年初至今A股累计涨超40% [20] - 全球生物医药投融资回暖，国内创新药行情持续火热，多重利好共振 [21] - 海外市场是收入主力军，海外需求改善节奏快于国内 [16]

大模型与VLA技术差异 - 所有依赖大模型的方案都可归为大模型岗位 包括VLM和VLA等技术方向 关键技术涉及微调 轻量化 量化和部署等 [2] - VLA概念包含执行环节（Vision+Language+Action） 属于端到端技术范畴 当前行业存在两阶段（大模型+Diffusion）和单阶段（纯大模型）两种实现方案 [2] - 大模型在自动驾驶领域应用需进行场景适配 例如采用qwen等模型进行微调以提升场景理解与预测能力 [2] 岗位需求与薪资水平 - 大模型研发工程师岗位月薪范围30k-80k 工作地点覆盖深圳/上海 [2] - VLA/VLM大模型算法岗位月薪达40k-100k 工作地点包括北京/上海/杭州 要求3-5年自动驾驶或AI算法经验 [8] - 端到端/VLA工程师需参与驾驶系统全流程研发 包含数据集构建 模型调优及闭环评测系统开发 [6] 核心技术能力要求 - 需精通Transformer架构及多模态大模型训练 熟悉PyTorch/DeepSpeed等框架 具备轨迹预测或决策规划项目经验 [9] - 优先考虑顶会论文发表者（CVPR/ICCV等）或算法竞赛获奖者（ACM/IOI） 需掌握模仿学习/强化学习技术 [5][9] - 视觉大模型方向要求搭建数据pipeline 探索数据合成技术 优化垂直场景下的模型推理性能 [5] 前沿技术应用方向 - 研发重点包括千亿参数级大模型训练 驾驶场景生成式模型开发（Diffusion/LLM）以及多模态数据挖掘 [11] - 需探索大模型在自动驾驶的创新应用 如视觉-语言-行为的多模态决策系统 融合模仿学习与强化学习技术 [10] - 行业关注世界模型与仿真场景构建 要求熟悉nuScenes/Waymo等数据集 具备量产项目经验者更具竞争力 [11]

具身智能行业趋势 - 具身智能技术已从学术研究阶段进入产业化阶段，突破将发生在市场而非实验室[2][13] - 行业正处于Scaling Law时刻，预计需要4-5年沉淀才能达到类似GPT-4的突破[2][29] - 技术路径已从500个研究方向收敛至100个左右，进入工程优化阶段[12][13] 技术路径选择 - 端到端VLA（vision-language-action）是行业终极方向，已在自动驾驶领域验证[19][20] - 短期分层方案（规划-感知-执行）更易工程实现，但长期将被端到端替代[22] - VLA模型通过统一处理视觉、语言和动作模块，实现任务理解和执行一体化[20] 数据训练方法 - 训练数据来源包括：互联网视频数据（1%可用率）、遥操作数据和强化学习数据[24][26] - 发现Scaling Law规律：数据量每增加10倍，模型精度小数点后多一个9[27][28] - 达到ChatGPT级别效果需100亿条有效互联网数据+1亿遥操数据+数千万强化学习数据[31] 机器人形态发展 - 人形设计因适应人类环境成为主流，但非必需形态[33][34] - L4阶段前轮式底盘+双臂可覆盖80%场景需求，双足非必须[33][37] - 双足平衡技术已实现高难度动作（如燕式平衡），工业级稳定仍需优化[37][38] 产业链分工 - 硬件本体价值有限，核心突破在于"大脑"（AI系统）[39] - 未来产业链将类似汽车行业，形成专业化分工（灵巧手、芯片等）[41] - 纯软件方案不可行，需针对具体硬件进行训练优化[40] 中美发展差异 - 中国优势在于硬件制造和维修效率（美国维修周期长达数周）[6][7] - 美国在快慢系统等核心技术方面暂时领先[6]

报告行业投资评级 - 行业评级为强于大市，维持上次评级 [1] 报告的核心观点 - 苹果通过iPhone1 - 4重塑智能手机标准，建立硬件 + 服务 + 生态的复合盈利体系，2024年iPhone产品收入占比51.45%，服务收入占比24.59%且毛利率达73.9%，毛利占比约40% [3] - 理想汽车从增程到纯电再到All in AI，护城河逐步完善，先重新定义家用SUV，后搭建纯电护城河，还在智驾和AI领域前瞻布局 [4] 根据相关目录分别进行总结 苹果的复盘：手机高端化标杆，软件生态盈利能力突出 - 从iPhone1到iPhone4重新定义智能手机，iPhone1在交互逻辑、功能集成、产品设计、软件生态四个维度实现根本性改变，苹果从产品、生态、芯片三端发力构建护城河，iPhone4从生态和软硬件协同定义智能机时代 [3][10] - 苹果盈利构成中，高端市场占比大，产品与服务协同驱动发展，2024年高端智能手机全球占比25%，苹果占高端市场67%份额，Q4出货量占23%却拿下全球智能手机总收入54%；盈利来源包括产品端（iPhone产品占2024年收入51.45%）和服务端（2024年服务收入占比24.59%，毛利率73.9%，毛利占比约40%） [16] 理想汽车：智驾时代的“IPHONE 4”时刻到来？ 护城河的初步尝试 - 深度洞察用户需求，理想ONE重新定义家用SUV，以增程 + 家用SUV为核心卖点，增程是高效解决方案，“冰箱彩电大沙发”定位丰富座舱体验，抓住家用SUV品牌标签 [23] - 从理想ONE到L序列，以“套娃”模式打造畅销产品谱系，实现降本和加深品牌形象，成为首个盈利的新势力车企 [24] - 因增程市场竞争加剧，理想开启纯电护城河搭建，靠家用SUV定位蝉联销量冠军，加速纯电网络和产品谱系布局，改善续航和补能焦虑问题 [33] 护城河的终极目标 - 从智驾到AI，锚定L4终局前瞻布局，具身智能方面以智驾为载体加速VLA落地，座舱智能方面以理想同学为载体加速大模型落地 [37] 发力智能驾驶 - 2023年初以来，理想智驾性能进步迅速，2024 - 2025年多次发布OTA更新，包括推送无图NOA、“端到端 + VLM”智驾系统、“车位到车位”功能、VLA端到端大模型等 [38] - 智能驾驶从“rule - base”过渡到“端到端”方案，理想通过大车队提供训练数据、数据基建实现数据闭环、集团资源倾斜等方式追赶头部算法厂商 [42][47] - 理想目前算力规模处于第一梯队达8.1EFLOPS，购置或租赁算力考验公司现金储备水平 [49] L3加速落地 - L2及L2 + 阶段智驾为辅助角色，L3起点智驾功能体验提升、事故责任划分明确，2025年智能驾驶发展或迎拐点；理想VLA模型、华为ADS4.0、小鹏世界基座模型等开启智驾大模型迭代浪潮，25H2第一梯队车企将落地L3部分高速场景 [53]

理想VLA与DeepSeek MoE技术类比 - VLA和MoE均为首次完整落地到新领域并取得良好结果 均包含大量创新 但两者在具体实现方式上存在显著差异 [2] - DeepSeek MoE通过细粒度专家划分将单个专家隐藏层维度缩小至1/4 专家数量增至4倍 使激活组合可能性从120种提升至44亿种量级 [2] - 采用共享专家隔离机制 设置占总专家数1/8的固定共享专家处理公共知识 显著减少不同专家间的知识冗余 [2] 理想VLA核心技术突破 - 需攻克6大关键技术点：MindVLA设计/训练流程 3D空间理解能力获取 驾驶知识语言模型构建 Diffusion融合 车端实时推理实现 [4] - 3D高斯技术通过RGB图像自监督训练 实现多尺度几何表达与丰富语义承载 为3D表征提供核心支持 [4] - 基座模型采用MoE架构和稀疏注意力机制 在扩容参数量的同时控制推理负担 训练数据配比优化减少文史类数据 增加3D及自动驾驶图文数据 [6][7] 模型训练与推理优化 - 引入未来帧预测和稠密深度预测任务 通过快慢思考双系统设计（快思考直接输出action token 慢思考采用固定简短CoT模板）提升实时性 [8] - 创新并行解码机制：语言逻辑采用因果注意力逐字输出 action token通过双向注意力一次性全输出 [8] - 使用小词表和投机推理技术 使CoT效率提升44亿倍量级 实现参数规模与推理性能平衡 [8] Diffusion技术应用 - 将action token解码为驾驶轨迹 同步生成自车轨迹与周边交通参与者轨迹 复杂环境博弈能力提升120% [9] - 采用多层Dit结构支持条件输入改变生成结果（如"开快点"指令响应） 类比图像多风格生成技术 [10] - 使用ODE采样器将Diffusion生成步骤压缩至2-3步 解决传统方法效率低下问题 [11] 强化学习突破 - 构建端到端可训架构 解决早期强化学习中信息传递低效问题 [12] - 通过多视角噪声训练生成模型 联合3D重建优化 创建真实度达标的训练环境 场景建设效率提升20倍 [12] 技术路线演进 - V10-11阶段确实跟随特斯拉技术路线 但V12后自主创新比例显著提升 仅在快系统部分保留特斯拉框架 [13][14] - 慢系统为完全自主创新 特斯拉未涉及该领域 整体技术路线类比"增程式"方案：在算力/数据资源不足条件下实现可用性 [14] - VLM到VLA的演进为公司独立提出的技术路径 非跟随策略 获王兴评价为"真正实现Think Different"的典型案例 [15]

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]

人事变动与团队建设 - 前一汽南京研究院CTO陈光加入小米汽车，出任辅助驾驶感知负责人，向叶航军汇报，原感知负责人蔡锐转至机器人部门 [1] - 陈光曾领导一汽红旗第三代L4级Robotaxi研发，拥有百度Apollo美国研发中心感知系统技术负责人经历，发表多篇CVPR论文 [1] - 小米辅助驾驶团队分为"端到端"算法与功能、技术预研两大组，陈光将推进"端到端"功能落地 [1] - 公司辅助驾驶团队规模已达1200人，近年引入前图森CTO王乃岩、Wayve原主任科学家陈龙等高端人才 [2][3] 技术路线与研发进展 - 公司2月全量推送基于300万Clips训练的"端到端"辅助驾驶功能，计划升级至1000万Clips版本 [2] - "端到端"方案整合感知、预测、规划控制为统一深度学习模型，组织架构设感知与规控两个模型团队 [1] - 技术预研包括VLA（视觉-语言-动作）模型，由陈龙负责，研发进度与理想汽车相近 [2] - 2023年6月推出基于规则的城市NOA方案，2024年2月切换至"端到端"方案，但用户体验距行业第一梯队仍有差距 [4] 产品与市场策略 - 第二款车型YU7全系标配4nm制程英伟达Thor芯片（700TOPS算力）、1个激光雷达、11个高清摄像头等硬件 [5] - 公司试图通过硬件标配缓解辅助驾驶安全信任危机，该危机源于3月SU7高速事故导致三人死亡事件 [5] - 内部加紧开发下一代VLA辅助驾驶方案，目标年内推出，以缩短追赶行业的时间 [5] 行业动态与挑战 - 理想汽车经历多次路线切换（"端到端"、VLA大模型）和组织调整才取得阶段性成果，反映技术迭代复杂性 [4] - 行业从基于规则的方案转向特斯拉FSD引领的"端到端"方案，因前者应对复杂城市道路存在能力天花板 [4] - 辅助驾驶量产需循序渐进工程积累，如理想CEO李想所言"无法直接吃第十个包子" [4]

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]